다양한 로봇을 위한 충돌 기반 검색 프로토콜

초록

본 논문은 서로 다른 제조사·알고리즘을 가진 로봇들이 공유 환경에서 충돌 없이 움직일 수 있도록, 단일 로봇용 경로 계획 API만을 요구하는 CBS(Conflict‑Based Search) 프로토콜을 제안한다. 중앙 고레벨 탐색은 제약 트리를 관리하고, 각 로봇은 자신의 내부 플래너(A*, RRT, 최적화, 확산 모델, 강화학습 등)로 제약을 만족하는 경로를 반환한다. 이를 통해 이기종 로봇 팀이 독립적인 작업을 수행하면서도 전역적으로 충돌‑프리 솔루션을 얻을 수 있다.

상세 분석

논문은 기존 MAPF(다중 에이전트 경로 찾기) 분야에서 CBS가 “두 단계 탐색” 구조—고레벨 제약 트리와 저레벨 단일 에이전트 경로 계획—를 갖는 점에 주목한다. 저자는 CBS를 “프로토콜”로 재정의함으로써, 저레벨 플래너가 반드시 A*와 같은 그래프 탐색이어야 할 필요 없이, 임의의 단일 로봇 경로 계획 API만 제공하면 된다고 주장한다. 이 API는 (1) 주어진 제약(공간‑시간 좌표 집합)을 입력으로 받아 충돌을 피하는 경로와 그 경로가 차지하는 공간‑시간 부피(volume)를 반환하고, (2) 경로가 존재하지 않을 경우 None을 반환한다는 최소한의 계약만을 요구한다.

고레벨 CBS는 제약 트리 노드를 비용(예: 전체 경로 길이) 기준으로 베스트‑퍼스트 탐색한다. 루트 노드에서는 모든 로봇에 제약 없이 각 로봇의 플래너를 호출해 초기 경로를 얻는다. 충돌이 감지되면 해당 충돌을 두 개의 상호 배타적 제약으로 분해하고, 각각을 자식 노드에 추가한다. 각 자식 노드에서는 새 제약을 받은 로봇만 다시 플래너를 호출해 경로를 재생성한다. 이렇게 하면 기존 로봇들의 경로는 재사용되므로 연산량이 크게 절감된다.

핵심 기술적 통찰은 다음과 같다. 첫째, 제약‑기반 접근은 로봇마다 서로 다른 동역학·제어 모델을 가정해도 동일한 고레벨 로직으로 통합할 수 있다. 둘째, 플래너 API를 추상화함으로써 기존 연구에서 사용된 A*, RRT*, MPC, 최적화 기반 방법, 확산 모델, 강화학습 정책 등을 그대로 재활용할 수 있다. 셋째, 독립적인 작업(커버리지, 감시 등)도 각 로봇이 자체 목표를 갖는 형태로 표현 가능하므로, 전통적인 “시작‑목표” MAPF 모델을 넘어선 일반적인 MAMP(다중 로봇 모션 플래닝) 문제에 적용 가능하다. 넷째, 기존 이기종 로봇 협업 방식—우선순위 플래닝, 동적 장애물 회피—과 달리 CBS 프로토콜은 전역적인 제약 트리를 유지하므로 교착 상태(deadlock)와 과도한 재계획을 방지한다.

실험 부분에서는 히스토리컬 검색(A*), 샘플링 기반(RRT*), 직접 콜로케이션 최적화, 확산 모델, 강화학습 정책을 각각 로봇에 할당하고, 1050대 로봇이 복잡한 연속 공간에서 충돌 없이 작업을 수행하는 시나리오를 검증한다. 결과는 제약 트리 탐색 횟수와 전체 플래닝 시간에서 기존 우선순위 플래닝 대비 3070%의 개선을 보이며, 특히 고차원(드론+지상 로봇) 혼합 팀에서 큰 이점을 나타낸다.

마지막으로 논문은 “알고리즘 이기종 MAMP(AH‑MAMP)”라는 새로운 문제 정의를 제시하고, CBS 프로토콜이 그 해결책으로서의 타당성을 실증한다. 향후 연구 방향으로는 제약 트리의 휴리스틱 강화, 실시간 재계획, 그리고 로봇 간 통신 지연을 고려한 분산 구현 등이 제시된다.