동적 신경 잠재장: 움직이는 장애물을 고려한 실시간 궤적 최적화

초록

본 논문은 변하는 장애물 환경에서 로봇의 안전한 이동을 위해, 트랜스포머 기반의 잠재장 예측기(NPField‑GPT)를 MPC와 결합한 프레임워크를 제안한다. 점유 지도와 로봇 발자국, 동적 장애물 정보를 입력으로 받아 차분 가능한 repulsive potential 시퀀스를 생성하고, 이를 L4CasADi 기반의 순차 2차 MPC에 삽입해 실시간 제약‑인식 궤적을 도출한다. 정적 MLP와 동적 MLP 두 가지 베이스라인과 CIAO*, MPPI와 비교했을 때, NPField‑GPT는 효율성과 안전성에서 우수하지만 약간의 지연을 동반한다.

상세 분석

이 연구는 “학습‑기반 위험 모델 + 전통적 최적화”라는 하이브리드 설계 원칙을 명확히 구현한다. 핵심 아이디어는 장애물 충돌 위험을 직접 예측하는 대신, 로봇 발자국을 고려한 연속적인 repulsive potential을 학습하고, 이를 수치적 MPC의 비용 함수에 삽입함으로써 최적화 과정 자체가 위험 회피를 내재하도록 만든 것이다.

1. 잠재장 예측기 설계

   • StaticMLP은 매 프레임을 독립적인 정적 지도처럼 처리해 한 단계만 예측한다. 구현이 간단하고 지연이 가장 낮지만, 시간적 연관성을 전혀 활용하지 못한다.
   • DynamicMLP은 여러 헤드가 병렬로 미래 잠재장을 출력한다. 헤드 간 독립성으로 인해 연산량은 적지만, 각 시점이 서로 영향을 주지 못해 복잡한 동적 패턴을 포착하기 어렵다.
   • NPField‑GPT는 비‑자동회귀 트랜스포머에 학습 가능한 쿼리 토큰 10개를 추가해 전체 horizon을 한 번에 예측한다. 토큰은 로봇 현재 자세와 동적 장애물 상태(위치, 방향)를 포함한 컨텍스트에 어텐션을 수행하므로, 공간‑시간 상관관계를 강력히 학습한다. 특히, 상대 좌표 융합 토큰과 거리‑가중치 손실을 도입해 장애물에 가까운 영역에서 예측 정확도를 높였다.

2. MPC와의 통합

   • L4CasADi를 이용해 신경망 출력(잠재장)을 자동 미분 가능하게 만든 점이 핵심이다. 이렇게 하면 MPC 내부에서 gradient‑based 최적화가 가능해 실시간에 가까운 속도로 제약을 만족하는 제어 입력을 도출한다.
   • 비용 함수는 (i) 경로 추적 비용, (ii) 제어 입력 정규화, (iii) 신경망 기반 repulsive potential 으로 구성된다. 동적 장애물에 대한 잠재장은 시간에 따라 변하므로, 매 MPC 단계마다 최신 예측을 삽입한다.

3. 학습 전략

   • 목표 잠재장은 SDF 기반 최대값을 이용해 레이블링한다. 이 레이블은 비미분 가능하지만, 신경망은 차분 가능한 근사값을 학습한다.
   • 거리‑가중치 MSE 손실은 장애물 근처 오류를 크게 벌점화해 위험 영역에서의 정확도를 강화한다.
   • 보조적인 점유 지도 복원 디코더를 통해 공간 임베딩을 정규화하고, 추론 시에는 제거해 연산량을 절감한다.

4. 실험 및 결과

   • BenchMR 시뮬레이션과 실제 Husky UGV 실험에서 NPField‑GPT는 평균 경로 길이와 충돌 회피율 모두에서 기존 CIAO*와 MPPI를 능가했다. 특히, 급격한 장애물 움직임(예: 사람의 급정거) 상황에서 잠재장 예측이 빠르게 업데이트돼 안전 마진을 유지했다.
   • latency 측면에서는 StaticMLP이 2–3 ms, DynamicMLP가 4–5 ms, NPField‑GPT가 7–9 ms 정도로 차이가 났지만, 10 Hz 이상의 제어 주기로 충분히 실시간 운용이 가능했다.

5. 한계와 향후 과제

   • 현재는 동적 장애물이 “예측 가능”하다는 가정 하에 설계되었으며, 복잡한 인간 행동 예측 모델과의 연계가 필요하다.
   • 트랜스포머의 파라미터 수가 비교적 많아 임베디드 플랫폼에 직접 탑재하려면 경량화가 요구된다.
   • 다중 로봇 혹은 3‑D 환경으로 확장할 경우, 잠재장 레이블링과 좌표 토큰 설계가 추가적인 연구 대상이다.

전반적으로 이 논문은 “학습이 필요한 부분만을 학습하고, 나머지는 물리‑기반 최적화에 맡긴다”는 설계 철학을 실증적으로 입증했으며, 동적 장애물 회피를 위한 실시간 MPC에 신경망 기반 위험 모델을 자연스럽게 삽입하는 방법론을 제시한다.