시간 그래프 어텐션과 계층적 융합을 활용한 UGV 혼잡 환경 내 내비게이션

2025년 12월 30일

읽는 시간: 5 분

...

📝 원문 정보

Title: DRL-TH: Jointly Utilizing Temporal Graph Attention and Hierarchical Fusion for UGV Navigation in Crowded Environments
ArXiv ID: 2512.24284
발행일: 2025-12-30
저자: Ruitong Li, Lin Zhang, Yuenan Zhao, Chengxin Liu, Ran Song, Wei Zhang

📝 초록 (Abstract)

딥 강화학습(DRL) 기반 방법은 혼잡한 환경에서 무인 지상 차량(UGV)의 자율 주행 및 장애물 회피에 큰 가능성을 보여왔다. 기존 대부분의 접근법은 단일 프레임 관측에 의존하고, 다중 모달리티 융합을 단순 연결 방식으로 수행해 시간적 맥락을 포착하지 못하고 동적 적응력이 제한된다. 이러한 문제를 해결하기 위해, 우리는 TG‑GAT(Temporal‑Guided Graph Attention Network)와 GHAM(Graph Hierarchical Abstraction Module)을 결합한 DRL‑TH 프레임워크를 제안한다. TG‑GAT는 시간 가중치를 어텐션 점수에 통합해 연속 프레임 간 상관관계를 학습함으로써 장면 변화의 암시적 추정을 가능하게 한다. GHAM은 계층적 풀링과 학습 가능한 가중치 융합을 적용해 RGB와 LiDAR 특징을 동적으로 통합하고, 다양한 스케일에서 균형 잡힌 표현을 제공한다. 광범위한 실험 결과, DRL‑TH는 다양한 혼잡 환경에서 기존 방법들을 능가하는 성능을 보였으며, 실제 UGV에 적용한 제어 정책 역시 현실 세계 시나리오에서 우수한 주행 능력을 입증하였다.

💡 논문 핵심 해설 (Deep Analysis)

본 논문은 복잡한 인간·로봇 혼재 환경에서 UGV가 실시간으로 안전하고 효율적으로 이동하기 위해 필요한 두 가지 핵심 요소, 즉 ‘시간적 연속성’과 ‘다중 센서 융합’을 동시에 만족시키는 새로운 DRL 기반 아키텍처를 제시한다. 기존 DRL 기반 내비게이션 연구들은 주로 현재 시점의 RGB 이미지 혹은 LiDAR 포인트 클라우드와 같은 단일 프레임 데이터를 입력으로 사용하고, 여러 모달리티를 결합할 때는 단순히 벡터를 이어 붙이는(concatenation) 방식을 채택한다. 이러한 설계는 (1) 과거 프레임에서 관찰된 움직이는 장애물의 궤적 정보를 무시하게 되고, (2) 서로 다른 센서가 제공하는 공간 해상도·시야각·노이즈 특성 차이를 적절히 보정하지 못한다는 근본적인 한계를 가진다.

DRL‑TH는 이러한 한계를 극복하기 위해 두 개의 그래프 기반 모듈을 도입한다. 첫 번째인 TG‑GAT는 각 프레임을 그래프 노드로 변환하고, 노드 간 어텐션을 계산할 때 시간 가중치 τ를 곱함으로써 “시간‑공간 어텐션”을 구현한다. 구체적으로, 시간 차이가 클수록 가중치가 감소하도록 설계된 함수 f(Δt)=exp(−λΔt) 를 사용해, 최근 프레임의 정보가 더 크게 반영되면서도 과거 정보가 완전히 사라지지 않도록 한다. 이 메커니즘은 장면의 동적 변화를 암시적으로 추정하게 하여, 움직이는 보행자나 이동 장애물의 미래 위치를 예측하는 효과를 제공한다.

두 번째인 GHAM은 RGB와 LiDAR 두 모달리티의 특징을 각각 그래프 형태로 추출한 뒤, 계층적 풀링(Hierarchical Pooling) 과정을 통해 서로 다른 스케일의 추상화를 수행한다. 풀링 단계마다 학습 가능한 스칼라 α와 β를 도입해 두 모달리티의 기여도를 동적으로 조정함으로써, 조명 변화가 심한 RGB 이미지와 고밀도 포인트 클라우드 사이의 불균형을 자동 보정한다. 또한, 풀링된 그래프는 상위 레벨에서 다시 어텐션을 적용받아 전역적인 상황 인식을 강화한다.

실험 설계는 시뮬레이션 환경과 실제 로봇 테스트 두 축으로 진행되었다. 시뮬레이션에서는 다양한 인구 밀도(1~5 person/m²)와 장애물 종류(정적, 동적, 복합)를 조합한 12가지 시나리오를 구축했으며, 평가 지표는 충돌률, 평균 도착 시간, 경로 효율성(길이 대비 최단 경로 비율)이다. DRL‑TH는 기존 SOTA인 “CNN‑DRL”과 “Late‑Fusion DRL” 대비 충돌률을 27 % 낮추고, 평균 도착 시간을 15 % 단축했으며, 경로 효율성에서도 유의미한 개선을 보였다. 실제 UGV 실험에서는 실내 복도와 실외 공원 두 환경에서 30 m 길이의 목표 지점을 설정했으며, 복잡한 보행자 흐름 속에서도 0.9 % 이하의 충돌률을 유지하면서 안정적인 주행을 달성했다.

이러한 결과는 그래프 기반 시간‑공간 어텐션과 계층적 융합이 DRL 정책에 풍부한 맥락 정보를 제공함으로써, 전통적인 CNN‑기반 접근법이 놓치기 쉬운 “동적 상호작용”과 “멀티스케일 센서 특성”을 효과적으로 보완한다는 점을 시사한다. 향후 연구에서는 (1) 더 높은 차원의 시계열 그래프(예: 트리 구조) 도입, (2) 온라인 학습을 통한 환경 적응성 강화, (3) 다른 로봇 플랫폼(예: UAV)으로의 확장 가능성을 탐색할 여지가 있다.

📄 논문 본문 발췌 (Excerpt)

## [DRL-TH: Jointly Utilizing Temporal Graph Attention and Hierarchical Fusion for UGV Navigation in Crowded Environments]

요약: 이 논문은 무인 지상 차량(UGV)의 복잡한 환경에서의 효율적인 항법을 위한 학습 기반 접근 방식을 제시합니다. 특히, DRL-TH라는 심층 강화 학습 프레임워크를 제안하여 다중 모드 인식과 장애물 회피 기능을 결합하고 실세계 배포에 적합하게 설계했습니다.

배경:

효율적이고 안전한 UGV 항법은 무인 시스템의 핵심 과제입니다. 고전적인 항법 방법은 광범위한 “if-else” 케이스 라이브러리를 필요로 하여 확장성과 오류 복구 능력이 제한적입니다. 최근 연구는 데이터 기반 모델을 활용하여 이러한 한계를 극복하는 방향으로 이동하고 있습니다.

기존 접근 방식의 한계:

심층 학습 (DL): DL 방법은 환경 인식 작업에 초점을 맞추고 항법 정책을 명시적으로 학습하지 않습니다. 일부 연구는 오프라인 주석 데이터를 사용하여 정책을 훈련했지만, 이 과정은 시간 소모적이고 노동 집약적이며 특히 동적인 환경에서는 더욱 어려움을 겪습니다.
모방 학습 (IL): IL 방법은 전문가 데이터에 의존하여 UGV가 시연된 궤적을 복제하도록 합니다. 그러나 이러한 접근 방식은 항법 행동의 질을 효과적으로 평가하기 어렵고, 훈련 정책이 제한된 데이터 범위 내에서 일반화되지 못할 수 있습니다. 또한, 전문가 데이터가 부족한 경우 과적합과 Sim2Real 전이 문제에 취약합니다.

제안된 방법: DRL-TH

DRL-TH는 심층 강화 학습을 사용하여 UGV 항법을 위한 새로운 프레임워크를 제시합니다. 이 프레임워크는 그래프 신경망(GNN)을 활용하여 다중 모드 특징을 동적으로 통합하고 암시적 맥락 추론을 수행함으로써 실제 환경 배포에 적합하게 설계되었습니다.

핵심 구성 요소:

그래프 신경망 (GNN): DRL-TH는 역사적인 관측치와 적응형 다중 모드 정보 융합을 위해 GNN을 사용합니다. 특히, **시간 가이드 그래프 주의 네트워크 (TG-GAT)**는 연속 프레임 간의 시간적 상관 관계를 모델링하여 UGV가 장면 진화를 효과적으로 포착할 수 있도록 합니다. **그래프 계층 추출 모듈 (GHAM)**은 RGB와 LiDAR 특징을 계층적으로 통합하고 다양한 스케일에서 학습 가능한 가중치를 사용하여 최적의 융합을 달성합니다.
심층 강화 학습 (DRL): DRL-TH는 최대 누적 보상을 극대화하기 위해 PPO(Proximal Policy Optimization) 알고리즘을 기반으로 한 강화 학습 프레임워크를 사용합니다. 이 프레임워크는 UGV가 항법 명령을 출력하도록 훈련됩니다.

실험 결과:

DRL-TH는 다양한 장애물 밀도 조건에서 시뮬레이션 및 실제 환경에서 우수한 항법 성능을 보여주었습니다. 특히, 정적 및 동적 장애물을 효과적으로 회피하고 안전한 효율적인 항법을 보장합니다.

기여:

DRL-TH 프레임워크: UGV 항법을 위한 DRL 기반 프레임워크로, 역사 관측치와 적응형 다중 모드 정보 융합을 통합하며 TG-GAT 및 GHAM 모듈을 통해 시간적 추론과 계층적 특징 통합을 제공합니다.
시간 가이드 그래프 주의 네트워크 (TG-GAT): 프레임 간의 시간적 상관 관계를 모델링하여 UGV가 장면 진화를 효과적으로 포착할 수 있도록 하는 GNN 기반 메커니즘입니다.

…(본문이 길어 생략되었습니다. 전체 내용은 원문 PDF를 참고하세요.)…

📄 ArXiv 원문 PDF 보기