인공지능 기반 밀도 구동 최적 제어를 이용한 분산 환경 매핑

초록

본 논문은 제한된 센서와 통신 환경에서 다중 로봇이 협업하여 환경의 공간 분포를 재구성하도록 설계된 AI‑augmented D²OC 프레임워크를 제안한다. 기존 D²C/D²OC가 정확한 사전 지도에 의존하는 반면, 제안 방법은 두 개의 MLP를 통해 현장 측정과 방문 이력으로부터 지역 평균·분산 및 가상 불확실성을 추정하고, 이를 최적 수송 기반의 가중 중심 제어에 반영한다. 이론적으로 2‑Wasserstein 거리 아래 수렴을 증명했으며, 시뮬레이션에서 편향된 사전 지도와 노이즈가 있는 경우에도 기존 분산 기법보다 빠르고 정확하게 진실 분포에 수렴함을 보였다.

상세 분석

본 연구는 분산 환경 매핑 문제를 최적 수송(Optimal Transport, OT) 이론과 인공지능(AI) 기반 불확실성 추정이 결합된 새로운 제어 프레임워크로 재구성한다. 먼저, 각 로봇은 제한된 감지 범위 내에서 측정값 ξₖⱼ = ρ_GT(xₖⱼ)+εₖⱼ 를 수집하고, 누적된 센서 데이터와 이웃 로봇의 통계 정보를 이용해 지역 평균 μₖⱼ와 분산 σ²ₖⱼ 를 추정한다. 여기서 핵심은 두 개의 다층 퍼셉트론(MLP)이다. 첫 번째 MLP은 노이즈가 포함된 센서 데이터를 정제하여 μₖⱼ와 σ²ₖⱼ 를 보정하고, 두 번째 MLP은 로봇의 방문 이력(시간‑거리 기반)을 입력으로 받아 가상 불확실성 σ²ₖⱼ,virtual 을 생성한다. 이 가상 불확실성은 장기간 방문되지 않은 영역에 높은 가중치를 부여함으로써 로봇이 지역적 최소점에 머무르는 현상을 완화한다.

각 로봇은 (5)식에서 정의된 중요도 점수 ϕₖⱼ = μₖⱼ + c₁σ²ₖⱼ + c₂σ²ₖⱼ,virtual 을 계산하고, 이를 거리 가중치 sⱼ = ϕₖⱼ‖pₖᵢ−qₖⱼ‖와 결합해 샘플을 정렬한다. 총 질량 1/M 이하가 될 때까지 상위 샘플을 선택해 로컬 샘플 집합 Sₖᵢ,loc 을 구성한다. 이후, OT 기반 가중 중심 qᵢ,c 를 구하고, 선형 이산 시간(LTI) 시스템 모델 xₖ₊₁ᵢ = Aᵢxₖᵢ + Bᵢuₖᵢ, pₖᵢ = Cᵢxₖᵢ 에 대해 유도된 폐쇄형 제어 법칙 uₖᵢ = (R + γₖBᵢᵀBᵢ)⁻¹γₖBᵢᵀ(qᵢ,c − Aᵢxₖᵢ) (9)를 적용한다. 여기서 γₖ는 선택된 샘플들의 총 운송 질량이며, 제어 입력은 가중 중심으로의 이동 비용과 제어 에너지 비용 사이의 트레이드오프를 최적화한다.

이론적 분석에서는 2‑Wasserstein 거리 W₂(ρ̂ₖᵢ, ρ_GT) 가 시간에 따라 단조 감소함을 보였으며, 무한히 반복될 경우 ε 이하의 잔차만 남긴다. 수렴 증명은 가중 중심이 매 단계에서 최적 운송 비용을 최소화한다는 Lemma 1과, LTI 시스템에 대한 최적 제어 해가 존재한다는 Theorem 1을 기반으로 한다.

시뮬레이션에서는 2‑D 다중 모달 분포와 복잡한 지형을 사용해 10대 로봇이 협업하도록 설정하였다. 편향된 초기 사전 지도와 센서 노이즈 σ_sensor = 0.1을 가정했을 때, AI‑augmented D²OC은 평균 W₂ 거리에서 기존 D²OC 대비 45% 감소, 최종 매핑 정확도(F1‑score)에서 30% 향상을 기록했다. 또한, 가상 불확실성 모듈을 비활성화하면 로봇이 고밀도 영역에 머무르는 현상이 나타나 수렴 속도가 현저히 저하되는 것을 확인하였다.

본 논문의 강점은 (1) 완전 분산 구조에서 전역 목표(ground‑truth 분포)와의 수렴을 보장한다는 점, (2) AI 모듈을 통해 실시간으로 불확실성을 추정·보정함으로써 편향된 사전 지도에 대한 강인성을 확보한다는 점, (3) LTI 시스템에 대한 해석적 제어 법칙을 제공해 구현 복잡도를 낮춘다는 점이다. 반면, 제한점으로는 (가) MLP 학습에 필요한 사전 데이터가 충분히 다양해야 한다는 점, (나) 가상 불확실성 파라미터 c₂와 가중치 조정이 문제 특성에 따라 민감하게 변할 수 있다는 점, (다) 실시간 통신 지연이나 패킷 손실을 고려한 안정성 분석이 부족하다는 점을 들 수 있다. 향후 연구에서는 비선형 동역학, 비동기 통신, 그리고 실제 로봇 플랫폼에서의 현장 실험을 통해 이론적 결과를 검증하고, 강화학습 기반의 불확실성 추정기를 도입해 파라미터 자동 튜닝을 탐색할 필요가 있다.