대규모 병렬 Kinodynamic 샘플링 플래너 KinoPAX 플러스의 근접 최적성 구현

초록

Kino‑PAX+는 GPU 기반의 대규모 병렬 연산을 활용해 Kinodynamic 샘플링 기반 모션 플래너를 설계하고, 지역별 가장 비용이 낮은 노드만 선택·확장함으로써 확률적 δ‑robust 완전성과 근접 최적성을 동시에 보장한다. 기존 GPU 플래너가 제공하던 단순 가시성 탐색을 넘어, 비용 기반 선택·가지치기 메커니즘을 도입해 6‑D 이중 적분기와 12‑D 비선형 시스템에서 실시간(10 ms~수백 ms) 수준의 해결 시간을 달성하면서, 솔루션 비용을 기존 CPU·GPU 플래너보다 크게 낮춘다.

상세 분석

본 논문은 Kinodynamic 제약을 갖는 고차원 로봇 시스템에 대해, 실시간 수준의 탐색 속도와 근접 최적성을 동시에 만족시키는 새로운 샘플링 기반 플래너 Kino‑PAX+를 제안한다. 핵심 아이디어는 전통적인 SBMP가 순차적으로 수행하던 ‘노드 선택 → 노드 확장 → 노드 가지치기’ 과정을 완전히 병렬화하여 GPU의 수천 개 스레드에서 동시에 실행하도록 재구성한 것이다. 이를 위해 저자는 먼저 작업 공간을 대각선 길이 δ 인 하이퍼큐브 집합 R 으로 분할하고, 각 영역마다 현재까지 발견된 최소 비용 경로를 원자적 변수 cost(R_i) 에 저장한다.

노드 선택 단계에서는 활성 집합 V_A 에 포함된 모든 노드에 대해 λ 개의 무작위 제어 입력을 동시에 샘플링하고, ODE 통합을 통해 후보 상태 x′ 를 생성한다. 후보 궤적이 충돌·제약을 만족하면 해당 상태를 영역 R_i 에 매핑하고, cost(x_init→x′) 를 계산한다. 이 비용이 cost(R_i) 보다 작을 경우 원자적 업데이트를 수행해 cost(R_i) 을 갱신하고, 동시에 V_U (미탐색 집합)에 새로운 노드를 삽입한다. 이렇게 함으로써 각 영역에서 가장 비용이 낮은 경로만이 다음 확장 단계에 진입하도록 강제한다.

그 후 ‘PruneNodes’ 서브루틴이 병렬적으로 작동해, 비용이 개선되지 않은 노드들을 비활성 집합 V_I 으로 이동시키고, 일정 횟수 이상 개선되지 않은 노드는 영구적으로 제거( V_T )한다. 이 과정은 SST에서 사용되는 비용 기반 가지치기와 유사하지만, GPU 환경에 맞게 락‑프리 원자 연산과 배치 처리로 구현돼 동기화 오버헤드를 최소화한다.

이론적 분석에서는 먼저 시스템 동역학이 Lipschitz 연속이며 Chow 조건을 만족한다는 가정 하에, 무작위 샘플링이 충분히 밀집될 경우 모든 δ‑robust 경로를 탐색할 확률이 1에 수렴함을 보인다(확률적 완전성). 이어서, 지역별 최소 비용 노드만을 유지함으로써 탐색 공간이 점진적으로 비용 하한에 수렴하고, 전체 트리의 비용이 최적 비용 c* 에 대해 (1+β) 배 이하가 되는 근접 최적성을 보장한다. 이러한 증명은 기존 SST의 비증명적 근접 최적성 결과를 GPU 병렬화 환경에 그대로 적용할 수 있음을 보여준다.

실험에서는 6‑D 이중 적분기와 12‑D 비선형 차량 모델을 대상으로, 기존 CPU 기반 SST, RRT* 및 GPU 기반 Kino‑PAX와 비교했다. 결과는 Kino‑PAX+가 최초 솔루션을 10 ms 수준(6‑D)·수백 ms(12‑D) 내에 제공하며, 동일 시간 내 비용은 기존 방법보다 평균 30 %~50 % 낮았다. 특히, 장시간(수초) 계획 시 비용 수렴 곡선이 급격히 가팔라져, 최종 비용이 c* 에 매우 근접함을 확인했다.

한계점으로는 δ 값과 영역 크기 δ 선택이 탐색 효율에 큰 영향을 미치며, 매우 복잡한 비선형 제약이 있는 경우 λ (분기 계수)와 GPU 메모리 한계 사이의 트레이드오프가 존재한다는 점을 언급한다. 향후 연구에서는 적응형 영역 분할 및 동적 λ 조정 전략을 도입해 다양한 시스템에 대한 일반성을 높일 수 있을 것으로 기대한다.