동적 제약을 만족하는 투사 증강 확산 기반 직접 궤적 최적화

초록

PAD‑TRO는 모델 기반 확산 과정을 이용해 직접 상태 궤적을 생성하고, 역확산 단계에 gradient‑free 투사 메커니즘을 삽입해 동적 일치성을 강제한다. 실험 결과, 기존 DRAX 대비 목표 도달 오류를 0으로 만들고 성공률을 4배 향상시켰다.

상세 분석

본 논문은 기존 확산 기반 궤적 최적화가 직면한 두 가지 핵심 한계를 정확히 짚어낸다. 첫째, 단일‑슈팅 방식은 제어 시퀀스만을 샘플링하고 최종 상태를 전방 전파로 얻기 때문에 터미널 제약을 직접 강제할 수 없으며, 복잡한 장애물 환경에서 충돌 위험이 높다. 둘째, DRAX와 같은 소프트 제약 방식은 동적 일치성 위반을 허용하므로 실제 로봇 제어 시 추적 오차가 커진다. PAD‑TRO는 이러한 문제를 해결하기 위해 “직접 궤적 최적화”라는 패러다임을 도입한다. 즉, 확산 과정 자체에서 상태 시퀀스 ( \tilde{x}_{1:T} ) 를 직접 생성하고, 각 역확산 단계마다 현재 예측된 상태를 근접 가능한 집합(reachable set)으로 투사한다. 이 투사 과정은 gradient‑free 샘플링 기반으로 구현되어, 복잡한 비선형 동역학에 대한 미분을 요구하지 않는다.

기술적으로는 기존 모델 기반 확산(MBD)에서 사용된 단일‑시간 차원 노이즈 스케줄을 확장해, 시간‑별(trajectory horizon) 이중 노이즈 스케줄 ( \sigma_{i,t}=s,(1-\bar\alpha_i)^{1/2},\delta_t ) 를 도입한다. 여기서 ( \delta_t )는 뒤쪽 타임스텝일수록 노이즈를 감소시켜, 후방 상태가 앞쪽 상태에 더 강하게 정렬되도록 한다. 또한, 충돌 회피를 위한 연속적인 비용 함수 ( g(x)=\sum_{i=1}^{N_{obs}}\exp{-\kappa(|o(x)-o_{obs,i}|^2-r_i^2)} ) 를 도입해, 샘플링 단계에서 안전성을 소프트하게 유도한다.

핵심은 역확산 단계에서 얻은 샘플 집합 ( \tilde{X}_i ) 에 대해 가중 평균 ( \bar{x}i ) 를 계산하고, 이를 기반으로 스코어 근사 ( \nabla{\tilde{x}_i}\log p_i(\tilde{x}_i)\approx -\tilde{x}_i-\sqrt{\bar\alpha_i},\bar{x}i/(1-\bar\alpha_i) ) 를 얻는 것이다. 이후, 각 타임스텝에 대해 “투사” 연산을 수행한다. 투사는 현재 상태 ( \tilde{x}{t} ) 를 동역학 ( f(\cdot) ) 로부터 얻을 수 있는 reachable set 안으로 매핑하고, 불가능한 상태는 샘플링된 후보 중 가장 가까운 feasible 상태로 교체한다. 이 과정은 전통적인 최적화 기반 투사와 달리, 다수의 샘플을 병렬로 활용해 근사적인 최적 투사를 빠르게 수행한다.

실험에서는 6‑DOF 쿼드로터를 3‑D 정적 장애물 밀집 환경에서 여러 웨이포인트를 통과하도록 설정하였다. PAD‑TRO는 목표 위치 오차를 0으로 만들었으며, 동적 일치성 위반이 전혀 없었다. 성공률은 DRAX 대비 약 4배 상승했고, 평균 연산 시간도 비슷하거나 약간 감소하였다. 이는 투사 메커니즘이 샘플 효율성을 크게 높이고, 역확산 과정에서 동적 제약을 강제함으로써 최적화 수렴을 가속화했기 때문이다.

요약하면, PAD‑TRO는 (1) 상태 직접 샘플링, (2) 이중 노이즈 스케줄, (3) gradient‑free 투사라는 세 가지 혁신을 결합해, 복잡한 비선형 동역학과 안전 제약을 동시에 만족하는 고품질 궤적을 효율적으로 생성한다. 이 접근법은 차후 로봇 비행, 자율 주행, 매니퓰레이션 등 다양한 고차원 동적 시스템에 적용 가능성이 크다.