데이터는 적게, 성능은 크게: 제한된 데이터로 확장 가능한 시각적 내비게이션

초록

본 논문은 인간 전문가 시연이 부족한 상황에서 고전적인 기하학적 플래너를 활용해 합성 궤적을 생성하고, 이를 제한된 실제 시연 데이터와 결합해 트랜스포머 기반 정책 LiMo를 학습한다. 목표 조건 SE(2) 궤적을 단일 RGB 이미지로 예측하도록 설계했으며, 데이터 규모와 다양성이 성능에 미치는 영향을 정량·정성적으로 분석하고 실제 로봇에 적용한다.

상세 분석

LiMo는 목표‑조건화된 시각적 내비게이션을 위해 단일 전방 RGB 이미지와 목표 pose (g∈SE(2))를 입력으로 받아 N개의 연속적인 waypoint s₁…s_N을 출력하는 트랜스포머 디코더 구조를 채택한다. 핵심 아이디어는 ‘데이터 효율성’이다. 기존 연구는 대규모 인간 시연(수백 시간) 혹은 크로스‑임베디드 데이터에 의존했지만, 실제 로봇 현장에서는 시연 수집 비용이 크게 제한된다. 저자들은 두 종류의 데이터셋을 구축한다. 첫 번째는 GrandTour 로봇이 실제 환경에서 텔레오퍼레이트한 D_TEL 로, 인간의 선호와 사회적 규범을 그대로 담고 있다. 두 번째는 동일한 RGB‑elevation 쌍에 대해 MPPI 기반 기하학적 플래너를 적용해 무작위 목표를 샘플링하고, traversability CNN (Embodiment‑specific)과 geodesic distance를 이용해 비용함수 J 를 정의해 최적 궤적을 생성한 D_GEO 이다. D_GEO는 목표 도달 가능성, 장애물 회피, 제어 노력 등을 균형 있게 고려해 실제 로봇의 동역학을 반영한다.

데이터 증강 전략은 ‘전문가 시연 + 기하학적 합성’ 형태로, D_TEL 과 D_GEO 를 단순 합쳐 D_AUG 를 만든다. 실험에서는 D_TEL만 사용했을 때와 D_AUG로 학습했을 때의 Success weighted by Path Length (SPL) 차이를 상세히 측정한다. 결과는 D_AUG가 평균 +12 % SPL 향상을 보이며, 특히 복잡한 지형·조명 변화에 강인함을 나타낸다. 또한, 목표가 도달 불가능한 경우에도 안전하게 탐색하도록 학습된 점이 강조된다.

아키텍처 측면에서 LiMo는 이미지 인코더(ViT‑B)와 목표 임베딩을 결합해 시퀀스 토큰을 생성하고, 이를 디코더가 waypoint 시퀀스로 변환한다. 각 waypoint은 (x, y, θ) 형태이며, 로봇‑중심 좌표계에 직접 매핑돼 로컬 플래너 역할을 수행한다. 학습은 행동 클로닝 손실(L2)과 waypoint 간 연속성을 보장하는 smoothness regularizer를 동시에 최적화한다.

한계점으로는 (1) MPPI 플래너가 제공하는 ‘완전한’ 기하학적 정보가 실제 배포 시에 elevation map이 부정확하거나 누락될 경우 성능 저하 위험이 있다. (2) 목표 이미지 기반 조건화가 아니라 pose‑조건화이므로, 목표 시각적 특징을 활용한 고차원 목표 설정에는 제한적이다. (3) 현재는 단일 로봇(ANYmal) 전용 데이터에 초점을 맞추었으며, 크로스‑임베디드 일반화는 별도 연구가 필요하다.

전반적으로 본 연구는 ‘데이터 양이 아닌 데이터 질·다양성’에 초점을 맞추어, 기하학적 플래너와 인간 시연을 효율적으로 결합함으로써 데이터 효율적인 시각적 내비게이션 정책을 구현했다는 점에서 의미가 크다.