📊 statistics

Particle-Based Conformal Prediction for Contact-Aware Uncertainty Calibration in Stratified Configuration Spaces

이 논문은 입자 기반 모델을 사용하여 로봇 구성에 대해 확률적으로 유효하고 접촉을 인지하는 불확실성 영역을 생성함으로써, 기존 베이스라인과 비교하여 접촉이 빈번한 시나리오와 비접촉 시나리오 모두에서 작업 성공률을 크게 향상시키는 기하학 인지적 컨포멀 예측 알고리즘인 CaPTURe를 소개한다.

원저자: Luís Marques, Kristian Popov, Dmitry Berenson

게시일 2026-08-11

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Luís Marques, Kristian Popov, Dmitry Berenson

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 로봇에게 미로 속에서 구슬을 가지고 '공 뺏기' 게임을 하거나, 아주 작은 못을 구멍에 조심스럽게 끼우는 법을 가르치고 있다고 상상해 보세요. 로봇은 (컴퓨터 모델이라는) 뇌를 가지고 있으며, 구슬이나 못이 다음에 어디에 있을지 추측하려고 노력합니다. 하지만 여기 함정이 있습니다. 현실 세계는 무질서합니다. 로봇의 뇌가 완벽하더라도 구슬이 예상치 못한 방식으로 벽에 부딪힐 수 있습니다. 혹은 로봇이 생각한 것보다 구멍이 약간 작아서 못이 걸려버릴 수도 있습니다. 이것을 **불확실성(uncertainty)**이라고 부릅니다.

로봇 공학의 세계에는 두 가지 주요한 무질서함이 있습니다. 첫째는 **무작위 노이즈(random noise)**입니다. 이는 로봇의 뇌가 완벽하더라도 발생하는 현상으로, 갑작스러운 돌풍이나 미끄러운 바닥 같은 것입니다. 둘 두 번째는 **모델 불일치(model mismatch)**입니다. 이는 로봇이 너무 적은 사례로부터 학습했거나 물리 법칙에 대해 잘못된 추측을 하여 로봇의 뇌가 틀린 경우입니다. 로봇을 안전하게 유지하기 위해, 엔지니어들은 로봇이 어디로 갈 것이라고 생각하는지뿐만 아니라, 그 확신이 얼마나 되는지도 알아야 합니다. 로봇이 너무 자신만만해서 틀리면 충돌할 수 있고, 너무 겁을 먹고 확신이 없으면 그냥 멈춰서 아무것도 하지 못할 수도 있습니다.

까다로운 점은 로봇이 무언가(예: 벽이나 못)를 만지는 순간, 게임의 규칙이 즉각적으로 변한다는 것입니다. 로봇은 벽을 따라 미끄러지거나(1차원), 구석에 끼이거나(0차원), 공중을 날아다닐(2차원 또는 3차원) 수 있습니다. 이러한 갑작스러운 변화는 로봇이 도달할 수 있는 위치에 대해 '안전 영역'을 그리는 것을 매우 어렵게 만듭니다. 전통적인 방식들은 이 불확실성을 나타내기 위해 단순하고 둥근 거품(원이나 구 형태)을 그립니다. 하지만 로봇이 벽을 따라 미끄러지고 있다면, 둥근 거품은 쓸모가 없습니다. 왜냐하면 그 거품은 로봇이 물리적으로 갈 수 없는 공간인 벽 뒤쪽의 빈 공간까지 포함하고 있기 때문입니다. 이 논문은 세계의 형태를 존중하며 로봇이 도달할 수 있는 위치를 정확히 파악하여, 로봇이 움직일 수 있는 여유가 얼마나 있는지 확실히 알 수 있게 해주는 새로운 방식의 '안전 거품'을 제안합니다.

논문: CaPTURe – 형상 변화가 가능한 안전망

미시간 대학교의 루이스 마르케스(Luís Marques), 크리스티안 포포프(Kristian Popov), 드미트리 베레노스(Dmitry Berenson) 저자들은 CaPTURe(Calibrated Particle-sets for Trans-dimensional Uncertainty Representation)라고 불리는 새로운 방법을 제안합니다. CaPTURe를 로봇이 미래를 예측하기 위해 사용하는 매우 똑똑하고 형상이 변하는 안전망이라고 생각해 보세요.

단 하나의 미래 지점을 추측하는 대신, 로봇은 머릿속에서 수천 번의 시뮬레이션을 실행하여 **입자(particles)**라고 불리는 '만약에' 시나리오의 구름을 만듭니다. 반짝이 가루 한 줌을 공중에 던진다고 상상해 보세요. 그 반짝이 가루는 로봇이 도달할 수 있는 모든 가능한 장소를 나타냅니다. 문제는, 그 반짝이 주변에 너무 보수적이지도 않으면서(너무 좁게 잡지 않으면서), 동시에 안전하도록(실제 가능성을 놓치지 않도록) 경계선을 어떻게 그리느냐 하는 것입니다.

CaPTURe는 로봇의 세계가 **층화(stratified)**되어 있다는 점을 깨달음으로써 이 문제를 해결합니다. 이는 '층이 나누어져 있다'는 뜻의 멋진 표현입니다.

레이어 1: 자유 공간 (로봇이 공중을 날아다니는 상태)
레이어 2: 벽을 따라 미끄러짐 (로봇이 선 위에 제약되어 있는 상태)
레이어 3: 구석에 끼임 (로봇이 단일 지점에 갇힌 상태)

기존 방식들은 이러한 레이어들을 무시한 채, 반짝이 주변에 하나의 커다란 둥근 거품을 그리려 했습니다. 이는 안전 거품이 '벽 내부'와 같은 불가능한 장소까지 포함하게 만들어, 로봇을 지나치게 조심스럽게 만들거나, 혹은 더 심하게는 위험할 정도로 낙관적으로 만들었습니다. 그러나 CaPTURe는 각 레이어마다 별도의 맞춤형 안전망을 구축합니다. CaPTURe는 다음과 같이 질문합니다. "만약 로봇이 벽을 따라 미끄러진다면, 안전망의 모양은 어떠해야 하는가? 만약 자유 공간에 있다면, 그 모양은 어떠해야 하는가?"

이 네트워크들이 실제로 안전한지 확인하기 위해, 저자들은 **컨포멀 예측(Conformal Prediction)**이라는 수학적 기법을 사용합니다. 당신이 학생의 시험 성적을 매기는 선생님이라고 상상해 보세요. 당신은 단순히 학생이 받을 점수를 추측하는 것이 아니라, 연습 시험(교정 데이터셋)에서 학생이 어떻게 수행했는지를 보고 공정한 합격선을 정합니다. CaPTURe는 로봇을 위해 이 작업을 수행합니다. 로봇은 과거의 움직임 데이터를 살펴보고, 각 특정 상황에서 로봇에게 어느 정도의 '여유 공간'을 주어야 할지 정확히 파악합니다. 이를 통해, 물리 법칙이 아무리 무질서하더라도 안전 수준을 90%로 설정하면 로봇이 실제로 90%의 확률로 자신의 안전망 안에 있게 된다는 것을 보장합니다.

실험: 구슬과 못

연구팀은 CaPTURe가 기존 방식보다 실제로 더 잘 작동하는지 확인하기 위해 두 가지 매우 다르고 도전적인 시뮬레이션에서 테스트를 진행했습니다.

1. 구슬 미로 (The Marble Labyrinth)
그들은 기울어진 판을 제어하여 구슬을 구덩이가 있는 미로를 통과하게 하는 로봇을 시뮬레이션했습니다. 구슬은 벽을 따라 미끄러지며 좁은 코너를 통과해야 합니다.

도전 과제: 로봇이 구슬의 속도를 잘못 판단하면 구덩이에 빠질 수 있습니다. 불확실성은 구슬이 열린 공간에 있는지 아니면 벽에 기대어 미끄러지고 있는지에 따라 급격하게 변합니다.
결과: CaPTURe는 가장 어려운 구간에서 90%의 성공률을 기록하며 미로를 성공적으로 통과했고, 이는 다른 방법들을 크게 앞질렀습니다. 다른 방법들은 너무 보수적이어서(안전 거품이 너무 커서 움직이기를 거부함) 움직이지 못하거나, 혹은 너무 낙관적이어서(벽을 고려하지 않은 거품 때문에 구덩이에 빠짐) 실패했습니다. 벽과의 접촉에 따라 안전망의 모양을 바꾸는 CaPTURe의 능력 덕분에, 로봇은 안전한 곳에서는 과감하게 행동하고 위험한 곳에서는 주의를 기울일 수 있었습니다.

2. 못 끼우기 작업 (The Peg-in-Hole Task)
그들은 또한 아주 좁은 공차(못은 7.986mm, 구멍은 9.000mm)를 가진 구멍에 둥근 못을 삽입하려는 로봇 팔을 테스트했습니다.

도전 과제: 이것은 전형적인 조립 작업입니다. 로봇이 조금이라도 어긋나면 못이 끼거나 걸려버립니다. 여기서의 불확실성은 '차원이 변하는(trans-dimensional)' 특성을 가집니다. 즉, 못이 3D 공간에 떠 있을 수도 있고, 구멍 가장자리에 닿아 있거나(2D), 혹은 모서리에 닿아 있을(1D) 수도 있습니다.
결과: 이 시뮬레이션에서 CaPTURe는 78%의 성공률을 달성했는데, 이는 그다음으로 좋은 방법(48% 달성)보다 훨씬 높은 수치였습니다. 다른 방법들은 못이 구멍에 닿았을 때 발생하는 갑작스러운 움직임의 변화를 처리하지 못해 어려움을 겪었습니다. 접촉을 인지하는 CaPTURe의 '접촉 인식형' 안전망은 로봇이 접촉을 느끼는 즉시 전략을 조정할 수 있게 하여, 더 부드럽고 성공적인 삽입을 이끌어냈습니다.

이것이 의미하는 바

이 논문은 로봇이 무언가를 만지고 있을 때와 공중을 날아다닐 때의 움직임이 다르다는 점을 인정함으로써, 로봇을 훨씬 더 안전하고 효율적으로 만들 수 있다는 점을 시사합니다. 저자들은 이를 위해 완벽한 모델이 필요한 것이 아니라, 과거의 데이터를 바탕으로 자신의 추측을 교정하는 좋은 방법이 필요하다는 것을 보여주었습니다.

이러한 결과는 시뮬레이션 결과이며 아직 실제 공장의 로봇에 테스트된 것은 아니지만, 수학적으로 이 방법이 작동함을 증명합니다. 저자들은 자신들의 접근 방식이 특히 '모델 불일치' 상황, 즉 로봇의 내부 물리 모델이 약간 틀린 상황을 처리하는 데 탁격하다고 밝혔습니다. 맞춤형 레이어별 안전망을 사용함으로써, CaPTURe는 로봇이 복잡하고 접촉이 잦은 현실 세계를 이전에는 도달할 수 없었던 수준의 확신을 가지고 항해할 수 있도록 돕습니다. 이는 로봇이 단순히 자신이 어디로 가고 있는지 추측하는 것을 넘어, 자신의 불확실성의 형태를 진정으로 이해하게 만드는 단계입니다.

기술 요약: 계층적 구성 공간에서의 접촉 인지 불확실성 보정을 위한 입자 기반 공형 예측

문제 정의

접촉이 빈번한 환경(예: 복잡한 장애물 사이의 항법, 조립 작업)에 자율 로봇을 배치하려면, 상호작용 양상(interaction regimes)에 따라 불확실성이 어떻게 진화하는지 추론할 수 있어야 합니다. 상태 및 행동 불확실성은 로봇이 자유 공간 운동에서 장애물과의 접촉으로 전환될 때 급격하게 변할 수 있습니다. 이러한 전이는 종종 다봉형(multimodal), 불연속적, 그리고 차원이 변하는(trans-dimensional) 불확실성 분포를 유도하며, 여기서 미래의 구성(configuration)은 전체 구성 공간(C-space)에 비해 낮은 고유 차원을 가진 매니폴드(예: 벽을 따라 미끄러지는 동작) 위에 놓일 수 있습니다.

가우시안 분포와 같은 표준 불확실성 표현 방식은 이러한 복잡한 접촉 후 역학을 포착하는 데 실패하는 경우가 많습니다. 또한, 해석적 또는 학습된 운동 모델은 모델 불일치, 데이터 제한, 또는 모델링되지 않은 물리적 효과(예: 정지 마찰력, 마찰력)로 인해 정확도가 떨어지는 경우가 빈번합니다. 이러한 부정확성은 안전하지 않은 실행이나 작업 실패로 이어질 수 있습니다. Conformal Prediction(CP)은 분포 무관(distribution-free) 확률 보장을 제공하지만, 기존의 로봇 애플리케이션은 특정 접촉 양상에 적응하지 못하거나 C-space의 기하학적 제약을 준수하지 못하는 전역적 불확실성 경계를 제공하는 경우가 많으며, 이는 물리적으로 불가능한 구성을 포함하는 예측 영역을 생성할 위험이 있습니다.

본 연구가 다루는 핵심 과제는 다음과 같은 특성을 갖는 확률적으로 유효한 예측 영역을 구축하는 것입니다:

로봇의 상태, 행동 및 접촉 모드(stratum)에 적응함.
C-space의 계층적 구조를 준수함(불가능한 영역을 피함).
상당한 모델 불일치와 알레아토리 불확실성(aleatoric uncertainty)에도 불구하고 유한 표본 커버리지 보장을 제공함.

방법론: CaPTURe

저자들은 입자 기반 역학 예측과 Mondrian Conformal Prediction을 결합한 기하학 인지 알고리즘인 **Calibrated Particle-sets for Trans-dimensional Uncertainty Representation (CaPTURe)**를 제안합니다.

1. 계층적 구성 공간 (Stratified Configuration Space)

이 방법은 가능한 C-space( $C_{feas}$ )를 서로 다른 고유 차원을 가진 매끄러운 부분 다양체(strata) $S_m$ 의 서로 소인 합집합(예: 2D 자유 공간, 1D 엣지 접촉, 0D 코너 접촉)으로 모델링합니다. 알려진 인덱서 함수 $T$ 는 임의의 구성을 해당 stratum 인덱스로 매핑합니다.

2. 입자 기반 예측 모델 (Particle-Based Predictive Model)

CaPTURe는 임의의 충실도(fidelity)를 가진 근사 역학 모델 $\hat{f}$ 를 사용하여, 현재의 상태-행동 쌍이 주어졌을 때 다음 구성의 조건부 분포를 나타내는 $L$ 개의 예측 입자 $\hat{Y}_i$ 세트를 생성합니다. 이러한 입자 기반 접근 방식은 자연스럽게 다봉성을 포착하며 불확실성이 저차원 매니폴드로 수렴하도록 허용합니다.

3. Mondrian Conformal Calibration

적응형 접촉 인지 보장을 달erd기 위해, 이 방법은 Mondrian Conformal Prediction을 확장합니다:

그룹화 (Grouping): 예시들을 현재의 상태-행동 쌍과 미래의 stratum 인덱스 $T(Y)$ 를 기준으로 그룹으로 나눕니다. 이 그룹화 함수 $g(X, T(Y))$ 는 비정규성 점수(nonconformity scores)의 분산을 최소화하도록 훈련된 회귀 결정 트리(DTree)를 사용하여 학습됩니다.
비정규성 점수 (Nonconformity Score): 점수 $r$ 은 실제 다음 구성 $Y_i$ 와 예측된 입자 $\hat{Y}_i$ 중 $k$ -최근접 이웃(kNN) 사이의 거리로 정의됩니다. 이 점수는 국소적인 입자 밀도의 대리 지표 역할을 합니다.
임계값 설정 (Thresholding): 각 그룹 $j$ (DTree의 리프 노드)에 대해, 홀드아웃(holdout) 하위 집합을 사용하여 독립적인 공형 임계값 $\hat{q}_j$ 를 계산합니다. 이는 각 stratum 및 상태-행동 양상 내에서 조건부 커버리지 보장이 유지되도록 보장합니다.

4. 예측 영역 구축 (Prediction Region Construction)

온라인 계획(예: 모델 예측 제어, MPC) 중에 주어진 상태-행동 쌍에 대해 알고리즘은 다음을 수행합니다:

DTree를 쿼리하여 각 후보 미래 stratum에 대한 그룹을 식별합니다.
비정규성 점수가 그룹별 임계값 $\hat{q}_j$ 미만인 구성을 포함하는 각 stratum 내의 예측 영역 $\hat{C}^{(m)}$ 을 구축합니다.
이들 per-stratum 영역의 합집합을 최종 예측 집합 $\hat{C}$ 로 반환합니다.

이러한 구축 방식은 탐색 범위를 유효한 strata로 제한함으로써 오직 가능한 구성만을 포함하는 예측 영역을 보장하며, 그룹 조건부 커버리지 보장을 만족합니다.

주요 기여

알고리즘: 에피스테믹(epistemic) 및 알레아토리 불확실성에도 불구하고 사용자가 지정한 확률 이상으로 미지의 미래 구성을 포함하도록 보장되는, 접촉 인지형 1단계(one-step) 전차원(trans-dimensional) 예측 영역 구축 알고리즘을 제공합니다.
이론적 보장: 임의의 충실도를 가진 근사 역학 모델과 유한한 교정 집합을 사용하여 stratum 인식 그룹 조건부 보장에 대한 증명 및 수치적 검증을 제공합니다. 이 방법은 예측 영역이 불가능한 C-space 영역으로 확장되지 않음을 보장합니다.
실험적 검증: 불확실성이 큰 접촉 풍부 모션 플래닝에서 본 접근 방식의 유용성을 입증하기 위해 두 가지 별개의 작업에 대한 시뮬레이션 실험을 수행했습니다.

실험 결과

저자들은 CaPTURe를 네 가지 베이스라인, 즉 미교정 입자 플래너(ParticleNoCP), 가우시안 가정을 사용하는 로컬 CP(LUCCa), 표준 확률적 공형 예측(PCP), 그리고 stratum 레이블링이 없는 CaPTURe의 절제 연구(ablation) 모델과 비교 평가했습니다.

작업 1: 마블 라비린스 제어 (Marble Labyrinth Control)

설정: 좁은 간격과 구덩이가 있는 2D 미로 내의 구슬 제어.
결과:
- CaPTURe는 모든 strata(Free Space, Edge, Corner)에서 사용자가 지정한 90% 커버리지 요구 사항을 달성했습니다.
- LUCCa 및 PCP와 같은 베이스라인은 자유 공간에서 심각한 미달(undercover) 현상을 보였으나(각각 83.4% 및 76.4%), 저차원 strata에서는 과도하게 보수적이었습니다.
- CaPTURe는 "Center" 섹션에서 90%의 작업 성공률을 기록하여 ParticleNoCP(53%)와 PCP(3%)를 크게 앞질렀습니다.
- 이 방법은 가우시안 기반 베이스라인에 비해 더 조밀하고 부피 효율적인 예측 영역을 생성했습니다.

작업 2: 정밀한 핀-인-홀 삽입 (Tight-Tolerance Peg-in-Hole Insertion)

설정: 확률적 교란 및 모델 불일치(곱셈 노이즈)가 존재하는 낮은 공차의 구멍에 7-DoF 매니퓰레이터를 삽로 삽입.
결과:
- CaPTURe는 집합적 상호작용에 대해 90.4%의 경험적 커버리지를 달성했으며, Free Space, Point Contact, Edge Contact 양상 모두에서 충분한 커버리지를 확보했습니다.
- 베이스라인(LUCCa, PCP)은 Free Space에서 약 83~84%의 미달 커버리지를 보였습니다.
- 플래닝 과정에서 CaPTuRe는 78%의 성공률을 달성하여, PCP 및 LUCCa(각각 48%)와 미교정 베이스라인(14%)보다 우수한 성능을 보였습니다.
- 또한, 완료까지의 평균 단계 수를 줄였습니다(베이스라인 39.9단계 대비 28.7단계).

의의 및 주장

본 논문은 CaPTURe가 비가우시안 및 전차원적 불확실성이 존재하는 접촉 풍부 환경에서 안전하고 효율적인 모션 플래닝을 위한 실용적인 프레임워크를 제공한다고 주장합니다. 접촉의 계층적 구조를 명시적으로 모델링하고 입자 기반 공형 예측을 사용함으로써, 이 방법은 지역적 접촉 양상에 적응하는 실행 가능한 예측 영역을 생성합니다.

저자들은 비록 이론적 보장이 엄격하게 **단일 단계(single-step)**에 국한되지만, 이를 모델 예측 제어(MPC) 프레임워크 내에서 재귀적으로 적용함으로써 폐루프 작업 성공률과 효율성을 크게 향상시킬 수 있음을 강조합니다. 이 연구는 로봇 운동의 불확실성을 상태, 행동 및 구성 stratum에 의존하는 것으로 취급하는 것이 정확한 불측량(uncertainty quantification)을 위해 필수적임을 보여주며, 이를 통해 기존의 전역적 또는 파라메트릭 접근 방식에서 관찰되는 과도한 보수성이나 안전하지 않은 미달 커버리지를 방지할 수 있음을 입증합니다.

결론적으로, 로봇 운동의 불확실성을 상태, 행동 및 구성 stratum에 종속적인 것으로 처리하는 것은 복잡하고 실제적인 환경에서 작동하는 신뢰할 수 있는 자율 시스템에 필수적인 정보가 풍부한 전차원적 불확실성 표현을 가능하게 합니다.