Persistent Frontier Tracking and Uncertainty-Aware Goal Switching for Autonomous Exploration

한 번도 본 적 없는 건물에 투입된 로봇을 상상해 보십시오. 이 로봇의 임무는 사전 지시 없이 방 단위로 전체 공간을 지도화하는 것입니다. 이를 위해 로봇은 '프런티어 기반 탐사(frontier-based exploration)'라고 불리는 전략에 의존합니다. 로봇은 자신이 알고 있는 빈 공간과 미지의 어두운 영역이 만나는 경계인 '프런티어(frontier)'를 끊임없이 찾습니다. 로봇은 이 경계 위의 한 점을 선택하여 그곳을 향해 달려갑니다. 하지만 세상은 정적인 상태가 아닙니다. 로봇이 이동함에 따라 센서가 지도를 업데이트하며, 선택한 목적지의 가치는 변할 수 있습니다. 멀리서 보았을 때는 유망해 보였던 지점이 막다른 길로 판명될 수도 있고, 근처에 더 넓고 좋은 구역이 갑자기 나타날 수도 있습니다. 엔지니어들의 과제는 로봇에게 현재의 계획을 고수할지, 아니면 경로를 변경할지를 결정하는 법을 가르치는 것입니다. 너무 자주 바꾸면 시간을 낭비하고 에너지를 소모하며 지그재그로 움직이게 되고, 너무 드물게 바꾸면 더 이상 도달할 가치가 없는 목표를 향해 고집스럽게 나아갈 수 있습니다.

이란 아미르카비르 공과대학교(Amirkabir University of Technology)의 연구진은 이러한 결정을 내릴 수 있는 새로운 방법을 개발했습니다. 그들은 로봇의 경로를 지속적으로 재평가하는 사려 깊은 항해사처럼 작동하는 시스템을 만들었습니다. 이 시스템은 단순히 목적지를 정하고 도착할 때까지 무시하거나, 업데이트가 생길 때마다 끊임없이 새로운 목적지를 선택하는 대신, 잠재적 목적지에 대한 실행 기록(running history)을 유지합니다. 이는 각 가능한 목표를 하나의 지속적인 궤적으로 취급하여, 그 가치가 시간이 지남에 따라 어떻게 변하는지 관찰하는 방식입니다. 연구진은 기상 예보관이 노이즈가 섞인 데이터를 매끄럽게 다듬어 폭풍을 예측하는 것과 유사한 수학적 도구를 사용하여, 각 프런티어의 진정한 가치를 추정했습니다. 이 도구는 로봇이 진정으로 더 나은 목적지와 지도 데이터의 일시적인 오류를 구별할 수 있도록 돕습니다. 로봇은 자신의 센서에 대한 불확실성을 고려하여, 새로운 옵션이 명확하고 확신 있게 더 나을 때만 목표를 전환합니다.

이 아이디어를 테스트하기 위해 연구진은 완전한 탐사 시스템을 구축하고 두 가지 방식으로 시험했습니다. 첫째는 상세한 컴퓨터 시뮬레이션이었고, 둘째는 실제 실내 방에서 움직이는 터틀봇3(TurtleBot3)라는 실제 물리 로봇을 이용한 것이었습니다. 시뮬레이션에서 그들은 자신들의 새로운 방법과 두 가지 기존 접근 방식을 비교했습니다. 하나는 표준적이고 경직된 내비게이션 시스템을 사용하는 방식이었고, 다른 하나는 현대적인 학습 기반 컨트롤러를 사용하지만 일단 목표가 설정되면 결코 마음을 바꾸지 않는 방식이었습니다. 결과는 명확했습니다. 스마트하게 불확실성을 인지하며 목표를 전환할 수 있는 새로운 시스템이 다른 방식들보다 훨씬 빠르게 95%의 지도 커버리지에 도달했습니다. 컴퓨터 시뮬레이션에서 이 시스템은 목표를 바꾸지 않는 버전보다 약 21% 더 빨리 작업을 마쳤으며, 이동 거리는 거의 19% 적게 이동했습니다.

연구진이 가상 세계에서 실제 세계로 이동했을 때도 성능은 유지되었습니다. 고정된 장애물이 있는 물리적 방에서, 새로운 시스템을 사용하는 로봇은 약 13미터의 이동만으로 115초가 조금 넘는 시간에 95% 커버리지 지점에 도달했습니다. 반면, 목표를 바꾸지 않는 버전은 약 16미터를 이동하며 145초가 걸렸습니다. 가장 느린 것은 표준적인 오래된 방법으로, 거의 19미터를 이동하며 184초 가까이 소요되었습니다. 결정적으로, 세 가지 방법 모두 거의 동일한 양의 방을 지도화했습니다. 차이점은 무엇을 보았느냐가 아니라, 얼마나 효율적으로 그곳에 도달했느냐에 있었습니다. 새로운 시스템은 다른 방식들이 놓친 비밀의 방을 찾아낸 것이 아니라, 가치를 잃은 목표를 향해 달려가는 낭비되는 발걸음을 피한 것입니다.

이 효율성의 핵심은 시스템이 실제 데이터의 '노이즈'를 처리하는 방식에 있습니다. 로봇이 이동함에 따라 센서는 불완전한 정보를 수집하며, 지도는 약간씩 깜빡이거나 변할 수 있습니다. 모든 작은 변화에 반응하는 시스템은 목표를 끊임없이 바꾸며 에너지를 낭비할 수 있습니다. 모든 변화를 무시하는 시스템은 더 좋은 기회를 놓칠 수 있습니다. 연구진의 해결책은 각 잠재적 목표에 대한 '트랙'을 유지하는 것이었습니다. 로봇이 특정 프런티어를 잠시 놓치더라도, 시스템은 그것이 어디에 있는지와 그것이 얼마나 가치 있는지를에 대한 추정치를 계속 유지합니다. 로봇이 새로운 목표로 전환을 고려할 때, 단순히 현재의 숫자만을 보는 것이 아닙니다. 현재의 목표와 새로운 후보의 이력을 모두 살펴보고, 측정값의 불확실성에 대비하여 그 가치를 저울질합니다. 로봇은 새로운 후보가 방향을 바꾸는 위험을 상쇄할 만큼 명확하고 지속적인 우위를 제공할 때만 전환합니다.

이 접근 방식은 다양한 환경에서 견고함을 입증했습니다. 연구진은 두 가지 서로 다른 시뮬레이션 맵에서 시스템을 테스트했는데, 그중 하나는 로봇의 훈련 데이터에 전혀 포함되지 않은 새로운 맵이었습니다. 결과는 일관되었습니다. 시스템은 실제 물리적 장애물과 센서의 제한 사항이 복잡성을 더하는 실제 환경 테스트에서도 잘 작동했습니다. 분석 결과, 목표 전환은 무작위적이거나 혼란스러운 것이 아니었습니다. 대신, 그것은 로봇이 덜 유용한 구역을 향해 가던 순간으로부터 회복할 수 있게 해주는 의도적인 수정이었습니다. 노이즈를 걸러내고 지속적인 가치에 집중함으로써, 로봇은 이동 시간을 줄이고 탐사 시간을 늘렸습니다.

본 연구는 프런티어의 가치가 선택되는 순간 결정되는 고정된 숫자가 아니라는 결론을 내립니다. 그것은 로봇이 이동하고 지도가 업데이트됨에 따라 오르내리는 동적인 특성입니다. 이러한 변화를 볼 수 없는 로봇은 이미 만료되었을지도 모르는 정보에 기반한 결정에 얽매이게 됩니다. 이러한 잠재적 목적지들의 이력을 유지하고 노이즈를 매끄럽게 만드는 필터를 사용함으로써, 로봇은 실시간으로 더 현명한 선택을 할 수 있습니다. 연구진은 이 방법이 로봇에게 매번 새로운 환경에 맞는 새로운 기술을 배울 것을 요구하지 않는다는 것을 발견했습니다. 내비게이션 정책은 시뮬레이션에서 한 번 훈련되었고, 추가 훈련 없이 물리 로봇에 직접 배치되었습니다. 개선은 지도 감지와 바퀴를 움직이는 것 사이에 위치한 의사결정 계층에서 전적으로 이루어졌습니다.

앞으로 연구진은 이 프레임워크가 협력하는 로봇 그룹으로 확장될 수 있다고 제안합니다. 시스템이 이미 각 프런티어에 대한 이력을 유지하고 있으므로, 어떤 로봇이 어느 구역으로 향하고 있는지를 추적하도록 적응시켜 여러 로봇이 같은 목표를 쫓는 것을 방지할 수 있습니다. 또한, 현재 시스템은 움직이는 장애물에 의해 막힌 프런티어를 이미 탐사된 곳과 동일하게 취급한다는 한계가 있음을 언급했습니다. 그러나 현재로서 이 연구는 자율 탐사를 더 효율적으로 만드는 실용적인 방법을 보여줍니다. 로봇에게 경로를 재고할 수 있는 차분하고 데이터에 기반한 관점을 부여함으로써, 우리는 로봇이 더 빠른 속도로, 더 적은 낭비로 미지의 세계를 항해하도록 도울 수 있음을 보여줍니다.