불확실한 환경에서 LTL 기반 로봇 제어와 확률적 만족 보장

초록

본 논문은 로봇이 분할된 환경에서 각 구역의 속성 만족 확률을 이용해, 선형시제논리(LTL)로 정의된 임무를 최대 확률로 수행하도록 제어 전략을 설계하는 방법을 제시한다. 환경·동작의 불확실성을 마코프 결정 과정(MDP)으로 모델링하고, 확률적 모델 검증 기법을 활용해 LTL 만족 확률을 최적화한다.

상세 분석

이 연구는 로봇이 복잡한 임무를 수행할 때 발생하는 두 가지 근본적인 불확실성을 동시에 고려한다. 첫 번째는 센서와 환경 속성의 확률적 만족도이다. 구역마다 특정 프로퍼티가 존재할 확률이 사전에 알려져 있으며, 로봇은 현재 위치에서만 해당 프로퍼티의 실제 값을 관측할 수 있다. 두 번째는 액추에이터의 확률적 전이이다. 하나의 제어 입력이 여러 가능한 다음 구역으로 전이될 확률 분포를 갖는다. 이러한 가정을 바탕으로 저자들은 로봇의 움직임을 그래프 형태의 상태 전이 모델로 추상화하고, 각 상태‑행동 쌍에 전이 확률을 할당한 마코프 결정 과정(MDP)으로 변환한다.

핵심 기여는 “MDP 위에서 LTL 만족 확률을 최대화하는 정책 생성” 문제를 기존의 확률적 모델 검증(PCTL, LTL model checking) 결과와 연결시킨 점이다. 저자들은 LTL 공식의 Büchi 자동화 변환을 이용해 MDP와 곱(product) MDP를 구성한다. 곱 MDP의 수용 상태는 원래 LTL 자동화의 수용 상태와 일치하며, 여기서 목표는 무한히 반복되는 수용 상태에 도달할 확률을 최대로 하는 스테이션리 정책을 찾는 것이다. 이를 위해 확률적 최적 제어 이론에서 사용되는 최대 평균 보상(max‑mean) 또는 최대 도달 확률(max‑reachability) 알고리즘을 적용한다.

알고리즘은 크게 세 단계로 나뉜다. (1) LTL → 비결정적 Büchi 자동화 변환, (2) 원본 MDP와 자동화의 곱 MDP 구성, (3) 곱 MDP에서 수용 SCC(Strongly Connected Component)를 식별하고, 해당 SCC에 도달할 최대 확률을 동적 프로그래밍 방식으로 계산한다. 정책은 각 MDP 상태에서 어떤 제어 입력을 선택해야 하는지를 명시하며, 이는 로봇이 현재 관측한 프로퍼티와 위치에 기반해 실시간으로 적용 가능하다.

이론적 복잡도는 LTL 공식의 크기와 MDP 상태·행동 수에 따라 결정되며, 일반적인 경우 지수적이지만, 실제 로봇 응용에서는 환경 분할과 속성 집합을 적절히 제한함으로써 실용적인 실행 시간을 확보한다. 또한, 저자들은 확률적 만족 보장을 정량적으로 제공하므로, 미션 성공률을 사전에 평가하고 위험 관리에 활용할 수 있다.