🤖 AI

Dual Process Motion Planning

본 논문은 비선형 로봇 작업에서 탁월한 효율성, 정확성 및 일반화 성능을 달성하기 위해 경험 기반의 빠른 학습("시스템-1")과 견고한 기호적 추론("시스템-2")을 동적으로 통합하는 뉴로-심볼릭 이중 프로세스 모션 플래닝 프레임워크를 제안한다.

원저자: Jiayi Yan, Francesco Fabiano, Alessandro Abate

게시일 2026-09-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jiayi Yan, Francesco Fabiano, Alessandro Abate

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

로봇들이 공장 바닥을 넘어 우리의 일상생활 속으로 들어오고 있으며, 자동차 운전부터 붐비는 복도 통과하기까지 모든 일을 맡게 되었습니다. 이를 안전하게 수행하기 위해 로봇은 매초 복잡한 퍼즐을 풀어야 합니다. 즉, 물리 법칙을 준러하며 움직이는 동안 무엇인가와 충돌하지 않고 현재 위치에서 목표 지점까지 어떻게 이동할 것인가를 결정해야 합니다. 수십 년 동안 엔지니어들은 이를 해결하기 위해 두 가지 주요 방식에 의존해 왔습니다. 한 가지 방법은 숙련된 전문가처럼 모든 가능한 경로를 극도로 정밀하게 계산하여 안전을 보장하지만, 생각하는 데 오랜 시간이 걸리는 방식입니다. 다른 한 가지는 빠른 본능과 같아서, 로봇이 과거의 경험을 사용하여 즉각적으로 좋은 경로를 추측하지만, 이 추측은 때때로 틀리거나 안전하지 않을 수 있습니다. 과제는 항상 계산의 안전성을 잃지 않으면서도 본능의 속도를 얻는 방법을 찾는 것이었습니다.

중국 홍콩 시티 대학교 선전(The Chinese University of Hong Kong, Shenzhen)과 옥스퍼드 대학교 연구진은 이러한 상충 관계를 처리하는 새로운 방법을 제안했습니다. 그들은 인간이 흔히 결정을 내리는 방식을 모방하여, 빠른 직관적 반응과 느리고 신중한 확인을 결합한 시스템을 구축했습니다. 그들은 이를 '이중 프로세스 아키텍처(dual-process architecture)'라고 부릅니다. 이 설정에서 로봇은 먼저 수천 번의 성공적인 여정을 통해 학습된 일종의 디지털 직관인 '빠른 학습된 정책'을 사용하여 문제를 해결하려고 시냅니다. 이 '시스템 1'은 순식간에 경로를 제안하며 빠르게 작동합니다. 그러나 로봇이 실제로 움직이기 전, 안전 게이트가 이 빠른 추측이 정말로 충돌이 없는지, 그리고 실제로 목표에 도달하는지를 확인합니다. 만약 빠른 추측이 검사를 통과하면 로봇은 즉시 움직입니다. 만약 빠른 추측이 실패하거나 위험해 보이면, 시스템은 즉시 더 느리고 엄격한 계산기인 '시스템 2'로 전환합니다. 이는 전통적인 전문가 방식처럼 처음부터 완벽한 경로를 계산해 냅니다.

연구진은 이 접근 방식을 다양한 난이도의 디지털 환경에서 테스트했습니다. 여기에는 몇 개의 큰 장애물이 있는 탁 트인 공간부터 좁은 틈이 많은 복잡한 미로까지 포함되었습니다. 그들은 이 하이브리드 시스템이 매우 효과적이라는 것을 발견했습니다. 쉬운 상황에서는 빠른 직관이 문제를 처리하도록 함으로써, 시스템은 대부분의 시간 동안 느린 계산기가 소모하는 막대한 계산 비용을 피할 수 있었습니다. 넓은 공간이나 작은 장애물이 많은 환경에서 빠른 시스템은 스스로 문제를 해결하는 경우가 절반 이상이었으며, 이는 상당한 처리 능력을 절약했습니다. 빠른 시스템이 막히거나 실수를 할 때면 느린 시스템이 개입하여 이를 바로잡았고, 이를 통해 로봇이 절대 충돌하지 않도록 보장했습니다. 결과적으로 이 로봇은 느리고 신중한 전문가만큼 신뢰할 수 있으면서도 전체적으로 훨씬 빨랐으며, 거의 모든 테스트 케이스에서 복잡한 경로를 성공적으로 통과했습니다.

그들의 발견 중 핵심은 로봇이 시간이 지남에 따라 어떻게 학습하는가 하는 점이었습니다. 연구진은 시스템을 수백 가지 시나리오를 통해 실행하게 했으며, 빠른 시스템이 저지른 실수를 느린, 신중한 시스템이 바로잡아야 할 때마다 그 성공적인 수정 사항을 저장하게 했습니다. 빠른 시스템은 이 수정 사항들을 학습하여 다음 라운드를 위한 자신의 직관을 개선했습니다. '연속 학습(continual learning)'이라고 알려진 이 과정은 빠른 시스템이 점점 더 나아지게 하여, 결국 느린 시스템의 도움 없이도 더 많은 문제를 스스로 해결할 수 있게 해주었습니다. 그러나 연구진은 이 학습에도 한계가 있다는 것을 발견했습니다. 빠른 시스템은 느린 시스템이 짧고 국소적인 수정을 제공할 때 가장 많이 개선되었지만, 해결책이 전체 경로에 따라 바뀌어야 하는 길고 복잡한 계획을 요구할 때는 느린 시스템으로부터 학습하는 데 어려움을 겪었습니다. 이는 로봇이 더 빨라질 수는 있지만, 여전히 가장 복잡하고 장거리인 항법 작업에는 신중한 계산기에 의존한다는 것을 시사합니다.

연구진은 또한 느린 계산기에 빠른 시스템이 실패한 추측값을 입력하는 것이 문제를 더 빨리 해결하는 데 도움이 되는지 조사했습니다. 그들은 이것이 예상대로 작동하지 않는다는 것을 발견했습니다. 느린 계산기에 나쁜 시작점을 주는 것은 종로는 오히려 계산기를 혼란스럽게 하거나 똑같은 막다른 길로 인도하여, 실제적인 시간 절감 효과를 제공하지 못했습니다. 이는 단순히 부분적인 해결책을 전달하는 것이 항상 도움이 된다는 일반적인 생각을 반박하는 것입니다. 대신, 가장 효율적인 접근 방식은 빠른 시스템이 시도하고 결과를 검증한 뒤, 실패했을 경우에만 느린 시스템이 새로 시작하도록 하는 것이었습니다.

결론적으로, 이 연구는 빠른 학습된 반응과 느리고 신중한 검증을 결합하는 것이 로봇을 빠르고 안전하게 만든다는 것을 보여줍니다. 이 방식은 빠른 시스템이 독자적으로 완벽할 필요도 없고, 로봇이 모든 움직임에 대해 비싸고 복잡한 계산을 강요받지도 않습니다. 빠른 추측을 언제 신뢰하고 언제 상세한 계획을 요구할지 신중하게 결정함으로써, 시스템은 두 방법이 단독으로는 도달할 수 없었던 균형을 달성합니다. 이 접근 방식은 예측 불가능하고 복잡한 인간의 삶 속에서 빠르게, 그리고 안전하게 움직여야 하는 로봇을 위한 실질적인 길을 제시합니다.

기술 요약: 이중 프로세스 모션 플래닝 (Dual-MP)

문제 정의

모션 플래닝은 로봇 시스템의 기초로서, 시스템 역학 및 제약 조건을 준수하면서 고품질의 충돌 없는 궤적을 계산하는 것을 필요로 한다. 그러나 실제 환경은 고차원적이고 연속적이며 동적 제약을 받기 때문에, 엄격한 실시간 요구 사항 하에서 계산 비용이 많이 드는 경우가 많다.

기존 방식들은 다음과 같은 트레이드오프에 직면해 있다:

경험 기반 방식 (예: 신경망)은 관측값으로부터 제어 입력을 직접 매핑하여 빠른 추론을 제공하지만, 안전, 역학 또는 신뢰도에 대한 명시적인 보장을 결능하여 복잡한 시나리오에서 차선이거나 안전하지 못한 성능을 보일 수 있다.
온라인 최적화 기반 방식 (예: 모델 예측 제어(MPC) 및 제어 장벽 함수(CBF))은 제약된 최적화 문제를 해결함으로써 신뢰할 수 있고 동적으로 실행 가능한 솔루션을 제공한다. 그러나 이는 상당한 계산 오버헤드를 발생시켜 시간 민감도가 높은 설정에서의 적용을 제한한다.

현재의 하이브리드 접근 방식은 학습된 사전 지식(prior)이 충분한지 여부와 상관없이 온라인 솔버를 호출하는 결정적인 메커니즘이 부족한 경우가 많으며, 이는 계산 자원의 할당을 최적화하지 못하고 무조건적으로 솔버를 실행하게 만든다.

방법론: Dual-MP 아키텍처

본 논문은 카네만(Kahneman)의 "생각에 관한 생각(Thinking Fast and Slow)" 패러다임에서 영감을 얻고 SOFAI(AI를 위한 System-1 및 System-2) 아키텍처 내에 구현된 이중 프로세스 모션 플래닝 프레임워크인 Dual-MP를 제안한다. Dual-MP는 빠른 경험 기반의 **System-1 (S1)**과 느린 심사숙고형 **System-2 (S2)**를 메타인지(Metacognitive, MC) 컨트롤러에 의해 조정하여 통합한다.

1. System-1 (빠르고 직관적인 시스템)

구현: 모방 학습을 통해 훈련된 신경 반응 정책 ( $\pi_\theta$ ).
입력: 국소 상태 컨텍스트, 장애물 정보, 비선형 역학 특징 및 목표 방향.
출력: 직접적인 제어 입력 예측.
훈련: S2에 의해 생성된 성공적인 궤적으로부터 초기 부트스트래핑된다. 경량 컨볼루션 아키텍처를 사용하며, 제어 모방, 역학 일관성, 방향 정렬 및 다단계 롤아웃 페널티를 포함하는 복합 손실 함수로 훈련된다.
실행: 런타임 시, S1은 궤적 롤아웃을 생성한다. 경량 1단계 안전 필터가 즉각적인 다음 세그먼트가 충돌이 없는지 확인한다.

2. System-2 (느리고 심사숙고하는 시스템)

Dual-MP는 폴백(fallback)으로 사용할 두 가지 별도의 S2 솔버를 지원한다:

CBF 기반 안전 필터: 전체 미래 궤적을 최적화하지 않고 이차 계획법(QP)을 통해 국소 장애물 회피 제약을 강제한다.
비선형 MPC: 역학 및 제약을 만족하면서 비용 함수를 최소화하기 위해 유한 호라이즌 최적화 문제를 해결한다.

3. 메타인지 컨트롤러 (중재)

MC 모듈은 S1과 S2 사이의 상호작용을 조율한다:

워크플로우: 새로운 플래닝 쿼리에 대해, MC는 먼저 S1을 호출한다.
검증 게이트: S1 롤아웃은 엄격한 검증(충돌이 없고 목표에 도달함)을 통과할 때만 수락된다.
에스컬레이션(Escalation): S1이 검증에 실패하면, MC는 시간 예산이 허용하는 한 S2 솔버를 호출한다. 만약 S2가 예산 내에 실패하면, 시스템은 사용 가능한 최선의 S1 제안으로 복귀한다.
의사결정 로직: 중재는 문제 난이도, 솔루션 정확도 및 솔버 신뢰도 추정에 의존한다. S2에는 높은 신뢰도(1.0)가 할당되는 반면, S1 신뢰도는 검증 지표를 기반으로 계산된다.

4. 지속적 학습 (Continual Learning)

이 프레임워크의 핵심 기능은 시간이 지남에 따라 S1을 개선하는 능력이다:

메커니즘: S2가 쿼리를 성공적으로 해결했을 때(즉, "복구" 시), 결과 궤적을 저장한다.
재훈련: 주기적으로 S1 정책은 원래의 부트스트랩 데이터셋과 새로 수집된 S2 성공 사례의 합집합을 사용하여 미세 조정된다.
DAgger 스타일: 재훈련 과정은 거부된 S1 롤아웃에서 방문한 상태를 S2의 교정 동작으로 재라벨링하여, 정책이 단순히 전문가 데이터가 아닌 자신의 오류 분포로부터 학습할 수 있도록 한다.

주요 기여

Dual-MP 프레임워크: 빠른 신경 플래닝과 심사숙고형 기호적 솔빙 사이를 중재하는 비선형 모션 플래닝을 위한 모듈형 S1/S2 아키텍처.
구현: 공통 MC 인터페이스 하에서 신경 S1 정책과 두 가지 비선형 S2 솔버(MPC 및 CBF)를 결합하여 프레임워크를 구현함.
지속적 학습 통합: S1의 미래 빠른 플래닝 성능을 향상시키기 위해 성공적인 S2 궤적을 재사용하는 메커니즘.
포괄적 평가: 성공률, 실행 시간, S1/S2 사용량 및 궤적 품질을 보고하기 위해 6가지 다양한 비선형 벤치마크 패밀리(Large Sparse, Dense Clutter, Serial Walls, Maze Branching, Long Slalom, Bugtrap)에 걸쳐 평가 수행.

실험 결과

저자들은 Dual-MP를 단독 Neural (NN), CBF, MPC 베이스라인 및 Dual-MP 변형 모델(DMP-CBF, DMP-MPC, DMP-Warm)과 비교 평가하였다.

효율성 vs 신뢰성 (Q1 & Q2):
- DMP-MPC는 모든 방법 중 가장 높은 성공률(85.1%)을 달ach했으며, 단독 MPC(5708 ms)에 비해 평균 실행 시간(4979 ms)을 단축했다. 이는 쉬운 인스턴스를 S1을 통해 효과적으로 필터링하여 MPC를 필요한 경우에만 호출했기 때문이다. 논문은 특히 Large Sparse 및 Dense Clutter 환경에서 S1이 에스컬레이션 없이 인스턴스를 자주 해결함으로써 가장 큰 이득을 얻었으나, 대부분의 인스턴스가 여전히 MPC를 필요로 하는 Serial Walls, Maze Branching, Long Slalom에서는 이득이 제한적이라고 언급했다.
- DMP-CBF는 단독 CBF보다 성공률을 높였으나(84.1% vs 82.0%), 이미 저렴한 폴백인 CBF를 피함으로써 얻는 이득보다 S1 롤아웃 비용이 더 커서 약간의 실행 시간 페널티(983 ms vs 657 ms)를 초발했다.
- 신뢰성: 두 Dual-MP 변형 모두 검증 게이트 덕분에 각자의 S2 폴백과 대등하거나 더 높은 성공률을 보였다.
궤적 품질:
- 단독 MPC가 가장 높은 품질의 궤적(Mean Q = 0.844)을 생성했다.
- Dual-MP 궤적은 일반적으로 순수 MPC보다는 품질이 낮지만 순수 NN보다는 높았는데, 이는 S1이 빠른 실행 가능성 완수에 우선순위를 두기 때문이다. 품질 트레이드오프는 온라인 플래닝 시간을 줄이는 것이 주 목적일 때 수용 가능하다.
지속적 학습의 영향 (Q3):
- S1은 S2 복구 사례를 축적함에 따라 성능이 향상되었다.
- CBF-taught S1은 성공률에서 상당한 이득(예: 평균 +13.2% 개선)을 보였는데, 이는 CBF가 반응형 정책이 모방하기 쉬운 짧고 국소적인 교정을 제공하기 때문이다.
- MPC-taught S1은 보다 완만한 성공률 상승(+4.5%)을 보였으나 궤적 품질 면에서 유의미한 개선(+0.075)을 보였다. 저자들은 MPC의 긴 호라이즌 및 경로 의존적 계획이 국소 반응형 정책이 신뢰성 있게 재현하기 어렵다는 점을 지적했다.
Warm-Starting (Q4):
- 거부된 S1 궤적으로 MPC 솔버를 웜스타트(warm-start)하는 것은 일관된 실행 시간 이득을 제공하지 못했다. 어떤 경우에는 오히려 옵티마이저를 S1이 실패했던 것과 동일한 국소적으로 좋지 않은 영역으로 유도하여 폴백 성공률을 떨어뜨리기도 했다. 따라서 저자들은 거부된 S1 롤아웃을 무조건적인 웜스타트로 사용하지 않는다.

의의 및 주장

본 논문은 Dual-MP가 학습과 구조적 추론을 밀접하게 결합함으로써 더 유능하고 적응력 있는 로봇 시스템을 향한 실용적이고 확장 가능한 경로를 제공한다고 주장한다.

중재의 가치: 이중 프로세스 접근 방식의 효과는 주로 S1과 S2 사이의 실행 시간 격차에 의해 결정된다. 이 아키텍처는 S1이 (MPC 시나리오와 같이) 값비싼 S2 계산을 트리거할 수 있는 쉬운 인스턴스를 필터링할 수 있을 때 가장 큰 이득을 얻지만, S1이 에스컬레이션을 피할 수 없는 환경에서는 이득이 제한된다.
검증의 중요성: 엄격한 검증 게이트를 통해 S2의 개입 없이도 안전하지 않은 예측이 배포되지 않도록 함으로써, S1이 낮은 지연 시간으로 작동하면서도 안전성을 해치지 않게 한다.
교사-학생 호환성: 결과는 지속적 학습의 효능이 "교사"(S2)와 "학생"(S1) 사이의 호환성에 달려 있음을 시사한다. 국소적 교정 동작(CBF)은 복잡한 장기 계획(MPC)보다 반응형 정책으로 증류(distill)하기 더 쉽다.
제한적 범위: 저자들은 Dual-MP를 이중 프로세스 모션 플래닝을 향한 초기 단계로 규정한다. 그들은 거부된 궤적으로부터의 웜스타트의 불확일성 및 S1이 복잡한 MPC 행동을 복제하기 어렵다는 점 등의 한계를 인정한다. 또한 포트폴리오 메타컨트롤러, 더 나은 웜스타트 선택 메커니즘, 교차 작업 정책 공유 등을 향후 연구 과제로 제시한다.

결론적으로, Dual-MP는 검증된 중재 메커니즘이 학습된 정책의 속도와 최적화 기반 플래닝의 견고함을 성공적으로 결합하여, 신뢰성을 희생하지 않으면서도 플래닝 효율성과 성능에서 측정 가능한 이득을 전달할 수 있음을 입증한다.