로봇을 위한 리만 거리장과 측지 흐름

초록

본 논문은 로봇의 구성공간에서 비유클리드 구조를 반영한 거리장을 정의하기 위해 리만 유클리드 방정식을 풀어 전역적인 거리 필드와 측지 흐름을 얻는 방법을 제안한다. 물리‑정보 신경망(PINN)을 이용한 메쉬‑프리 신경 리만 유클리드 솔버(NES)를 설계해 고차원 매니퓰레이터에도 확장 가능하도록 하였으며, 경계 조건과 공간적 변동 메트릭을 조건화한 두 변형을 제시한다. 다양한 로봇 과제에 적용해 최소 길이 측지를 실시간으로 추출하고, 에너지 효율적인 궤적 생성에 유리함을 실험적으로 입증한다.

상세 분석

이 연구는 로봇 제어·계획 분야에서 거리 함수가 차지하는 핵심적 역할을 재조명하고, 기존 유클리드 기반 SDF가 다루기 어려운 비유클리드(리만) 구조를 일반화한다는 점에서 학문적·실용적 의의를 가진다. 논문은 먼저 리만 거리장을 정의하기 위해 리만 유클리드 방정식 ∥∇U∥{G^{-1}}=1을 제시한다. 여기서 G(x)는 각 지점에서 정의되는 SPD(대칭 양정) 메트릭 텐서이며, 이는 관절 관성, 잠재 에너지, 작업 공간 가중치 등 로봇 물리량을 직접 반영한다. 기존 Fast Marching Method(FMM)와 같은 격자 기반 해법은 차원 저주와 메모리 한계에 봉착하지만, 저자들은 물리‑정보 신경망(PINN) 프레임워크를 활용해 메쉬‑프리 형태의 연속 함수 U_θ(x)를 학습한다. 자동 미분을 통해 ∇U를 정확히 계산하고, PDE 잔차 ‖∇U‖{G^{-1}}−1을 손실에 포함시켜 거리장의 물리적 일관성을 보장한다. 또한 경계 조건 U(x_s)=0(출발점)과 메트릭 자체를 입력으로 받아 조건화하는 두 변형(NES‑B, NES‑M)을 도입해, 하나의 네트워크가 다양한 시작‑목표 쌍 혹은 공간적으로 변하는 메트릭을 동시에 처리하도록 설계했다. 이 접근법은 (1) 전역적인 거리 필드를 한 번 학습하면 임의의 쿼리에 밀리초 수준의 응답을 제공하고, (2) 고차원(7‑DoF 이상) 매니퓰레이터에서도 격자 기반 방법보다 메모리·시간 효율이 뛰어나며, (3) 학습 과정에서 라벨이 필요 없으므로 실제 로봇 시스템에 바로 적용 가능하다는 장점을 갖는다. 실험에서는 동역학 기반 메트릭(관성 행렬), Jacobi 메트릭(에너지 보존), pullback 메트릭(작업 공간 가중치) 등을 적용해 planar robot, 7‑DoF Franka arm 등에서 최소 길이 측지를 계산하고, 에너지 소모가 기존 최적화 기반 경로보다 현저히 낮음을 확인했다. 특히, 측지 흐름을 역방향 적분해 얻는 경로는 연속적이고 매끄러워 제어 트래킹 오류가 감소한다는 점에서 실시간 로봇 제어에 유리하다. 전체적으로 이 논문은 리만 기하학을 로봇 거리장에 자연스럽게 통합하고, PINN 기반 메쉬‑프리 솔버를 통해 고차원 비유클리드 공간에서도 실용적인 거리·경로 정보를 제공한다는 점에서 로봇 학습·계획·제어 연구에 새로운 패러다임을 제시한다.