One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

포장된 도로가 아닌, 북부의 가공되지 않은 변화무쌍한 황야를 뚫고 스스로 주행하도록 설계된 로봇을 상상해 보십시오. 이 기계들이 작동하려면 매 초마다 자신이 어디에 있는지 알아야 합니다. 보통은 스마트폰이 커피숍을 찾기 위해 GPS를 사용하는 것처럼, 높은 하늘 위를 궤도 비행하는 위성으로부터 오는 신호에 의존합니다. 하지만 캐나다의 깊은 아한대 숲에서는 울창한 나무 층이 하늘을 가로막기도 하고, 공기 자체가 신호를 삼켜버리기도 합니다. 위성 신호가 끊기면 로봇은 자신의 눈과 센서에 의존하여 항법을 수행해야 하는데, 이를 오도메트리(odometry)라고 부릅니다. 이는 마치 눈을 감은 채 어두운 방 안을 걸으며 자신이 얼마나 멀리 왔는지 알기 위해 발걸음을 세는 것과 비슷합니다. 문제는 방의 구조가 변한다는 점입니다. 여름에는 숲이 초록빛 잎들로 가득하지만, 겨울에는 수 미터의 눈 아래 파묻히고 나무들은 앙상하고 벌거숭이가 됩니다. 기계에게 이러한 계절적 변화는 마치 길을 걷는 동안 방 안의 가구들이 갑자기 재배치되는 것과 같습니다.

이것이 바로 퀘벡주 라발 대학교의 연구팀이 해결하고자 했던 과제였습니다. 그들은 오늘날 사용 가능한 가장 똑똑한 항법 소프트웨어가 아한대 보레알 숲에서 일 년 내내 살아남을 수 있는지 알고 싶었습니다. 그들은 단순히 컴퓨터로 시뮬레이션을 돌린 것이 아니라, 소형차 크기의 궤도 차량인 실제 로봇을 제작하여 야생으로 보냈습니다. 그들은 여름의 열기, 가을의 부패, 그리고 겨울의 깊은 결빙을 거치며 64킬로미터의 숲길과 비포장 지형을 주행하며 데이터를 기록했습니다. 온도 변화는 극심하여 가장 더운 날과 가장 추운 밤 사이의 차이가 60도 셀시우스 이상이었습니다. 목표는 단순한 바퀴 회전 측정 방식부터 실시간으로 3D 지도를 구축하려는 복잡한 인공지능에 이르기까지 9가지의 서로 다른 항법 시스템을 테스트하는 것이었습니다. 그들은 주변 세계가 완전히 변했을 때 어떤 시스템이 계속 작동할지, 그리고 어떤 시스템이 단순히 포기해 버릴지를 확인하고자 했습니다.

결과는 놀라웠습니다. 연구진은 카메라로 세상을 "보고" 복잡한 알고리즘을 통해 상세한 지도를 구축하는 가장 정교한 시스템들이 종종 가장 취약하다는 사실을 발견했습니다. 계절이 바뀌면 이 고급 시스템들은 같은 장소를 인식하는 데 어려움을 겪었습니다. 여름의 숲을 보는 카메라는 초록색 잎과 얼룩덜로 빛나는 햇살을 보지만, 겨울의 같은 숲은 흰 눈과 검은 나무 줄기들이 이루는 터널이 됩니다. 도시나 온화한 기후의 데이터로 학습된 소프트웨어는 이 둘 사이의 연결 고리를 찾아내지 못했습니다. 소프트웨어는 혼란에 빠져 위치를 놓치고 경로를 벗어났습니다. 많은 경우, 이러한 첨단 시스템들은 바퀴가 얼마나 회전했는지를 세고 기본적인 센서를 사용하여 방향을 추측하는 훨씬 단순한 방법보다 성능이 떨어졌습니다. 프로프리오셉티브 오도메트리(proprioceptive odometry)라고 알려진 이 단순한 방법은 숲이 어떻게 보이는지에 신경 쓰지 않았습니다. 그것은 오직 로봇 자체의 움직임에만 관심을 가졌습니다. 완벽하지는 않았지만, 눈이 쌓이거나 나무가 얼음으로 뒤덮였을 때 이 방법은 복잡한 형제 모델들보다 훨씬 덜 실패하며 놀라울 정도로 안정적이라는 것을 증명했습니다.

연구는 시스템에 복잡성을 더하는 것이 오히려 고장 날 가능성을 높인다는 사실도 밝혀냈습니다. 일부 고급 소프트웨어는 이전에 방문했던 장소를 찾아내어 스스로의 실수를 바로잡으려 시도하는데, 이를 루프 클로저(loop closure)라고 합니다. 도시에서는 건물들이 일 년 내내 비슷하게 보이기 때문에 이 방식이 잘 작동합니다. 그러나 아한대 숲에서는 "랜드마크"가 신뢰할 수 없습니다. 겨울의 눈더미는 여름의 덤불처럼 보일 수 있고, 나무는 눈더미에 가려질 수 있습니다. 소프트웨어는 이러한 특징들을 일치시키려다 오류를 범하고, 결과적으로 위치에 대한 커다란 오차를 만들어냅니다. 연구진은 이러한 복잡한 시스템들이 변화하는 환경에 너무 민감하여 로봇을 제자리에 멈춰 세우는 등 완전히 실패하는 경우가 많다는 것을 발견했습니다. 반면, 완벽한 지도를 구축하려고 시도하지 않는 더 단순한 시스템들은 설령 경로가 약간 어긋나더라도 계속해서 앞으로 나아갔습니다.

가장 결정적인 발견 중 하나는 센서 자체의 차이에 관한 것이었습니다. 도시에서 세부 사항을 보는 데 탁월한 카메라는 계절의 영향을 가장 많이 받았습니다. 여름에는 카메라가 추적할 수 있는 특징들이 풍부했지만, 겨울에는 눈이 평평하고 특징 없는 흰색 표면을 만들어 소프트웨어를 혼란스럽게 했습니다. 로봇이 눈 위를 달리면 카메라는 흰색 외에는 아무것도 보지 못했고, 이로 인해 항법 시스템은 방향 감각을 잃었습니다. 전파와 레이저 펄스를 사용하여 거리를 측정하는 레이더와 라이다(lidar)는 훨씬 더 탄력적이었습니다. 그것들은 눈과 어둠을 뚫고 볼 수 있었으며, 나무의 시각적 외관에 의존하지 않았습니다. 그러나 이러한 센서들조차 지형 자체가 변할 때는 어려움을 겪었습니다. 로봇이 눈더미 위를 달릴 때 차량의 각도가 기울어지면서 센서가 지면을 보는 방식이 변했습니다. 이러한 물리적 변화는 변화하는 지형과 결합되어, 레이더 시스템조차 새로운 여정을 예전의 지도와 일치시키려 할 때 어려움을 겪게 만들었습니다.

연구진은 또한 로봇이 한 계절에 경로를 학습하고 다른 계절에 이를 반복할 수 있는지, 즉 "가르치고 반복하기(Teach and Repeat)"를 테스트했습니다. 그들은 여름에 경로를 가르친 후 겨울에도 동일한 경로를 주행하도록 했습니다. 결과는 엇갈렸습니다. 레이저를 사용하여 3D 지도를 만드는 라이다 기반 시스템은 많은 경우 임무를 완수했는데, 이는 지면이 파묻히더라도 변함없이 남아 있는 높은 나무들을 볼 수 있었기 때문입니다. 평면적인 세상만을 보는 레이더 시스템과 시각적 패턴에 의존하는 카메라 시스템은 훨씬 더 자주 실패했습니다. 특히 레이더는 로봇이 눈더미를 넘을 때 지면의 각도가 변하는 것에 혼란을 느껴, 몇 달 전 학습했던 지도와의 정렬을 놓쳤습니다. 카메라 시스템은 특히 눈이 깊고 균일하게 쌓인 제설되지 않은 도로를 달릴 때, 위치를 파악할 수 있는 충분한 시각적 단서를 찾지 못했습니다.

소프트웨어를 넘어, 아한대 환경의 물리적 현실은 실험을 지속하기 위해 극복해야 할 자체적인 과제들을 던져주었습니다. 추위는 끊임없는 적이었습니다. 배터리는 빙결 온도에서 훨씬 더 빨리 전력을 소모했고, 눈 위를 이동하도록 설계된 로봇의 궤도는 여름의 바퀴보다 회전하는 데 두 배나 더 많은 에너지를 필요로 했습니다. 연구팀은 단순히 눈의 깊이 때문이 아니라 눈의 종류 때문에 로봇이 갇히는 문제도 다뤄야 했습니다. 11월의 신선하고 건조한 눈은 로봇이 접지력을 얻어 움직일 수 있게 했지만, 4월의 젖고 무거운 눈은 차량을 앞으로 전진시키지 못한 채 궤도만 헛돌게 했습니다. 센서들은 눈과 얼음을 깨끗이 치워야 했으며, 그렇지 않으면 완전히 작동을 멈췄습니다. 심지어 로봇이 맞는지 확인하기 위한 기준 데이터인 그라운드 트루스(ground truth)를 얻는 것조차 어려웠습니다. 극한의 추위와 거친 지형 때문에 표준적인 교정(calibration)이 불가능했기에, 연구팀은 특수 크레인을 사용하여 로봇을 들어 올리고 여러 방향으로 흔들어 센서를 교정해야 했습니다.

이 연구는 우리가 로봇 항법 분야에서 큰 진전을 이루었음에도 불구하고, 아한대 숲은 자율 주행 기계들에게 여전히 가혹한 개척지라는 결론을 내립니다. 도시나 통제된 실험실에서는 아름답게 작동하는 가장 진보된 알고리즘들도 아직 거칠고 변화무쌍한 북부의 세계를 마주할 준비가 되어 있지 않습니다. 그것들은 너무 취약하며, 세상이 학습되었을 때와 똑같이 보이기를 지나치게 의존합니다. 로봇 자신의 움직임에 의-존하는 가장 단순한 방법들이 가장 신뢰할 만하다는 것은, 현재로서는 북부의 깊은 곳을 누비는 로봇이 풍경을 인식하려 애쓰기보다 자신의 발걸음을 믿는 것이 더 나을 수도 있음을 시사합니다. 연구진은 앞으로 나아가기 위해서, 단순히 시뮬레이션이 아니라 실제 환경에서 이러한 시스템을 테스트하는 더 나은 방법이 필요하다고 강조합니다. 그들은 향-후 테스트에서 시스템이 작동할 때의 정확도뿐만 아니라, 얼마나 자주 실패하는지를 명시적으로 보고해야 한다고 제안합니다. 그때까지, 깊은 눈과 변화하는 계절을 스스로 헤쳐 나가며 아한대 숲을 일 년 내내 누비는 로봇의 꿈은 여전히 손에 닿지 않는 곳에 있습니다. 숲은 변하고 있으며, 기계들은 아직 그 속도를 따라잡을 준비가 되지 않았습니다.