ROS 기반 인과 탐색으로 인간 로봇 공간 상호작용 분석

초록

본 논문은 ROS‑Causal 프레임워크를 실제 로봇과 시뮬레이션 환경에서 적용해 인간‑로봇 공간 상호작용(HRSI) 데이터를 실시간으로 수집·전처리·인과 모델링을 수행한다. 시뮬레이션과 실험실에서 15명의 참가자를 대상으로 얻은 데이터에 PCMCI와 F‑PCMCI를 적용했으며, 기대한 인과 구조(v→dg, dg→v←r, v→r)를 정확히 복원하였다. 데이터 길이·샘플링 주파수·연산 시간 등 실용적인 요구사항을 제시해 로봇이 현장에서도 온보드 인과 모델을 생성할 수 있음을 입증한다.

상세 분석

ROS‑Causal는 ROS 생태계에 직접 통합된 세 가지 핵심 노드(roscausal_robot, roscausal_human, roscausal_data, roscausal_discovery)로 구성된다. 로봇과 인간의 상태 토픽을 실시간으로 병합하고, 일정 길이(예: 150 초, 10 Hz) 이상의 시계열을 CSV 배치로 저장한다. 저장된 배치는 비동기적으로 인과 탐색 노드에 전달되어 PCMCI 혹은 F‑PCMCI 알고리즘이 실행된다. 이때 1‑step lag와 Gaussian Process 기반 조건부 독립성 검정(GPDC)을 사용해 α = 0.05 수준에서 유의한 인과 연결을 추출한다.

시뮬레이션 단계에서는 Gazebo 기반 HRISim 환경에 TIAGo 로봇과 키보드 텔레옵된 가상 인간을 배치하고, 인간‑목표 거리(dg), 인간 속도(v), 충돌 위험(r) 등 세 변수를 정의하였다. 시뮬레이션 결과는 기대한 인과 그래프와 일치했으며, 이는 ROS‑Causal가 시뮬레이션 데이터에서도 정확히 구조를 복원함을 보여준다.

실험실 실험에서는 실제 TIAGo 로봇에 Velodyne VLP‑16 LiDAR를 장착하고, 15명의 피험자가 네 개의 목표 지점을 순차적으로 향하도록 설계하였다. 인간은 로봇이 경로를 가로막을 때 속도를 감소하거나 방향을 조정했으며, 로봇은 사전 정의된 경로를 유지했다. 수집된 데이터는 동일한 파이프라인을 통해 전처리·CSV 배치화된 뒤 F‑PCMCI로 분석되었다. 결과적으로 v→dg, dg→v←r, v→r의 세 인과 관계가 실험 데이터에서도 재현되었으며, 시뮬레이션과 실험실 간 모델 일관성을 확인했다.

데이터 양에 대한 정량적 분석에서는 최소 60 초(600 샘플) 정도의 시계열이 인과 구조를 안정적으로 복원하는 데 충분함을 발견했다. 연산 시간은 평균 2.3 초 수준으로, 실시간 혹은 근실시간 적용이 가능함을 시사한다. 또한, 비동기 파이프라인 덕분에 새로운 배치를 수집하면서 이전 배치에 대한 인과 분석을 병렬로 수행할 수 있어, 로봇이 장시간 운용 중에도 지속적인 모델 업데이트가 가능하다.

한계점으로는 현재 지원되는 인과 탐색 알고리즘이 PCMCI와 F‑PCMCI에 국한되어 있어, 비선형·비가우시안 관계를 포착하는 최신 방법(예: DYNOTEARS, VARLiNGAM 등)과의 비교가 부족하다. 또한, 실험은 정적인 실내 환경과 제한된 목표 수에 초점을 맞추었으므로, 복잡한 동적 환경이나 다중 로봇·다중 인간 시나리오에 대한 확장 가능성은 추가 연구가 필요하다.

향후 연구 방향은 (1) ROS‑Causal에 다양한 시계열 인과 탐색 알고리즘을 플러그인 형태로 통합해 선택적 사용성을 높이고, (2) 온보드 GPU 가속을 활용해 실시간 인과 모델 업데이트 속도를 향상시키며, (3) 다중 에이전트, 비정형 목표, 그리고 인간 의도 추론을 포함한 복합 HRI 시나리오에 적용해 로봇의 의사결정 및 안전성 향상에 기여하는 것이다.