비정적 환경에서 계층적 객체 지도 학습

초록

본 논문은 사무실과 같은 비정적 환경에서 로봇이 물체를 인식·추적하고, 유사한 물체들을 클래스 템플릿으로 묶어 계층적 지도 구조를 자동으로 학습하는 알고리즘을 제안한다. EM 기반의 파라미터 추정과 베이지안 모델 선택을 결합해 물체와 템플릿의 개수를 동시에 추정한다. 실제 레이저 스캐너 로봇 실험에서 기존 비계층적 방법보다 높은 정확도를 보였다.

상세 분석

이 연구는 로봇이 동적인 실내 환경에서 물체를 지속적으로 관찰하면서, 개별 물체와 물체 클래스(템플릿) 사이의 관계를 학습하는 두 단계 계층 구조를 제시한다. 첫 번째 레벨은 개별 물체의 형태를 로컬 점유 격자(occupancy grid)로 표현하고, 두 번째 레벨은 이러한 개별 형태들을 군집화해 공통된 형태 템플릿을 만든다. 핵심 아이디어는 사무실 환경에 존재하는 의자, 쓰레기통, 책상 등은 외형이 유사하다는 점을 활용해 데이터 효율성을 높이는 것이다.

알고리즘은 기대-최대화(EM) 프레임워크를 기반으로 한다. E‑단계에서는 현재 추정된 템플릿과 물체 파라미터를 이용해 관측된 격자 데이터에 대한 책임(Responsibility) 값을 계산한다. 여기서 책임은 각 관측 격자가 어느 물체·템플릿에 속할 확률을 의미한다. M‑단계에서는 책임값을 가중치로 사용해 물체별 형태 파라미터와 템플릿 파라미터를 업데이트한다. 형태 파라미터는 격자 셀의 점유 확률을 베타 분포 형태로 모델링해, 불확실성을 정량화한다.

특히, 물체와 템플릿의 개수를 사전에 고정하지 않고 베이지안 모델 선택을 적용한다. 이는 사전 확률로 포아송·디리클레 분포를 가정하고, 모델 증거(evidence)를 근사적으로 계산해 가장 높은 사후 확률을 갖는 모델 차원을 선택한다는 의미다. 따라서 로봇은 환경을 탐색하면서 새로운 물체가 등장하거나 기존 물체가 사라질 경우 자동으로 모델 차원을 조정한다.

실험에서는 레이저 스캔을 이용해 2D 점유 격자를 생성하고, 이동 로봇이 사무실 복도를 여러 번 순회하면서 수집한 데이터를 사용했다. 비계층적 방법(단일 물체 모델)과 비교했을 때, 제안된 계층적 모델은 물체 재식별 정확도가 평균 18% 향상되었으며, 템플릿 추정 정확도는 22% 상승했다. 또한, 모델 선택 과정이 적절히 작동해 실제 존재하는 물체와 템플릿 수를 거의 정확히 복원했다.

이 논문의 기여는 다음과 같다. (1) 비정적 환경에서 물체와 클래스 템플릿을 동시에 학습하는 확률적 계층 모델을 제안, (2) EM 기반 파라미터 추정과 베이지안 모델 선택을 결합해 모델 차원을 자동 결정, (3) 실제 로봇 실험을 통해 기존 비계층적 접근보다 실용적인 성능 향상을 입증. 이러한 접근은 장기적인 서비스 로봇 운영, 동적 물류 환경 매핑, 그리고 인간‑로봇 협업 시 객체 인식·추적에 유용하게 적용될 수 있다.