Design of YOLOv8-SLAM Robot Path Planning Method for Outdoor Complex Environments

한 로봇이 번잡한 도시 공원을 걸어가려고 노력하는 모습을 상상해 보십시오. 인간에게 그 경로는 명확합니다. 벤치에 앉아 있는 사람을 피해 걷고, 자전거 타는 사람이 지나가기를 기다렸다가, 분수를 향해 계속 이동하면 됩니다. 하지만 기계에게 이 장면은 데이터의 혼돈스러운 폭풍입니다. 로봇은 움직이는 형체가 나무가 아니라 사람이라는 것을 즉각적으로 인식해야 하며, 주차된 자동차는 통과할 수 없는 단단한 벽임을 이해하고, 누구와도 부딪히지 않고 안전한 경로를 계산해야 합니다. 이것이 바로 현실 세계에서 자율 주행 내비게이션의 핵심 과제입니다. 로봇은 빈 방이나 공장 바닥에서 움직이는 데는 꽤 능숙해졌지만, 야외는 전혀 다른 차원의 문제입니다. 빛은 변하고, 그림자는 길게 늘어지며, 사람과 차량은 예측 불가능하게 움직입니다. 만약 로봇이 경로를 가로질러 달려가는 어린아이를 보지 못하거나 움직이는 차량과의 거리를 잘못 판단한다면, 그 결과는 충돌이거나 다음 할 일을 결정하지 못해 멈춰버리는 상황이 될 것입니다.

수년 동안 엔지니어들은 보는 기능, 위치를 파악하는 기능, 그리고 갈 곳을 계획하는 기능을 별도의 시스템으로 구축하여 이 문제를 해결하려 노력해 왔습니다. 한 시스템은 카메라 피드를 보고 물체를 찾고, 다른 시스템은 그 이미지를 사용하여 주변 지도를 만들며, 세 번째 시스템은 최적의 경로를 결정합니다. 문제는 이러한 시스템들이 종종 고립되어 작동한다는 점입니다. 만약 '보는' 시스템이 작은 표지판이나 멀리 있는 사람을 놓친다면, '계획하는' 시스템은 로봇을 그들에게로 곧장 보내버릴 수 있습니다. 만약 '매핑(지도 제작)' 시스템이 움직이는 자동차 때문에 혼란을 겪는다면, 로봇은 실제로는 길이 비어 있음에도 불구하고 도로가 막혔다고 생각할 수도 있습니다. 중국의 추저우 폴리테크닉(Chuzhou Polytechnic) 연구진은 이러한 복잡성을 다루기 위한 새로운 방법을 제안했습니다. 그들은 보는 것, 매핑, 그리고 계획하는 것을 하나로 묶는 통합된 연결 시스템을 개발하여, 한 영역에서의 실수가 다른 영역에 의해 수정될 수 있도록 함으로써 로봇이 붐비는 야외 공간을 안전하게 항해할 수 있도록 했습니다.

연구진은 먼저 로봇이 세상을 보는 방식을 개선하는 것부터 시작했습니다. 그들은 매우 빠르고 선명한 눈과 같은 강력한 이미지 인식 도구인 YOLOv8을 사용했지만, 어려운 상황에서도 더 똑똑하게 작동하도록 만들었습니다. 번잡한 야외 장면에서는 교통 콘, 멀리 있는 보행자, 또는 도로 표지판과 같은 작은 물체들이 너무 작거나 다른 것들에 가려져 있어 발견하기 어려운 경우가 많습니다. 연구팀은 소프트웨어에 특수한 '주의 메커니즘(attention mechanisms)'을 추가하여, 로봇이 흔들리는 나뭇가지나 변하는 그림자와 같은 혼란스러운 배경 소음은 무시하고 이러한 작은 세부 사항에 강렬하게 집중하도록 가르쳤습니다. 또한 로봇이 장면을 단순히 형태의 집합이 아니라, 도로, 인도, 사람, 차량 등 다양한 유형의 지면과 장애물로 구분된 지도로 이해할 수 있는 능력을 부여했습니다. 이러한 상세한 이해는 로봇에게 단순히 물체가 어디에 있는지가 아니라, 그것이 무엇인지, 그리고 그 근처에서 움직이는 것이 안전한지를 알려주는 데 매우 중요합니다.

로봇이 세상을 명확하게 볼 수 있게 되면, 다음 과제는 자신이 정확히 어디에 있는지 아는 것입니다. 전통적인 매핑 시스템은 박물관처럼 세상이 정지해 있다고 가정하는 경우가 많습니다. 하지만 공원이나 거리에서는 사람과 자동차가 끊임없이 움직입니다. 만약 로봇이 사람이 지나가는 동안 지도를 만들려고 하면, 그 사람을 건물 일부라고 착각하여 길을 잃을 수 있습니다. 새 시스템은 방금 만든 상세한 '눈'을 사용하여 움직이는 물체를 식별하고, 자신의 위치를 파악하는 동안 이들을 일시적으로 무시함으로써 이 문제를 해결합니다. 시스템은 여러 프레임의 비디오를 통해 위치를 비교하고 장면에서의 깊이를 확인하여 물체가 움직이는지 체크합니다. 만약 시스템이 무언가가 움직이고 있음을 확인하면, 지도를 만들기 전에 그 정보를 필터링하여 제외합니다. 이를 통해 로봇은 사람들이나 차량이 주변을 빠르게 지나다니는 중에도 정적인 세계에 대한 안정적이고 정확한 지도를 생성할 수 있습니다.

명확한 시야와 신뢰할 수 있는 지도가 갖춰지면, 로봇은 어떻게 움직일지 결정해야 합니다. 연구진은 인간이 앞을 내다보는 방식과 유사하게 작동하는 2단계 계획 전략을 만들었습니다. 첫째, 로봇은 출발점에서 목적지까지의 일반적인 경로를 찾기 위해 큰 그림을 살핍니다. 이때 단순히 최단 거리가 아니라 '위험도'를 고려합니다. 예를 들어, 조금 더 길더라도 조용하고 탁 트인 구역을 지나는 경로가 사람들로 붐비는 곳을 가로지르는 짧은 경로보다 우선적으로 선택됩니다. 그다음, 로봇이 이동함에 따라 두 번째의 더 빠른 시스템이 갑작스러운 장애물을 피하기 위해 발걸음을 끊임없이 조정합니다. 만약 보행자가 예상치치 못하게 발을 내디디면, 이 로컬(local) 시스템은 전체 여정을 멈추지 않고도 그들을 피할 수 있는 새로운 안전 궤적을 즉각적으로 계산합니다. 이 두 시스템은 끊임없이 서로 대화하며, 로봇의 장기적인 목표와 즉각적인 안전이 항상 일치하도록 보장합니다.

연구팀은 컴퓨터 시뮬레이션부터 실제 캠퍼스에서의 실전 테스트에 이르기까지 다양한 방식으로 이 새로운 접근 방식을 테스트했습니다. 움직이는 장애물이 가득한 시뮬레이션에서 이 새로운 시스템은 95.31%의 성공률로 목표에 도달했으며, 이는 충돌이나 길을 잃는 문제로 어려움을 겪었던 기존 방식들을 크게 앞지른 성과였습니다. 실제 보행자, 주차된 차량, 굽이진 길이 있는 캠퍼스 도로로 로봇을 데리고 나갔을 때 결과는 더욱 인상적이었습니다. 로봇은 60번의 내비게이션 주행 중 57번을 아무것도 치거나 갇히지 않고 완수하며 95%의 성공률을 기록했습니다. 또한 다른 시스템들과 비교했을 때 평균 이동 거리가 더 짧았고 아찔한 상황(near-misses)도 더 적었습니다. 로봇은 멀리 있는 교통 표지판이나 자전거 같은 작은 물체를 포착하고, 움직이는 사람으로 인한 혼란을 무시하며, 혼돈 속에서도 매끄럽고 안전한 경로를 찾아낼 수 있었습니다.

이 연구는 신뢰할 수 있는 야외 로봇의 핵심이 단순히 시스템의 각 부분을 개선하는 것이 아니라, 그 부분들을 하나의 지능적인 단위로서 함께 작동하게 만드는 데 있다는 것을 시사합니다. 작은 세부 사항을 보는 능력, 움직이는 방해 요소를 걸러내는 능력, 그리고 안전한 경로를 계획하는 능력을 연결함으로써, 연구진은 현실 세계의 예측 불가능성을 훨씬 더 잘 다룰 수 있는 시스템을 만들어냈습니다. 비록 이 시스템이 극한의 날씨나 매우 밀집된 군중 속에서는 여전히 과제에 직면해 있지만, 결과는 명확한 방향을 보여줍니다. 로봇은 이제 단순히 미리 프로그래밍된 선을 따라가는 것이 아닙니다. 로봇은 환경을 이해하고, 다음에 무슨 일이 일어날지 예측하며, 목적지에 도달하기 위해 스마트한 결정을 내리고 있습니다.