모바일 매니퓰레이터를 위한 신경망 기반 일반화 구성공간 거리장과 고속 궤적 최적화

초록

본 논문은 이동형 로봇과 팔을 동시에 고려한 고차원 구성공간에서 충돌 회피를 직접 모델링하는 일반화 구성공간 거리장(GCDF)을 제안한다. 신경망으로 학습한 연속적 GCDF와 그 그래디언트를 GPU에서 대규모 배치 처리하도록 설계했으며, 이를 기반으로 순차적 볼록 최적화(SCO) 프레임워크를 구현한다. 제안 방법은 수천 개의 충돌 제약을 실시간으로 활성화·비활성화하고, 장면 변화에 빠르게 재계획할 수 있어 기존 샘플링·RL·전통 최적화 기법보다 높은 성공률과 짧은 해결 시간을 보인다.

상세 분석

이 연구는 모바일 매니퓰레이터의 전체 몸체(베이스 + 팔) 움직임을 고차원 구성공간에서 직접 최적화하는 새로운 패러다임을 제시한다. 기존 방법은 작업공간 기반 ESDF와 구형/점 근사체를 사용해 비선형 포워드키네마틱 매핑을 회피하려 했지만, 이는 기하학적 정확도 손실과 비볼록 비용 지형을 초래한다. 논문은 이러한 한계를 극복하기 위해 구성공간 거리장(CDF)의 개념을 확장한 Generalized CDF(GCDF)를 정의한다. GCDF는 변환(평행이동) 자유도를 포함한 로봇의 모든 자유도를 하나의 거리 함수로 통합하며, 로봇 표면과 환경 점 사이의 최소 구성공간 거리를 직접 측정한다. 이때 거리 함수는 유클리드 거리와 유사한 로컬 구조를 유지하므로, 미분가능하고 부드러운 그래디언트를 제공한다.

핵심 기술은 두 단계로 나뉜다. 첫째, 대규모 데이터 생성 파이프라인을 설계해 무한 작업공간에서 제로레벨 집합(접촉 구성을 나타내는 집합)을 효율적으로 샘플링한다. 여기서는 평행이동에 대한 등변성을 활용해 격자 기반 서브셋을 결합하고, 데이터 폭발을 방지한다. 둘째, 이러한 데이터를 이용해 신경망을 학습시켜 연속적인 GCDF와 그 미분값을 얻는다. 신경망은 입력으로 전체 구성벡터(베이스 위치·방향 + 관절 각도)를 받아 스칼라 거리와 벡터형 그래디언트를 출력한다. 학습 과정에서 거리 오차와 그래디언트 오차를 동시에 최소화함으로써 최적화 단계에서 높은 정확도를 보장한다.

두 번째 주요 기여는 GCDF를 제약식으로 활용한 순차적 볼록 최적화(SCO) 알고리즘이다. 각 타임스텝에서 ℓ₁-패널티 형태의 충돌 제약을 정의하고, 로컬 트러스트 영역 내에서 1차 정보(값·그래디언트)만을 사용해 QP 서브문제를 해결한다. 활성 제약을 탐지하는 과정에서 GPU 배치를 이용해 수천 개의 제약을 동시에 평가하고, 희소성을 활용해 활성 집합만을 추출한다. 이로써 제약 행렬 조립 비용과 QP 해결 시간이 크게 감소한다. 또한, 제약을 동적으로 삽입·삭제할 수 있는 온라인 관리 메커니즘을 도입해 장면 변화(새로운 장애물 등장·제거) 시 전체 문제를 재구성하지 않고도 빠르게 재계획한다.

실험에서는 무작위 고밀도 장애물 시나리오와 실제 로봇 플랫폼을 이용해 기존 PRM‑RRT, 샘플링 기반 전체 몸체 플래너, 그리고 최신 최적화 기반 방법과 비교하였다. 제안 방법은 초기 궤적이 단순한 선형 보간일 때도 90 % 이상 성공률을 유지했으며, 평균 해결 시간은 0.2 ~ 0.5 초 수준으로 경쟁 기법보다 2‑3배 빠르다. 특히, 복잡한 협소 통로를 통과할 때 베이스와 팔의 협동 움직임을 자연스럽게 생성해, 기존 방법이 실패하던 상황에서도 안정적으로 충돌을 회피한다.

이 논문은 구성공간 기반 충돌 회피가 고차원 로봇 시스템에 적용 가능함을 실증적으로 보여준다. 신경망 기반 GCDF는 정확한 거리와 미분 정보를 제공하면서도 GPU 가속을 통해 실시간 요구사항을 충족한다. 또한, 활성‑제약 기반 SCO는 대규모 제약을 효율적으로 다루어 모바일 매니퓰레이터와 같은 복합 로봇의 빠르고 안전한 궤적 생성에 새로운 길을 연다.