불확실성에 맞서는 지능형 탐사 로봇, B ActiveSEAL

초록

로봇의 자율 탐사에서 국지화(자기 위치 추정)와 매핑(지도 작성)의 불확실성은 서로 긴밀하게 연결되어 있어 이를 동시에 고려한 의사결정은 계산적으로 매우 어렵습니다. 본 연구는 ‘B-ActiveSEAL’이라는 새로운 프레임워크를 제안합니다. 이는 정보 이론을 기반으로, 두 불확실성을 결합하여 고려하면서도 계산 효율성을 유지합니다. 특히 ‘행동 엔트로피(Behavioral Entropy)‘라는 개념을 도입해 미션 목표(예: 위험 회피적 탐사 vs 신속한 탐사)에 따라 탐사 행동을 직관적으로 조절할 수 있게 했습니다. 시뮬레이션을 통해 기존 방법 대비 균형 잡힌 탐사 성능을 입증했습니다.

상세 분석

본 논문이 해결하고자 하는 근본적인 문제는 로봇 자율 탐사에서 국지화와 매핑 간의 ‘결합된 불확실성(Coupled Uncertainty)‘을 효율적이고 원칙적으로 처리하는 것입니다. 기존 방법은 계산의 편의를 위해 두 불확실성을 독립적으로 가정하거나, 이를 고려하더라도 탐사(새 영역 매핑)와 활용(기존 지도로 정확한 국지화) 사이의 균형을 경험적 가중치 조정에 의존했습니다. B-ActiveSEAL의 핵심 기술적 기여는 세 가지로 요약됩니다.

첫째, ‘T-BayesMap’이라는 새로운 확률적 모델링을 통해 국지화 불확실성이 매핑 과정에, 매핑 불확실성이 국지화 과정에 상호 영향을 미치도록 설계했습니다. 이를 위해 빔 센서 측정 모델을 통일된 가우시안 형태로 재구성하여, 복잡한 결합 분포의 엔트로피를 직접 계산하지 않고도 맵만의 엔트로피가 국지화 불확실성을 암묵적으로 반영하도록 했습니다. 이는 계산 부담을 크게 줄이면서도 두 불확실성의 상호작용을 원칙적으로 반영하는 길을 열었습니다.

둘째, 샤논 엔트로피 대신 ‘일반화된 엔트로피(Generalized Entropy)’ 클래스를 전체 프레임워크에 적용할 수 있는 기반을 마련했습니다. 기존에는 일반화 엔트로피의 비선형성 때문에 미래 불확실성 예측이 계산적으로 불가능했으나, 제안된 결합 불확실성 모델 하에서는 이를 극복할 수 있었습니다. 이는 탐사 전략의 유연성을 획기적으로 높입니다.

셋째이자 가장 독창적인 점은 ‘행동 엔트로피(Behavioral Entropy, BE)‘를 적극 탐사에 최초로 통합한 것입니다. BE는 행동 경제학에서 유래한 개념으로, 인간의 불확실성에 대한 판단(회피적 또는 무시적)을 모델링합니다. 매개변수(α, β)를 조정함으로써 로봇의 탐사 행동을 미션에 맞게 설계할 수 있습니다. 예를 들어, 재난 지역 탐사에서는 불확실성을 크게 평가해 위험을 회피하는 보수적 행동(활용 중심)을, 창고 매핑에서는 불확실성을 과소평가해 빠르게 새로운 영역을 탐사하는 공격적 행동(탐사 중심)을 유도할 수 있습니다. 이는 단순히 불확실성에 반응하는 것을 넘어, 미션 인지적(Mission-Aware) 탐사를 가능하게 하는 핵심 요소입니다.