뉴럴 암시적 흐름 필드로 구현하는 연속 시공간 모션 맵

초록

로봇의 안전하고 효율적인 운용을 위해 특정 환경의 인간 동작 패턴을 학습하는 Maps of Dynamics(MoDs) 기술이 있다. 기존 MoDs는 공간을 이산적으로 샘플링하고 오프라인 구축 비용이 큰 한계가 있었다. 본 연구는 암시적 신경망 표현을 기반으로 한 연속적인 시공간 MoD 표현인 ‘NeMo-map’을 제안한다. 이 방법은 좌표를 Semi-Wrapped Gaussian Mixture Model의 매개변수에 직접 매핑하여 이산화와 보간이 필요 없으며, 공간과 시간에 걸쳐 부드러운 일반화를 가능하게 한다. 실제 인간 추적 데이터셋에 대한 평가에서 기존 방법 대비 더 정확한 모션 표현과 희소 지역에서 더 부드러운 속도 분포를 보였으며, 계산 효율성도 유지하였다.

상세 분석

본 논문이 제안하는 NeMo-map의 핵심 기술적 혁신은 ‘연속성(Continuity)‘과 ‘암시적 신경 표현(Implicit Neural Representation)‘에 있다. 기존 CLiFF-map이나 STeF-map과 같은 방법은 환경을 그리드로 분할한 후 각 셀에 통계 모델(예: SWGMM)을 fitting하는 이산적 방식을 사용했다. 이는 해상도 선택에 의존적이며, 샘플링이 부족한 지역에서는 보간이 필요하고, 셀 경계에서 불연속성이 발생할 수 있다.

NeMo-map은 이러한 문제를 근본적으로 해결한다. 공간 좌표 (x, y)와 시간 t를 입력으로 받는 하나의 신경망 함수 Φ_θ를 학습시켜, 임의의 질의점에서 바로 SWGMM의 파라미터(가중치 w_j, 평균 μ_j, 공분산 Σ_j)를 출력한다. 이는 마치 Neural Radiance Field(NeRF)가 3D 공간의 점을 색상과 밀도로 매핑하는 것과 유사한 개념으로, ‘동역학 필드(Dynamics Field)‘를 연속 함수로 모델링한 것이다.

구조적으로는 공간적 변동성을 포착하기 위해 학습 가능한 특징 그리드에서 bilinear interpolation된 특징(f_s(x))과, 주기적 활성함수를 사용해 시간 패턴을 효과적으로 인코딩하는 SIREN 네트워크의 출력(f_t(t))을 결합하여 MLP의 입력으로 사용한다. 이는 지역적 세부사항과 주기적 시간 변화를 동시에 모델링할 수 있게 한다.

사용된 확률 모델인 Semi-Wrapped Gaussian Mixture Model(SWGMM)은 방향(θ)과 속도(ρ)의 결합 분포를 모델링하는 데 적합하다. 방향은 원주상의 랩핑(wrapping) 변수이고 속도는 선형 변수이기 때문이다. SWGMM은 이 두 변수 간의 상관관계를 포착할 수 있으며, 교차로 등에서 나타나는 다중 모드(multimodal) 흐름 패턴(예: 직진/좌회전/우회전)을 자연스럽게 표현할 수 있다.

실험 결과에서 높은 정확도(NLL 측면)와 희소 지역에서의 부드러운 분포 생성 능력은 바로 이 연속성에서 기인한다. 신경망은 훈련 데이터가 있는 지점 사이의 공간을 매끄럽게 보간(interpolate)할 수 있으며, 시간 변수 t에 대한 조건화를 통해 하루 중 시간대별로 변화하는 보행 패턴(예: 출근시간의 혼잡, 야간의 적은 흐름)을 하나의 네트워크로 통합 모델링할 수 있다. 이는 각 시간대별로 별도의 모델을 학습해야 하는 기존 방법에 비해 파라미터 효율성과 일반화 능력에서 우위를 점한다. 또한 학습 후에는 어떤 좌표와 시간이든 O(1) 시간에 동역학 분포를 쿼리할 수 있어 실시간 응용에 유리하다.