💻 computer science

Fleet-To-Lab: A Transfer Learning Framework For Lunar Rover Slippage Estimation Via Model Fusion

본 논문은 제한된 달 데이터를 통해 학습된 이질적인 전문가 모델들을 융합하기 위해 AcoMerge라는 새로운 하이브리드 군집 지능 알고리즘을 활용함으로써, 지구-달 도메인 간의 격차를 효과적으로 메워 미래의 달 탐사 로버를 위한 정확한 바퀴 슬립 추정을 가능하게 하는 전이 학습 프레임워크인 "Fleet-to-Lab"을 소개한다.

원저자: Riccardo Viviano, Saki Omi, Andrej Orsula, Miguel Olivares-Mendez

게시일 2026-09-16

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Riccardo Viviano, Saki Omi, Andrej Orsula, Miguel Olivares-Mendez

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

달에서 로봇을 운전하는 것은 인치 단위의 싸움입니다. 지구에서 로버의 바퀴는 예측 가능한 확실성을 가지고 지면을 움켜쥐지만, 달 표면에서는 규칙이 바뀝니다. 달의 중력은 지구의 6분의 1에 불과하며, 레골리스(regolith)라고 알려진 토양은 압력을 받으면 유체처럼 행동합니다. 바퀴가 회전할 때, 차량이 앞으로 나아가지 못한 채 바퀴가 가라앉거나, 미끄러지거나, 혹은 헛도는 현상이 발생할 수 있습니다. 슬리피지(slippage)라고 불리는 이 현상은 달 탐사의 조용한 살인자입니다. 너무 많은 미끄러짐은 로봇의 위치 감각을 흐트러뜨리며, 최악의 경우 탈출할 수 없는 깊은 구덩이에 차량을 가두어 버릴 수 있습니다. 안전하게 항해하기 위해 로버는 자신의 바퀴가 실시간으로 얼마나 미끄러지고 있는지 정확히 알 필요가 있습니다.

수십 년 동안 엔지니어들은 바퀴가 얼마나 빨리 회전하는지, 차량이 어떻게 기울어지는지와 같은 로봇 자체의 데이터만을 사용하여 이러한 슬리피지를 감지하도록 로봇을 가르치려 노력해 왔습니다. 그들은 이러한 예측을 수행하기 위해 정교한 컴퓨터 프로그램, 즉 모델을 구축했습니다. 그러나 이 프로그램들은 거대한 장애물에 직면해 있습니다. 이들은 대개 지구에서 훈련된다는 점입니다. 지구의 중력 아래 시뮬레이션된 달 환경에서 운전하는 법을 배우는 로봇은 잘못된 교훈을 얻게 됩니다. 물리학이 너무나 다르기 때문입니다. 토양은 다르게 반응하며, 바퀴는 지구상의 실험실에서는 결코 일어나지 않는 방식으로 가라앉습니다. 실제 달에서 얻은 데이터는 매우 희귀하기 때문에—방문한 로버는 단 몇 대뿐이며, 슬립을 직접 측정할 수 있는 특정 센서를 탑재한 경우도 드뭅니다—과학자들은 미래의 임무를 위해 작동하는 시스템을 구축하는 데 어려움을 겪어 왔습니다.

룩셈부르크 대학교의 연구팀은 과거 임무의 역사를 미래를 위한 가이드로 삼아 이 문제를 해결하는 새로운 방법을 제안했습니다. 새로운 로봇을 지구에서 처음부터 가르치는 대신, 그들은 이미 배치된 오래된 달 로버들의 경험을 빌려오는 방법을 개발했습니다. 그들이 "플릿 투 랩(Fleet-to-Lab)"이라고 부르는 이 접근 방식은 이전 임무의 데이터를 지혜의 도서관처럼 취급합니다. 이러한 서로 다른 로봇들의 지식을 결합함으로써, 아직 지면을 떠나지도 않은 미래의 로버를 위한 더 똑똑한 모델을 만들 수 있습니다.

그들 작업의 핵심은 AcoMerge라고 명명한 새로운 알고리즘입니다. 각기 다른 방식으로 훈련된 전문가 팀을 상상해 보십시오. 한 전문가는 지구에서 배웠고, 다른 전문가는 달에서 주행한 로버로부터 배웠으며, 세 번째 전문가는 다른 유형의 달 로버로부터 배웠습니다. 보통 여러 전문가를 결합할 때는 단순히 그들의 조언을 평균 내지만, 이는 종종 무엇 하나 제대로 하지 못하는 혼란스러운 결과를 초과래합니다. AcoMerge는 더 정밀하게 작동합니다. 그것은 마스터 에디터처럼 작동하여, 컴퓨터 모델의 모든 부분을 살펴보고 어떤 전문가의 버전이 가장 좋은지 결정합니다. 이 알고리즘은 완벽한 지식의 조합을 찾기 위해 수천 가지의 가능한 조합을 탐색합니다. 이를 위해 개미 군집이 먹이를 찾는 방식과 고래가 사냥하는 방식을 모방한 하이브리드 방법을 사용하여, 전체 시스템을 처음부터 다시 훈련할 필요 없이 최적의 솔루션을 찾아냅니다.

연구진은 달의 중력과 토양을 모사한 매우 상세한 컴퓨터 시뮬레이션에서 이 아이디어를 테스트했습니다. 그들은 지구에서만 훈련된 새로운 타겟 로버가 달에서 운전하는 법을 배워야 하는 시나리오를 만들었습니다. 연구진은 이미 시뮬레이션된 달 지형에서 훈련된 두 대의 "플릿(fleet)" 로버로부터 데이터를 제공했습니다. 그 후 연구진은 아주 적은 양의 실제 데이터—새로운 로버가 착륙한 후 단 몇 분간의 주행 데이터—를 사용하여 최종 모델을 미세 조정했습니다. 이 적은 양의 데이터는 현실적입니다. 미래의 임무 또한 착륙 후 시스템을 보정할 수 있는 짧은 시간만을 가질 가능성이 높기 때문입니다.

결과는 인상적이었으나, 사용된 모델의 복잡성에 따라 중요한 뉘앙스 차이가 있었습니다. 시뮬레이션에서 이 새로운 방법은 작고 단순한 컴퓨터 모델에서 탁월한 성능을 보였으며, 모든 데이터를 한꺼번에 학습시키려는 표준 기술보다 뛰어난 성능을 보였습니다. 이러한 자원이 제한된 네트워크의 경우, AcoMerge는 별개의 전문가 모델들을 성공적으로 융합하여 슬리피지 예측, 특히 로버가 빠지기 직전의 가장 위험한 상황에서 더 높은 정확도를 달erd했습니다. 그러나 더 크고 복잡한 모델의 경우, 이 방법은 모든 데이터셋을 하나의 실행으로 결합하는 전통적인 공동 훈련 방식과 대등한 성능을 보였습니다. 즉, 높은 정확도를 유지하면서도 복잡한 파이프라인을 요구하지 않았습니다. 이 방법은 작고 단순한 컴퓨터 모델에서 훨씬 더 효과적이었는데, 이는 미래의 로버가 제한된 컴퓨팅 능력을 갖추고 있어 거대하고 무거운 소프트웨어 시스템을 탑재할 수 없다는 점에서 매우 중요합니다.

또한 이 연구는 무엇이 효과가 없는지도 밝혀냈습니다. 모델들을 단순히 평균 내는 방식은 흔히 쓰이는 기법이지만, 지구와 달 사이의 물리적 격차를 메우는 데 실패했습니다. 마찬가지로, 나중에 약간의 달 데이터를 추가하더라도 지구 데이터만으로 로봇을 가르치는 것은 중력과 토양의 근본적인 차이를 극복하기에 충분하지 않았습니다. 연구진은 핵심이 단순히 더 많은 데이터를 갖는 것이 아니라, '올바른 종류'의 데이터, 즉 이미 달 환경을 겪어본 로봇들의 구체적이고 운영적인 경험을 갖는 것임을 발견했습니다.

이 연구는 우주 탐사를 향한 새로운 길을 제시합니다. 이는 더 나은 로봇을 만들기 위해 완벽한 달 데이터셋을 기다릴 필요가 없음을 시사합니다. 대신, 우리는 완벽한 센서를 갖추지 못했더라도 과거 임무의 기록들을 활용하여 차세대 로봇을 훈련할 수 있습니다. 과거 탐사선들의 "플릿"으로부터 학습된 행동들을 융합함으로써, 우리는 새로운 로버에게 출발선에서의 이점을 줄 수 있으며, 이를 통해 이전에는 불가능했던 확신을 가지고 험난한 달 표면을 항해할 수 있게 합니다. 연구진은 이 아이디어들을 실제 로봇과 과거 임 mission의 실제 역사적 데이터를 통해 테스트할 계획이지만, 그들의 시뮬레이션은 이 개념이 타당함을 보여줍니다. 단 한 번의 실수가 임무의 종료로 이어질 수 있는 고위험의 달 탐사 세계에서, 자신의 바퀴 아래 지면을 읽는 법을 아는 로봇을 보유하는 것은 성공적인 여정과 고립된 차량 사이의 차이를 만드는 결정적인 요소가 될 수 있습니다.

기술 요약: Fleet-To-Lab: 모델 융합을 통한 달 탐사 로버 미끄러짐 추정을 위한 전이 학습 프레임워크

문제 정의
정확한 바퀴 미끄러짐(wheel slip) 추정은 달 탐사 로버의 자율 이동 및 내비게이션에 있어 매우 중요하다. 과도한 미끄러짐은 위치 추정 오류나 치명적인 고립으로 이어질 수 있기 때문이다. 지구 데이터로 학습된 머신러닝 모델은 시작점으로서 유용할 수 있으나, "지구-달 도메인 간극(Earth-Moon domain gap)"으로 인해 달의 지형에 일반화하기 어렵다. 이 간극은 특히 감소된 중력(9.81 m/s² 대비 1.62 m/s²)과 독특한 토양 매개변수라는 근본적인 물리적 차이에서 발생하며, 이는 바퀴와 토양 간의 상호작용 역학을 급격히 변화시킨. 또한, 실제 달 데이터셋은 제한된 임무 횟수와 높은 데이터 획득 비용으로 인해 매우 희소하다. 기존의 전이 학습 접근 방식은 이러한 도메인 변화에 대한 극도로 높은 민감도 때문에 어려움을 겪는 경우가 많으며, 표준 지도 학습 추정기는 예측 불가능한 행성 지형을 마주했을 때 실패하곤 한다.

방법론
저자들은 새로운 타겟 로버의 미끄러짐 추정을 개선하기 위해, 이전에 배치된 이종(heterogeneous) 달 로버들의 고유 수용 감각(proprioceptive) 데이터를 활용하는 전이 학습 프레임워크인 Fleet-to-Lab을 제안한다. 핵심 혁신 기술은 전문가 매개변수의 최적 조합을 탐색하여 모델 융합을 수행하는 하이브리드 군집 지능 알고리즘인 AcoMerge이다.

이 프레임워크는 다음과 같은 설정 하에 작동한다:

데이터 소스:
- 타겟 로버 ( $R_a$ ): 지구 조건(지구 중력)의 달 유사 환경(lunar analog)에서 독점적으로 학습한다.
- 플릿 로버 ( $R_b, R_c$ ): 실제 달 중력 조건에서 고유 수용 감각 데이터를 수집한 이종 플랫폼들(예: CADRE, Clearpath Husky)이다.
- 교정 데이터셋 ( $D_{Cal}$ ): 융합 과정을 가이드하기 위해 타겟 로버가 배치 후 수집한 소규모의 포스트 랜딩(post-landing) 데이터셋이다.
AcoMerge 알고리즘:
- 융합 그래프 (Fusion Graph): 문제를 서로 다른 전문가 모델(지구 학습 및 달 학습)의 후보 매개변수 값을 노드로 갖는 유향 비순환 그래프(directed acyclic graph) 상의 경로 찾기 작업으로 모델링한다.
- 1단계 (구성적 탐색 - Constructive Search): Max-Min Ant System (MMAS)을 사용하여 조합 탐색을 수행하며, 각 학습 가능한 매개변수에 대해 최적의 전문가 소스를 선택한다.
- 2단계 (정교화 - Refinement): 1단계와 교차 수행되는 단계로, 개선된 고래 최적화 알고리즘(Improved Whale Optimization Algorithm, IWOA)이 각 매개변수 인덱스를 독립적인 연속 최적화 하위 문제로 취급한다. 이를 통해 알고리즘은 원래 전문가들의 값 사이에 존재할 수 있는 최적의 가중치를 찾을 수 있다.
- 하이브리드 메커니즘: 두 단계가 번갈아 수행되며, MMAS의 페로몬 신호를 사용하여 IWOA 탐색을 유도함으로써 이산적 선택과 연속적 정교화를 효과적으로 결합한다.

주요 기여

Fleet-to-Lab 전이 프레임워크: 광범-지구 도메인 간극을 메우기 위해, 과거의 텔레메트리를 활용하여 새로운 차량의 미끄러짐 추정을 향상시키는 혁신적인 접근 방식으로, 방대한 새로운 데이터 수집 없이도 이종 플릿의 운영 지식을 전이한다.
AcoMerge 알고리즘: 하이브리드 군집 지능 모델 융합 알고리즘의 도입이다. 단순한 가중치 평균화나 단순 미세 조정(fine-tuning)과 달리, AcoMerge는 이종 전문가 모델을 하나의 배포 가능한 네트워크로 결합하기 위해 매개변수 공간을 탐색하며, 이는 자원이 제한된 로버 하드웨어에 특화되어 설계되었다.
포괄적 평가: 고충실도 물리 시뮬레이션(NVIDIA Isaac Sim)에서 수행된 광범위한 실험을 통해 프레임워크를 검증한다. 본 연구는 AcoMerge가 딥 아키텍처에 대한 공동 학습(joint training)과 대등한 성능을 달 수 있음을 입증하며, 특히 용량이 제한된 작은 모델에서 다른 모델 병합 베이스라인보다 우수한 성능을 보임을 입증한다.

실험 결과
실험은 두 가지 다층 퍼셉트론(MLP) 아키텍처, 즉 얕은 네트워크(543개 매개변수)와 깊은 네트워크(13,301개 매개변수)를 사용하여 진행되었다. 모델은 균형 정확도(balanced accuracy)와 macro-F1 점수로 달 테스트 세트에서 평가되었다.

소형 모델 성능 (SN-S): AcoMerge는 200개의 샘플로 구성된 교정 세트에서 가장 높은 균형 정확도(0.6732)와 macro-F1(0.6449)을 달성했다. 이러한 결과는 두 번째로 우수한 방법(Joint + FullFinetune)보다 통계적으로 유의미하게 높았다( $p < 0.05$ ). 저자들은 이를 소형 네트워크의 "용량 병목 현상(capacity bottleneck)" 때문으로 설명한다. 공동 학습은 도메인 특화 구조를 상실하는 절충적 표현을 강요하는 반면, AcoMerge는 전문화된 전문가 지식을 보존한다.
대형 모델 성능 (SN-D): AcoMerge는 Joint + FullFinetune과 경쟁력 있는 성능을 보였으며, 통계적으로 유의미한 차이가 없었다. 이는 해당 방법이 더 큰 아키텍처로도 잘 확장됨을 나타낸다.
베이스라인과의 비교: AcoMerge는 표준 모델 병합 기술(예: AdaMerging, ModelSwarm, Evolutionary Merge) 및 앙상블 증류(ensemble distillation)를 크게 능가했다.
전문가 버퍼 분석 (Expert Buffer Analysis): 절제 실험(ablation studies)을 통해 성능 향상이 학습된 솔루션 주변의 "이웃 구조(neighborhood structure)"에 의존함을 확인했다. 전문가에 의해 변형된 후보를 무작위 모델로 대체했을 때 성능이 저하되었으며, 이는 고품질 솔루션 근처를 탐색하는 것의 중요성을 강조한다.
클래스별 성능: 안전에 직결되는 "고미끄러짐(High Slip)" 클래스에서 AcoMerge는 최적의 운영 균형을 달 achievement 했으며, 공동 학습이 높은 오경보율(false alarm rate)로 고통받는 것과 대조적으로 더 높은 정밀도와 재현율을 제공했다.

의의 및 주장
본 논문은 Fleet-to-Lab이 데이터가 제한된 우주 로봇 임무의 미끄러짐 추정을 위한 유효한 전이 학습 대안으로서 모델 융합을 확립한다고 주장한다. 과거 임무로부터 얻은 아카이브 텔레메트리(China Lunar and Planetary Data System 등을 통해 이용 가능)를 활용함으로써, 이 프레임워크는 새로운 로버가 실제 달 조건에서 학습된 신경 표현을 상속받을 수 있게 한다.

저자들은 이 접근 방식이 자원이 제한된 온보드 하드웨어에 특히 가치가 있다고 강조한다. 대규모 공동 학습이나 방대한 데이터셋이 불가능한 환경에서, 이 프레임키는 적절한 포스트 랜딩 교정 데이터셋을 정교한 융합 알고리즘인 AcoMerge와 결합함으로써 지구-달 도메인 간극을 효과적으로 완화하고, 초기 학습 단계에서의 직접적인 미끄러짐 측정 없이도 안전성과 내비게이션 신뢰성을 개선할 수 있음을 보여준다. 이 연구는 과거 임무 데이터의 재사용이 미래 행성 탐사의 핵심 전략임을 입증한다.

유사한 논문