NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility

기술 요약: NeSAM – 오프로드 모빌리티를 위한 토양 적응형 뉴로-심볼릭 키노다이내믹스 (Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility)

문제 정의
변형 가능한 지형 위에서 오프로드 차량의 움직임을 정확하게 예측하는 것은 침하(sinkage), 슬립(slip), 트랙션(traction) 등 국부적인 토양 조건에 따라 변화하는 복잡한 상호작용으로 인해 매우 어렵습니다. 기존의 평면 운동학 모델은 압력 의존적 침하와 전단 변형을 고려하지 못하여, 예측된 움직임과 실제 구현된 움직임 사이에 불일치를 초래합니다. 고전적인 테라메카닉스(terramechanics) 모델(예: Bekker-Wong)은 물리적 해석력을 제공하지만, 서스펜션 컴플라이언스나 타이어 변형과 같은 차량 특유의 효과를 포착하지 못할 수 있는 규정된 구성 관계에 의존하며, 토양 파라미터는 추정하기 어렵고 이질적인 지형에 따라 변합니다. 반대로, 순수 학습 기반의 키노다이내믹 모델은 복잡한 비선형성을 포착할 수 있지만, 지형을 강체로 취급하고 토양 역학에 대한 명시적 표현이 부족하며, 온라인 적응이 어려워 물리적 해석력이 제한적입니다.

방법론
저자들은 미분 가능한 테라메카닉스와 학습된 지형 표현, 그리고 트랜스포머(Transformer) 기반의 잔차 역학(residual dynamics) 모델을 통합한 NeSAM(Neuro-Symbolic Soil Adaptive Mobility) 프레임워크를 제안합니다. 이 시스템은 다음 구성 요소들을 통해 작동합니다:

1. 뉴로-심볼릭 아키텍처:

   • 입력: 모델은 차량 상태($x_t$), 제어 입력($u_t$), 그리고 고도 패치($m^e_t$)와 시맨틱 패치($m^s_t$)로 구성된 국부 지형 관측값($m_t$)을 입력으로 받습니다.
   • 지형 인코딩: 별도의 U-Net 오토인코더가 고도 및 시맨틱 데이터를 처리하여 잠재 표현(latent representations)을 생성합니다. 시맨틱 토양 사전 정보 헤드($h_\theta$)는 시맨틱 특징을 명목상 토양 파라미터($\bar{\theta}_t$)로 매핑합니다.
   • 트랜스포머 인코더: 인과적(causal) 트랜스포머는 과거 상태, 제어, 지형 컨텍스트를 결합한 상호작용 토큰의 시퀀스를 처리하여 시간적 의존성을 포착합니다.
   • 이중 헤드 예측:
     • 침하 헤드(Sinkage Head): 상호작용 이력을 바탕으로 휠 침하량($\hat{s}_t$)을 예측하여, 테라메카닉스 모델에 필요한 변형 변수를 제공합니다.
     • 상태-잔차 헤드(State-Residual Head): 시스템적 오류(예: 서스펜션 역학, 하중 이동)를 설명하기 위해 섀시 수준의 보정값($\Delta x^{res}_t$)을 예측합니다.
   • 미분 가능한 테라메카닉스: 예측된 침하량, 휠 각속도, 현재 토양 추정치를 사용하여 미분 가능한 Bekker-Wong 모델을 인스턴스화하고 휠-지면 접촉력($f^{BW}_{i,t}$)을 계산합니다.
   • Newton-Euler 전파: 이러한 힘들을 집계하고 Newton-Euler 방정식을 통해 전파하여 물리 기반 상태 증분($\Delta x^{NE}_t$)을 생성합니다.
   • 최종 예측: 다음 상태는 $\hat{x}_{t+1} = x_t + \Delta x^{NE}_t + \Delta x^{res}_t$로 계산됩니다.

2. 온라인 토양 적응:

   • 배포 중에는 학습된 신경망 구성 요소들이 고정된 상태로 유지됩니다.
   • 확장 칼만 필터(EKF)가 토양 파라미터($\theta$)를 온라인으로 업데이트합니다.
   • EKF는 관측된 차량 속도와 예측된 속도 사이의 버퍼를 사용하여 토양 보정값($\Delta \theta$)을 정밀하게 조정함으로써, 명목상 토양 사전 정보와 실제 지형 간의 불일치에 적응할 수 있도록 합니다.

주요 기여

• 뉴로-심볼릭 프레임워크: 장기적인 6자유도(6-DoF) 운동 예측을 위해 미분 가능한 Bekker-Wong 테라메카닉스, 학습된 지형 표현, 트랜스포머 기반 잔차 역학을 통합한 새로운 아키텍처를 제시합니다.
• 온라인 적응: 예측된 움직임과 측정된 움직임 사이의 차이를 사용하여 물리적으로 해석 가능한 테라메카닉스 파라미터를 업데이트하는 EKF 기반 방법을 통해, 신경망을 재학습하지 않고도 이질적인 토양에 적응할 수 있게 합니다.
• 포괄적 평가: Chrono 기반 Verti-Bench 시뮬레이터와 실제 물리 플랫폼인 Verti-4-Wheeler에서 검증을 수행하여, 최신 학습 기반 베이스라인보다 개선된 성능을 입증하였으며, 잔차 브랜치와 침하 예측의 필요성을 확인하는 어블레이션 연구(ablation studies)를 진행했습니다.

실험 결과
본 논문은 NeSAM을 순수 엔드 투 엔드(end-to-end) 트랜스포머 예측 모델 및 Terrain-Attentive Learning (TAL) 변형 모델들과 비교 평가했습니다:

• 시뮬레이션 (Verti-Bench): NeSAM은 가장 강력한 베이스라인 대비 예측 오차를 최대 30% 감소시켰습니다. 구체적으로 x, y, z 오차를 각각 0.80m, 0.78m, 0.06m로, yaw 오차를 4.18°로 줄였습니다.
• 물리 실험 (Verti-Arena): NeSAM은 실제 데이터에서 베이스라인 대비 예측 정확도를 29% 향상시켰으며, 트랜스포머 베이스라인과 비교했을 때 x, y, z 오차를 각각 17.1%, 15.7%, 36.8% 감소시켰습니다.
• 폐루프 제어 (Closed-Loop Control): 분포 외(OOD) 토양 조건에서 MPPI(Model Predictive Path Integral) 컨트롤러와 통합되었을 때:
  • 시뮬레이션: 온라인 토양 적응을 통해 경로 완수율이 0/5에서 4/5로 증가하였고, 참조 궤적에 대한 Hausdorff 거리가 69.4% 감소했습니다.
  • 물리: 완수율이 1/5에서 3/5로 개선되었으며, 평균 절대 롤(roll) 및 피치(pitch) 오차가 각각 21.2%, 23.0% 감소했습니다.

의의 및 주장
저자들은 NeSAM이 토양 역학을 명시적으로 모델링하면서도 데이터 기반 학습의 유연성을 유지함으로써 기존 방법의 한계를 해결한다고 주장합니다. 그 의의는 다음과 같습니다:

1. 강체 표면 모델이 놓치는 변형 가능한 지형 효과(침하, 전단)를 고려하여 물리적으로 해석 가능한 예측을 제공합니다.
2. 토양 파라미터의 온라인 적응을 가능하게 하여, 실제 토양 특성이 시맨틱 사전 정보와 다르더라도(OOD 조건) 차량이 정확한 궤적 추적을 유지할 수 있도록 합니다.
3. 시뮬레이션과 실제 시나리오 모두에서 우수한 장기 예측 정확도를 달eric하여, 오프로드 모빌리티를 위한 보다 신뢰할 수 있는 예측 계획을 용이하게 합니다.

본 논문은 프레임워크가 휠-지면 상호작용을 Bekker-Wong 정식화로 충분히 표현할 수 있다고 가정한다는 한계를 인정합니다. 파라미터는 적응 가능하지만, 근본적인 구성 관계 자체를 수정할 수는 없으므로, 이러한 가정을 크게 벗어나는 지형에서는 성능이 제한될 수 있습니다. 향-후 연구에서는 더 풍부한 미분 가능한 지형 모델을 탐구할 것을 제안합니다.