SuReNav : 초픽셀 그래프 기반 제약 완화로 인간‑같은 로봇 내비게이션 구현

초록

**
본 논문은 반정적(semistatic) 환경에서 하드 제약을 피하면서 소프트 제약을 최소한으로 완화하는 “최선‑노력” 경로를 찾는 문제를 다룬다. 저자는 이미지 기반 지도에 SLIC 초픽셀을 적용해 지역 그래프를 만든 뒤, 그래프 신경망(GNN)으로 각 초픽셀의 완화 비용을 추정하고, 차별화 가능한 A* 탐색과 결합해 인간 시연 데이터를 학습한다. 실험은 2D·3D OpenStreetMap 시나리오와 실제 Spot 로봇을 이용한 도시 주행에서 기존 방법들을 앞서며, 안전·효율·인간 유사성 사이의 균형을 성공적으로 달성한다.

**

상세 분석

**
SuReNav은 기존 내비게이션 플래너가 사전에 정의된 영역 비용에 의존해 복잡한 환경에 일반화하기 어려운 점을 극복하고자 한다. 핵심 아이디어는 (1) 지도 영상을 SLIC 초픽셀로 과분할해 동일 의미론적 라벨을 공유하는 컴팩트한 노드 집합을 만든 뒤, 인접 초픽셀 간의 거리와 라벨 정보를 엣지 가중치로 정의한 초픽셀 그래프를 구축하는 것이다. 이렇게 하면 연속적인 공간을 이산적인 그래프 형태로 추상화하면서도 지역 경계가 정확히 보존된다.

다음 단계는 그래프 신경망을 이용한 ‘제약 완화 비용’ 추정이다. 저자는 GraphGPS 구조를 차용해 메시지 패싱(GatedGCN)과 전역 어텐션(Transformer) 레이어를 교차시킨 GPS 레이어를 여러 층 쌓아, 각 노드에 대한 비용 Ψ_G(r_i) 를 예측한다. 여기서 비용은 소프트 제약 영역을 통과할 때 발생하는 위험도와 인간 시연에서 관찰된 ‘허용 가능한 위반 정도’를 반영한다. 자유 영역(R_free)에는 비용을 0으로 마스킹해 불필요한 완화가 일어나지 않도록 설계하였다.

비용 추정기가 학습되는 과정은 차별화 가능한 A* 탐색(GraphMP)과 결합된다. A*는 현재까지의 경로 비용 g와 휴리스틱 h를 소프트맥스 형태로 연산해 미분 가능하게 만든 뒤, 선택된 노드에 대해 비용을 업데이트한다. 이렇게 하면 탐색 과정 자체가 역전파를 통해 비용 추정기의 파라미터에 영향을 미칠 수 있다. 인간 시연 데이터를 그래프 상에 투사하고, 최종 경로와 시연 경로 사이의 차이를 L2 손실 등으로 정의해 엔드‑투‑엔드 학습을 수행한다.

학습이 끝난 후 실제 주행에서는 비용 추정기가 각 초픽셀에 대한 완화 비용을 실시간으로 제공하고, 차별화 가능한 A*가 이 비용을 포함한 총 비용을 최소화하는 경로를 탐색한다. 경로가 하드 제약에 막히면, 시스템은 “제약 완화 → 재계획 → 실행”을 반복해 동적으로 환경 변화에 대응한다.

실험에서는 (1) 2D 시멘틱 맵, (2) 3D OpenStreetMap 기반 시뮬레이션, (3) 실제 대학 캠퍼스에서 Spot 로봇을 이용한 실험을 수행하였다. 평가 지표는 인간 유사성 점수, 경로 길이, 하드 제약 위반 횟수 등이다. SuReNav은 모든 베이스라인(전통적인 MVP, 최소 제약 제거, 비용 기반 플래너, 엔드‑투‑엔드 정책망)보다 인간 유사성에서 최고 점수를 기록했으며, 안전성(하드 제약 위반 0)과 효율성(경로 길이 5~10 % 단축)에서도 경쟁력을 보였다. 특히 초픽셀 그래프의 해상도를 조절해도 성능 저하가 거의 없었으며, 실시간 그래프 업데이트을 통해 동적 장애물에도 안정적으로 대응했다.

한계점으로는 (①) 초픽셀 분할이 지나치게 coarse하면 세밀한 제약 구역을 놓칠 수 있고, (②) 학습에 필요한 인간 시연 데이터가 환경마다 충분히 확보되어야 한다는 점, (③) 현재는 2D 시멘틱 맵을 전제로 하여 고도 차이나 3D 구조적 제약을 완전히 반영하지 못한다는 점을 들 수 있다. 향후 연구에서는 멀티‑모달 센서(라이다·깊이 카메라)와 3D 초볼륨 그래프를 결합해 복합적인 도시 환경에서도 동일한 프레임워크를 적용하는 방향이 제시된다.

**