밀어내기 로봇을 위한 통합 벤치마크

초록

Bench‑Push는 이동 로봇이 물체를 밀어내어 목표를 달성하는 네비게이션·조작 작업을 평가하기 위한 최초의 통합 벤치마크이다. 2D·3D 시뮬레이션 환경(미로, 빙판 선박, 박스 전달, 구역 정리)을 제공하고, 효율성·상호작용·부분 성공을 측정하는 새로운 지표를 제안한다. 또한 SAC·PPO와 같은 강화학습 기법과 SAM·ASV 플래너 등 기존 방법을 베이스라인으로 구현·평가한다. 코드와 모델은 오픈소스로 공개돼 재현성과 확장성을 확보한다.

상세 분석

Bench‑Push는 이동 로봇이 정적·동적 장애물을 단순 회피하는 수준을 넘어, 물체를 의도적으로 밀어내어 환경을 재구성하는 문제에 초점을 맞춘다. 논문은 먼저 기존 연구가 각각 독립적인 시뮬레이션과 비표준 지표에 의존해 결과 비교가 어려웠던 점을 지적한다. 이를 해결하기 위해 네 가지 핵심 환경을 설계했는데, 각각은 실제 로봇 적용을 고려한 물리적 특성을 반영한다. 미로 환경은 실내 사무실·병원과 유사한 직사각형 방 구조와 무작위 이동 장애물을 포함해, 로봇이 일정 속도로 전진하면서 각도 제어만으로 목표 지점에 도달하도록 한다. 관측은 정적·동적 장애물 점유도, 로봇 발자국, 목표까지의 거리 변환(DT) 네 채널로 구성돼, 시각적 정보와 목표 방향성을 동시에 제공한다.

Ship‑Ice 환경은 해양 분야를 모델링해, 선박이 일정 전진 속도로 움직이며 각도 명령을 받아 빙덩어리를 회피한다. 빙덩어리는 복합 다각형 형태이며, 물리 엔진이 없으므로 2D 평면에 선형·이차 항력으로 근사한다. 관측에 선박의 헤딩 라인 채널을 추가해, 밀집된 빙덩어리 사이를 정밀하게 탐색하도록 설계했다.

Box‑Delivery와 Area‑Clearing은 조작 중심 작업으로, 로봇이 전면 범퍼를 이용해 박스를 목표 수용구나 지정 구역 밖으로 밀어낸다. 여기서는 로봇이 헤딩 명령을 받아 일정 거리 이동하고, 관측에 정적·동적 점유도와 로봇·목표 DT를 포함한다. 보상 구조는 박스 이동·배달·제거에 대한 긍정적 보상과 정적 장애물 충돌·목표에서 멀어지는 행동에 대한 패널티를 조합한다.

Bench‑Push가 제안하는 평가 지표는 기존 네비게이션 성공률·충돌 횟수에 머물지 않는다. 효율성(경로 길이·시간), 상호작용 노력(총 추진력·밀어낸 거리), 부분 성공(예: 일부 박스만 배달) 등을 정량화한다. 이는 로봇이 “필요한 만큼만” 환경을 변형하는지를 측정해, 과도한 힘 사용이나 불필요한 물체 이동을 억제한다.

베이스라인 구현에서는 일반 강화학습 알고리즘(SAC, PPO)과 작업 특화 방법(SAM, ASV 플래너)을 포함한다. 실험 결과, 특화 알고리즘이 특정 환경에서 더 높은 성공률과 낮은 상호작용 비용을 보였지만, 강화학습 기반 정책도 충분히 학습 가능하며, 특히 2D 빠른 프로토타이핑 단계에서 유용함을 확인했다. 또한 시뮬레이션에서 학습된 정책을 실제 로봇에 그대로 적용했을 때, 성능 저하가 제한적이었으며, 이는 Bench‑Push가 시뮬레이션·실제 전이(simu‑to‑real)를 고려한 설계임을 입증한다.

전반적으로 Bench‑Push는 환경·관측·보상·지표를 일관되게 정의하고, Python 기반 Gymnasium 인터페이스와 MuJoCo·Pymunk 구현을 제공함으로써 연구자들이 손쉽게 새로운 알고리즘을 테스트하고 비교할 수 있게 한다. 오픈소스 코드와 사전 학습 모델을 공개함으로써 재현성을 높이고, 향후 물체 밀어내기 기반 로봇 시스템의 표준화된 평가 기반을 마련한다.