⚡ electrical engineering

Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments

본 논문은 시뮬레이션과 하드웨어 실험 모두에서 97% 이상의 위험 감소를 달상하기 위해 조건부 가치 위험(CVaR)을 활용하는 샘플링 기반 AO-RRT 플래너와 순차적 볼록 최적화를 결합하여, 불확실한 행성 환경에서의 위험 인지형 운동학적 모션 계획을 위한 2단계 프레임워크를 제시한다.

원저자: Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

게시일 2026-08-12

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

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 안개가 자욱한 울창한 숲을 걷는 법을 가르치고 있다고 상상해 보십시오. 로봇은 지도를 가지고 있지만, 그 지도는 완벽하지 않습니다. 나무는 지도에 그려진 것보다 약간 더 높거나 낮을 수 있고, 지면은 미끄럽거나 숨겨진 바위가 있을 수 있습니다. 만약 로봇이 지도를 맹목적으로 따른다면, 발이 걸려 넘어지거나 예상치 못한 나무에 충돌할 수도 있습니다. 이것이 로봇 공학의 큰 과제인 '불확실성 하에서의 경로 계획(motion planning under uncertainty)'의 핵심입니다. 즉, 세상이 어떻게 생겼는지 혹은 로봇이 어떻게 반응할지 100% 확신할 수 없을 때 어떻게 경로를 계획하느냐의 문제입니다. 이는 단순히 최단 경로를 찾는 것이 아닙니다. 무언가 잘못될 수 있다는 사실을 고려하여 가장 '안전한' 경로를 찾는 것에 관한 것입니다. 만약 로봇이 화성을 탐사하고 있다면, 충돌은 수백만 달러 규모의 임무가 끝남을 의미하기 때문에 추측만으로는 부족합니다. 단순히 거리만을 계산하는 것이 아니라 위험을 계산하는 방법이 필요합니다.

이 논문은 화성이나 달의 먼지투성이, 바위투성이 지형과 같은 행성 표면을 탐사하는 로봇을 위한 바로 그 문제를 다룹니다. 조지아 공과대학교(Georgia Institute of Technology)의 연구진은 로봇이 지형이나 자신의 움직임에 대해 확신이 없을 때도 안전하게 항해할 수 있도록 돕는 두 단계의 '두뇌'를 개발했습니다.

첫 번째로, 로봇은 AO-RRT(Asymptotically Optimal Rapidly Exploring Random Trees)라고 불리는 방법을 사용합니다. 이것을 로봇이 숲 사이로 가능한 많은 경로를 빠르게 스케치하는 것으로 생각하십시오. 마치 등산객이 지도에 다트를 던져 어디에 떨어지는지 확인하는 것과 같습니다. 하지만 여기에는 반전이 있습니다. 단순히 최단 경로를 고르는 대신, 이 로봇는 모든 단계에 대해 '위험 점수'를 계산합니다. 로봇은 "만약 지면이 미끄럽다면, 이곳으로 갔을 때 바위에 부딪힐 확률은 얼마나 될까?"라고 묻습니다. 이 로봇은 최악의 시나리오에 집중하기 위해 **조건부 가치 위험(Conditional Value-at-Risk, CVaR)**이라는 수학적 도구를 사용합니다. 어떤 경로가 평균적으로는 좋아 보이지만 치명적인 충돌이 발생할 아주 작은 가능성이라도 있다면, 이 도구는 해당 경로를 위험하다고 표시합니다.

로봇이 대략적인 안전 경로를 스케치하고 나면, 두 번째 단계인 **순차적 볼록 최적화(Sequential Convex Programming, SCP)**로 넘어갑니다. 첫 번째 스케치가 떨리는 손으로 그린 그림이라면, 안전하긴 하지만 다소 거칠거나 울퉁불퉁할 수 있습니다. SCP는 그 거친 그림을 다듬어주는 매끄럽고 안정적인 손의 역할을 합니다. SCP는 그 거친 경로를 가져와서 움직임을 더 부드럽고 효율적으로 만들면서도 안전 보장 기능을 그대로 유지하며 다듬습니다. 이는 로봇이 단순히 회전을 할 수 있는 것처럼 '보이는' 것뿐만 아니라, 실제로 미끄러지거나 충돌하지 않고 회전을 '할 수 있는지'를 확인하기 위해 복잡한 수학 퍼즐을 해결하는 과정입니다.

연구진은 컴퓨터 시뮬레이션과 실험실 내의 암석이 많은 불확실한 환경을 모사한 실제 로봇인 '레오 로버(Leo rover)'라는 두 가지 방식으로 이 시스템을 테스트했습니다. 결과는 놀라웠습니다. 로봇이 위험을 고려하지 않고 경로를 계획하도록 두었을 때, 로봇은 효율적으로 보이는 경로를 선택했지만 결합 충돌 위험(joint collision risk)이 0.94에 달했습니다. 이 높은 위험 점수는 로봇이 장애물과 충돌할 가능성이 거의 확실함을 나타내며, 이는 임무 실패로 이어질 가능성이 높음을 의미합니다. 그러나 위험을 인지하는 방식을 사용했을 때, 로봇은 충돌 위험을 단 6 × 10⁻³(0.006의 아주 작은 확률)로 줄이는 경로를 찾아냈습니다. 더욱 인상적인 것은, 위험을 인지하는 계획법이 에너지 비용(제어 비용)을 거의 동일하게 유지하면서도 전체 위험을 위험한 경로 대비 97% 이상 감소시켰다는 점입니다.

실제 하드웨어 테스트에서도 로봇은 바퀴가 미끄러지는 상황에서도 입자감이 있는 모래 지형에서 이러한 안전한 경로를 성공적으로 추적했습니다. 미끄러운 지면의 불확실성에도 불구하고, 로봇은 평균 오차 단 6cm 내로 경로를 유지했습니다. 이 논문은 로봇에게 최악의 시나리오를 조금 더 두려워하도록 가르침으로써, 우리가 미지의 세계를 통과할 때 충돌 없이 안내할 수 있으며, 이를 통해 우주 탐사를 훨씬 더 안전하고 성공 가능성 높게 만들 수 있음을 보여줍니다.

기술 요약: 불확실성 하에서의 행성 환경 안전 항행을 위한 리스크 인식 기동학적 경로 계획

문제 정의

자율 우주 탐사에는 로봇 에이전트가 상호작용이 종종 미지의 상태인 환경에서 경로 계획을 수행하는 과정이 필요합니다. 구체적으로, 지형 역학(예: 바퀴형 로봇을 위한) 학습은 위험한 동작 계획, 해로운 운용 또는 임무 실패로 이어질 수 있는 불확실성을 초래할 수 있습니다. 또한, 인지 기반 시스템으로부터 발생하는 불확실성은 안전한 항행의 난이도를 가중시킵니다. 작동 저하, 모델링되지 않은 지형 역학 및 센서 노이즈를 고려하지 못하는 기존의 플래너들은 치명적인 임무 실패의 위험이 있습니다. 기존 연구들이 리스크를 인식하는 기하학적 궤적을 다루거나 리스크 중립적인 제어기를 사용한 리스크 제약형 제어기를 사용해 온 반면, 본 논문은 리스크 인식 초기 궤적을 생성하기 위해 학습된 역학 모델 자체의 불확실성을 정량화할 필요성을 다룹니다.

방법론

제안된 접근 방식은 2단계 프레임워크를 통해 리스크 인식을 포함하는 비용 최적화 기동학적 경로 계획을 수행합니다.

1. 불확실성 정량화 및 모델링

역학 모델: 시스템은 모델링되지 않은 역학 잔차 $d(x, u)$ 를 가진 1차 속도 제어 로봇으로 모델링됩니다. 이 잔차는 립시츠 연속(Lipschitz-continuous) 신경망을 사용하여 근사화됩니다.
Conformal Prediction (컨포멀 예측): 신경망 출력의 불확실성을 정량화하기 위해 컨포멀 예측이 사용됩니다. 선형 및 각가속도 오차에 대해 95% 신뢰 수준에서 신뢰 집합 $M$ 을 구축하기 위해, 예측된 잔차 역학(residual dynamics)과 실제 값(모션 캡처를 통해 측정됨) 사이의 오차를 계산합니다.
리스크 필드 구축: 불확실한 장애물에 대한 근접성은 리스크 필드로 모델링됩니다. 경계 불확실도 스케일 $\sigma_i$ 를 가진 각 장애물 $i$ 에 대해, 부호 있는 거리 $d_i(x)$ 를 기반으로 리스크 점수 $r_i(x)$ 가 계산됩니다. 이들은 $[0, 1]$ 범위 내로 제한되는 단일 RiskMap으로 융합됩니다.
리스크 확장 SDF (Risk-Inflated SDF): 장애물의 부호 있는 거리 함수(Signed Distance Field, SDF)를 조건부 가치 위험(Conditional Value-at-Risk, CVaR) 마진만큼 바깥쪽으로 확장하여 소프트 리스크 페널티를 적용하며, 이는 제약 경계 역할을 하는 "RiskSDF"를 생성합니다.

2. 2단계 계획 프레임워크

단계 A: 리스크 인식 AO-RRT (초기 궤적 생성)

AO-RRT(Asymptotically Optimal Rapidly Exploring Random Tree) 알고리즘이 동역학적으로 실행 가능한 궤적을 생성합니다.
폐루프 리스크 계산: 표준 플래너와 달리, 트리의 에지(edge)는 불확실성 집합 $M$ 으로부터 발생하는 교란을 시뮬레이션하기 위해 일정 시간 지평(horizon) 동안 폐루프 내에서 오픈 루프 참조를 추적함으로써 평가됩니다.
비용 함수: 에지 비용은 엔셈블(ensemble) 교란 시나리오 전반에 걸친 소프트 충돌 제약 위반의 CVaR을 포함합니다. 이를 통해 초기 궤적이 역학 및 장애물 위치 불확실성을 한 번에 고려하도록 보장하며, 시간 일관적인 리스크 측도를 제공합니다.

단계 B: 순차적 볼록 최적화(Sequential Convex Programming, SCP) 정밀화

AO-RRT 궤적은 SCP를 위한 초기 솔루션 역할을 합니다.
최적화: 비선형 문제를 국소적으로 볼록하게 구성합니다. 목적 함수는 터미널 오차, 결함 슬랙(defect slacks), SDF 버퍼 위반에 대한 페널티와 함께 제어 노력 및 CVaR(Rockafellar-Uryasev 에피그래프 정식화 사용)을 공동으로 최소화합니다.
제약 조건: 문제는 역학, 상태/제어 경계, 그리고 실제 SDF에 대한 안전 여유 공간에 대한 아핀(affine) 제약 조건을 포함합니다. 리스크 맵의 기울기는 autodiff(JAX)를 통해 정확하게 계산됩니다.
솔버: 볼록 하위 문제는 수렴할 때까지 CLARABEL 솔버를 사용하여 반복적으로 해결되며, 이를 통해 부드러움과 리스크 감소를 최적화하는 동시에 비선형 역학을 따르는 것을 보장합니다.

주요 기여

불확실성 정량화: 컨포멀 예측을 사용하여 학습 기반 역학 모델의 불확실성을 정량화합니다.
리스크 인식 AO-RRT: 리스크 인식 초기 궤적을 생성하여 고위험 영역을 본질적으로 회피하도록 CVa(폐루프 리스크 계산)를 비용 함수로 사용하는 AO-RRT를 정식화합니다.
결합 최적화: 비선형 경로 계획 문제를 AO-RRT가 제공하는 호모토피(homotopy) 내에서 CVa와 제어 비용을 공동으로 최소화하는 국소 볼록 최적화로 구성하여 동역학적 실행 가능성을 보장합니다.

실험 결과

본 접근 방식은 입자형 지형을 주행하는 ZED 2i 스테레오 카메라와 Jetson Orin AGX를 장착한 Leo 로버를 통해 시뮬레이션 및 하드웨어 실험을 통해 검증되었습니다.

시뮬레이션 비교:
- 리스크 인식 비용 미사용 시: AO-RRT는 제어 비용을 최소화하지만 고위험 지역 사이를 직접 통과하는 궤적을 계획하여, 결합 충돌 리스크가 0.94에 달했습니다. SCP 정밀화는 이를 0.29로 줄였으나, 궤적은 여전히 고위험 호모토피 내에 머물렀습니다.
- 리스크 인식 비용 사용 시: AO-RRT는 저불확실성 장애물 근처에서 초기 궤적을 생성했습니다. 이후 SCP 정밀화를 통해 제어 비용 18.4 단위와 함께 결합 충돌 리스크 $6 \times 10^{-3}$ 을 달성했습니다.
- 리스크 감소: 리스크 인식 접근 방식은 궤적 전반에 걸쳐 리스크-중립 방식에 비해 ~97% 이상의 리스크 감소를 보여주었습니다.
하드웨어 성능:
- 지형으로 인한 바퀴 슬립에도 불구하고, 슬립 조정 피드포워드 속도를 사용하는 수축 기반 제어기는 계획된 궤적을 6 cm의 RMS 오차 내에서 추적했습니다.
- 시스템은 포인트 클라우드로부터 리스크 맵을 성공적으로 구축하고 장애물이 많은 환경에서 동역학적으로 실행 가능한 궤적을 실행했습니다.

의의 및 주장

저자들은 본 연구가 행성 및 달 로보틱스 애플리케이션을 위한 더 안전하고 리스크를 인식하는 경로 계획 솔루션을 제공하며, 이는 임무 성공에 매우 중요하다고 주장합니다. 모델링되지 않은 역학 및 인지 불확실성으로 인한 임무 결정적 실패 또는 위험한 운용의 확률을 줄이기 위해 불확실성 정량화를 기동학적 계획 루프에 직접 통합함으로써 이 방법은 이를 실현합니다. 논문은 SCP만으로는 궤적을 정밀화할 수는 있지만 고위험 호모토피를 벗어날 수는 없으며, 따라서 리스크 인식 AO-RRT가 제공하는 리스크 인식 초기화가 보고된 97%의 리스크 감소를 달성하는 데 필수적임을 강조합니다. 구체적으로, 리스크 인식 AO-RPT 단계만으로도 리스크-중립 방식에 비해 **97% 적은 리스크**를 가진 초기 궤적 솔루션을 생성하는 반면, 리스크-중립 AO-RRT 이후의 SCP 정밀화는 결합 충돌 리스크를 ~69%(0.94에서 0.29로)만 감소시킬 뿐 고위험 지역을 벗어나는 데 실패한다는 점을 명시하고 있습니다.