STATERA Library · Series 08 · Volume 15 · Chapter 05 · KR
Source: https://github.com/Statera-Library/08_Vol_15_Motion_Planning_and_Navigation/blob/main/Chapter_05_Local_Planners/Chapter_05_Local_Planners_KR.md
Volume 15. Motion Planning and Navigation
Chapter 05. Local Planners
05.01. Local Planner Role and Architecture in Navigation
로컬 플래너(Local Planner)는 상위 수준 경로(Higher-Level Path)를 로봇이 주변 환경에서 안전하게 실행할 수 있는 모션 명령(Motion Command)으로 변환하는 내비게이션(Navigation) 구성 요소이다. 글로벌 플래너(Global Planner)가 로봇의 현재 영역에서 멀리 떨어진 목표까지 이동하는 방법을 결정하는 반면, 로컬 플래너는 더 짧은 공간적·시간적 범위(Spatial and Temporal Horizon)에서 동작하며 현재 상황에 맞추어 로봇의 움직임을 지속적으로 조정한다.
글로벌 계획(Global Planning)과 로컬 계획(Local Planning)의 구분은 실제 로봇 내비게이션(Robot Navigation)의 기본적인 개념이다. 글로벌 경로(Global Path)는 일반적으로 비교적 넓은 지도(Map)를 기반으로 생성되며 자유 공간(Free Space)을 통과하는 목표 이동 경로를 나타낸다. 그러나 실행 과정에서 발생하는 모든 단기적인 상황을 사전에 예측할 수 없기 때문에 로컬 플래너는 이 경로와 최신 센서 관측(Sensor Observation)을 함께 해석하여 글로벌 목표(Global Objective)를 향한 진행을 유지하면서 실행 가능한 명령을 생성한다.
일반적인 로컬 계획 아키텍처(Local Planning Architecture)는 여러 종류의 정보를 입력으로 사용한다. 여기에는 위치 추정(Localization)을 통해 계산된 로봇 자세(Robot Pose)와 속도(Velocity), 글로벌 플래너가 제공하는 기준 경로(Reference Path), 로컬 코스트맵(Local Costmap)에 표현된 장애물, 그리고 플랫폼별 운동학적·동역학적 제약조건(Kinematic and Dynamic Constraints)이 포함된다. 플래너는 이러한 입력을 결합하여 후보 모션(Candidate Motion)을 평가하고 선속도(Linear Velocity), 각속도(Angular Velocity), 또는 짧은 실행 가능 궤적(Executable Trajectory)과 같은 명령을 생성한다.
로컬 코스트맵(Local Costmap)은 플래너에 주변 주행 가능 공간(Navigable Space)을 지속적으로 갱신하여 제공한다. 정적 구조물(Static Structure)은 글로벌 지도(Global Map)에서 가져올 수 있으며, 최근 탐지된 장애물은 라이다(LiDAR), 카메라(Camera), 깊이 센서(Depth Sensor), 레이더(Radar) 또는 기타 인지 센서(Perception Sensor)를 통해 추가된다. 장애물 주변의 팽창 영역(Inflation Region)은 안전 여유(Safety Margin)를 표현하며 벽, 장비, 사람 또는 다른 로봇에 위험하게 접근하는 후보 궤적을 억제한다.
로컬 계획(Local Planning)은 본질적으로 폐루프 과정(Closed-Loop Process)이다. 명령이 생성된 이후 로봇은 짧은 시간 동안만 이동하고 위치 추정(Localization), 인지(Perception), 코스트맵(Costmap) 정보가 다시 갱신된다. 이후 플래너는 새로운 상태를 이용하여 모션 문제(Motion Problem)를 다시 해결한다. 이러한 반복적인 감지-계획-행동(Sense-Plan-Act) 주기를 통해 위치 추정 오차, 불완전한 모델, 예상하지 못한 장애물, 휠 슬립(Wheel Slip), 변화하는 자유 공간, 기준 글로벌 경로에서의 이탈 등에 대응할 수 있다.
유용한 아키텍처 관점에서는 기준 생성(Reference Generation), 로컬 궤적 생성(Local Trajectory Generation), 궤적 평가(Trajectory Evaluation), 명령 실행(Command Execution)을 분리한다. 기준 경로는 로봇이 전체적으로 어느 방향으로 이동해야 하는지를 나타내며, 후보 궤적(Candidate Trajectory)은 가까운 미래에 로봇이 어떻게 움직일 수 있는지를 나타낸다. 평가는 충돌 회피(Collision Avoidance), 경로 추종(Path Tracking), 목표 진행(Goal Progress), 부드러움(Smoothness), 속도, 장애물 여유 거리(Clearance) 등의 운용 목표 사이에서 가장 적절한 후보를 결정한다.
서로 다른 로컬 플래너(Local Planner)는 이러한 의사결정 문제를 서로 다른 방식으로 구성한다. 동적 윈도우 접근법(Dynamic Window Approach, DWA)은 제한된 속도 공간(Velocity Space)을 탐색하고, 시간 탄성 밴드(Timed Elastic Band, TEB)는 국부적으로 변형 가능한 궤적을 최적화한다. 모델 예측 경로 적분(Model Predictive Path Integral, MPPI)은 다수의 샘플링된 제어 시퀀스(Control Sequence)를 평가하며, 조절 순수 추종(Regulated Pure Pursuit, RPP)은 곡률과 환경 제약조건에 따라 기하학적 경로 추종(Geometric Path Following)을 조절한다.
어떤 알고리즘을 사용하더라도 실행 가능성(Feasibility)은 필수적이다. 로컬 플래너는 실제 플랫폼이 실행할 수 없는 움직임을 요구해서는 안 된다. 차동 구동 로봇(Differential-Drive Robot)은 병진 속도와 회전 속도 제한을 준수해야 하며, 애커먼 조향 플랫폼(Ackermann-Steered Platform)은 조향 기하학(Steering Geometry)과 최소 회전 반경(Minimum Turning Radius)을 고려해야 한다. 가속도(Acceleration), 감속도(Deceleration), 저크(Jerk), 액추에이터 제한(Actuator Limit), 정지 거리(Stopping Distance), 제어 지연(Control Latency) 역시 안전하게 명령으로 전환할 수 있는 후보 궤적을 제한한다.
따라서 로컬 플래너(Local Planner)와 저수준 제어기(Low-Level Controller)의 관계를 명확하게 정의해야 한다. 플래너는 일반적으로 모터 제어(Motor Control)보다 높은 추상화 수준에서 동작하며 모터 전류나 토크를 직접 생성하는 대신 속도 기준값(Velocity Reference)이나 궤적(Trajectory)을 생성한다. 저수준 제어 소프트웨어는 엔코더(Encoder), 관성 측정 장치(Inertial Measurement Unit, IMU), 조향 센서(Steering Sensor) 등의 상태 측정값을 이용하여 이러한 기준값을 추종하며, 내비게이션 의사결정에서 물리적 구동(Physical Actuation)으로 이어지는 계층형 아키텍처(Layered Architecture)를 구성한다.
안전성(Safety)은 사후에 추가되는 기능이 아니라 최적화 문제(Optimization Problem) 자체를 변화시키는 요소이다. 목표를 향해 매우 빠르게 진행하는 궤적이라도 충돌 전에 로봇이 정지할 수 없다면 허용될 수 없다. 따라서 로컬 계획은 장애물 여유 거리(Obstacle Clearance), 제동 능력(Braking Capability), 불확실성(Uncertainty), 명령 지연(Command Latency), 로봇 풋프린트(Robot Footprint)를 고려해야 한다. 인지 신뢰도(Perception Confidence)가 낮아지거나 위치 추정 불확실성이 증가하거나 환경이 혼잡해지는 경우에는 보다 보수적인 안전 여유가 필요할 수 있다.
동적 장애물(Dynamic Obstacle)은 특히 중요한 아키텍처 경계(Architectural Boundary)를 형성한다. 일반적인 로컬 코스트맵(Local Costmap)은 특정 위치가 현재 점유되어 있다는 사실을 나타낼 수 있지만, 이동하는 보행자나 차량과 안전하게 상호작용하려면 속도와 미래 궤적(Future Trajectory)에 대한 추정이 필요할 수 있다. 이에 따라 로컬 계획은 속도 장애물(Velocity Obstacle), 상호 충돌 회피(Reciprocal Avoidance), 예측 기반 회피(Prediction-Based Avoidance), 안전 중심 기법(Safety-Oriented Method) 등을 포함하는 명시적인 동적 장애물 회피(Dynamic Obstacle Avoidance) 영역으로 확장된다.
로컬 계획(Local Planning)은 서로 경쟁하는 여러 목표 사이의 균형도 다루어야 한다. 글로벌 경로(Global Path)를 지나치게 정확하게 추종하면 장애물이 일시적으로 경로를 차단했을 때 불필요한 진동(Oscillation)이 발생할 수 있으며, 장애물과의 여유 거리를 지나치게 크게 유지하면 불필요한 우회가 발생할 수 있다. 높은 속도는 임무 처리량(Mission Throughput)을 향상시키지만 반응 및 제동 여유를 감소시킨다. 실제 플래너는 선택된 알고리즘에 적합한 비용(Cost), 가중치(Weight), 제약조건(Constraint), 휴리스틱(Heuristic), 목적함수(Objective Function)를 통해 이러한 상충관계를 표현한다.
플래너는 정상적인 명령 생성이 더 이상 효과적이지 않은 상황도 인식해야 한다. 거의 0에 가까운 속도를 반복적으로 생성하거나, 조향 방향이 지속적으로 반전되거나, 목표까지의 거리가 감소하지 않거나, 충돌 없는 후보를 찾지 못하는 경우 로봇이 교착 상태(Trapped State)에 빠졌음을 의미할 수 있다. 따라서 견고한 내비게이션(Robust Navigation)은 플래너의 진행 상태를 감시하고 무한한 진동이나 위험한 탈출 시도를 허용하는 대신 실패 상태(Failure Condition)를 상위 수준 복구 로직(Recovery Logic)에 전달한다.
복구(Recovery)는 로컬 계획과 시스템 수준 내비게이션(System-Level Navigation) 사이의 또 다른 중요한 경계를 형성한다. 로컬 플래너는 일시적으로 정지하거나, 잘못된 관측 정보를 제거하거나, 재계획(Replanning)을 요청하거나, 실패를 보고할 수 있다. 그러나 다른 경로를 선택하거나 특수한 복구 행동(Recovery Behavior)을 실행하는 것과 같은 더 광범위한 결정은 일반적으로 상위 내비게이션 아키텍처가 담당한다. 이러한 분리를 통해 로컬 모션 생성(Local Motion Generation)은 본래 기능에 집중하면서 전체 내비게이션 시스템은 예외 상황을 체계적으로 관리할 수 있다.
환경 정보(Environmental Information)는 빠르게 오래된 정보가 되기 때문에 실시간 성능(Real-Time Performance)이 매우 중요하다. 플래너는 제어 주기(Control Cycle)의 계산 시간 예산 내에서 처리를 완료하고 충분히 안정적인 주기로 명령을 제공해야 한다. 복잡한 최적화는 궤적 품질(Trajectory Quality)을 향상시킬 수 있지만 계산 지연으로 인해 로봇이 오래된 상태 정보에 반응하게 된다면 오히려 성능을 저하시킬 수 있다. 따라서 로컬 계획 아키텍처는 계획 복잡도(Planning Sophistication), 계획 범위(Horizon Length), 샘플링 밀도(Sampling Density), 가용 연산 자원(Available Compute Resource) 사이에서 균형을 유지해야 한다.
결과적으로 로컬 플래너(Local Planner)는 전략적인 경로 계획(Strategic Path Planning)과 실제 로봇 모션(Physical Robot Motion)을 연결하는 실시간 연결 계층(Real-Time Bridge)으로 이해할 수 있다. 로컬 플래너는 기하학적으로 바람직한 글로벌 경로를 짧은 계획 범위의 동역학적으로 실행 가능하고 충돌을 고려한 명령으로 변환하면서 환경과 로봇 자체에서 얻는 피드백을 지속적으로 반영한다. 이러한 역할로 인해 로컬 계획은 전체 로봇 소프트웨어 아키텍처에서 계획(Planning), 인지(Perception), 위치 추정(Localization), 안전 감독(Safety Supervision), 모션 제어(Motion Control)를 직접 연결하는 핵심 구성 요소가 된다.
05.02. Dynamic Window Approach DWA Implementation [w/Code]
동적 윈도우 접근법(Dynamic Window Approach, DWA)은 먼저 완전한 기하학적 궤적(Geometric Trajectory)을 생성하는 대신 속도 공간(Velocity Space)에서 직접 로봇의 움직임을 선택하는 실시간 로컬 계획(Real-Time Local Planning) 방법이다. 이 방법은 기준 경로(Reference Path)를 추종하면서 주변 장애물에 빠르게 대응해야 하는 이동 로봇(Mobile Robot)에 특히 적합하다. 핵심 개념은 탐색 범위를 다음 제어 주기(Control Interval) 동안 동역학적으로 도달 가능한 속도로 제한한 후 가장 안전하고 유용한 명령을 선택하는 것이다.
DWA는 일반적으로 병진 속도(Translational Velocity) \(v\)와 각속도(Angular Velocity) \(\omega\)로 표현되는 로봇의 현재 운동 상태(Motion State)에서 시작한다. 모터, 휠, 구동계(Drivetrain), 제어기(Controller)가 가속도 제한을 가지므로 로봇은 이러한 값을 순간적으로 변경할 수 없다. 따라서 동적 윈도우(Dynamic Window)는 최대 가속도, 감속도 및 속도 제약조건을 만족하면서 짧은 시간 간격 내에 현재 상태에서 도달할 수 있는 속도 쌍만 포함한다.
전체 속도 공간(Velocity Space)은 먼저 플랫폼의 물리적 성능에 의해 제한된다. 차동 구동 자율이동로봇(Differential-Drive AMR)의 경우 일반적으로 최소 및 최대 선속도(Linear Velocity), 최대 회전 속도(Rotational Velocity), 선형 가속도 제한(Linear Acceleration Limit), 각가속도 제한(Angular Acceleration Limit)이 포함된다. 이러한 물리적 범위와 현재 속도에서 동적으로 도달 가능한 영역을 교차시키면 각 제어 주기에서 평가해야 하는 명령의 수를 크게 줄일 수 있다.
각 후보 속도 쌍(Candidate Velocity Pair) \((v,\omega)\)은 가능한 단기 로봇 모션(Short-Term Robot Motion)을 나타낸다. 선택된 속도가 예측 구간(Prediction Interval) 동안 거의 일정하게 유지된다고 가정하면 플래너는 로봇의 운동학 모델(Kinematic Model)을 사용하여 상태를 순방향 시뮬레이션(Forward Simulation)한다. 차동 구동 플랫폼에서는 각속도가 0에 가까우면 직선 운동이 발생하고, 각속도가 0이 아니면 일반적으로 원호(Circular Arc)를 따라 움직인다. 따라서 다양한 속도 쌍을 샘플링하면 여러 후보 로컬 궤적(Candidate Local Trajectory)을 생성할 수 있다.
궤적 시뮬레이션(Trajectory Simulation)은 실제 실행에 적합한 로봇 운동 가정(Motion Assumption)을 사용해야 한다. 일반적인 이산 모델(Discrete Model)은 \(x_{k+1}=x_k+v\cos(\theta_k)\Delta t\), \(y_{k+1}=y_k+v\sin(\theta_k)\Delta t\), \(\theta_{k+1}=\theta_k+\omega\Delta t\)를 사용하여 자세를 전파한다. 이러한 식을 예측 범위(Prediction Horizon) 전체에 반복 적용하면 장애물과의 충돌 여부를 확인하고 내비게이션 목표와 비교하여 평가할 수 있는 미래 자세(Future Pose)의 시퀀스를 생성할 수 있다.
충돌 검사(Collision Checking)는 최종 명령을 선택하기 전에 안전하지 않은 후보를 제거한다. 가능한 경우 모든 시뮬레이션 자세는 로봇을 이상적인 점(Point)으로 취급하는 대신 실제 로봇 풋프린트(Robot Footprint)를 이용하여 평가해야 한다. 풋프린트는 원형, 직사각형, 다각형 또는 보수적인 근사 형태로 표현할 수 있다. 점유 영역이나 금지된 코스트맵(Costmap) 영역과 교차하는 후보 궤적은 제거되며 장애물 여유 거리(Obstacle Clearance)를 궤적 점수에 추가할 수도 있다.
정지 능력(Stopping Capability) 역시 안전한 DWA 구현에서 중요한 요소이다. 특정 속도가 즉각적인 시뮬레이션 궤적에서는 충돌하지 않더라도 장애물에 도달하기 전에 로봇이 감속할 수 없다면 안전하지 않을 수 있다. 따라서 허용 가능한 명령(Admissible Command)은 가정된 제동 능력(Braking Capability)을 기준으로 충분한 정지 거리(Stopping Distance)를 확보해야 한다. 최대 속도가 증가할수록 제동 거리가 빠르게 증가하고 인지, 계산 및 액추에이터 지연이 사용 가능한 안전 여유를 감소시키므로 이러한 관계는 더욱 중요해진다.
유효하지 않은 후보가 제거되면 DWA는 목적함수(Objective Function)를 사용하여 남아 있는 궤적을 평가한다. 일반적인 평가 항목에는 로컬 또는 글로벌 목표를 향한 진행 정도, 기준 경로와의 정렬, 장애물과의 거리, 유효한 전진 속도에 대한 선호도가 포함된다. 개념적인 점수는 방향 정렬(Heading), 경로 추종(Path Adherence), 목표 진행(Goal Progress), 여유 거리(Clearance), 속도(Velocity)의 가중 결합으로 표현할 수 있으며 가장 높은 유효 점수를 얻은 후보가 현재 제어 주기의 명령으로 선택된다.
점수 함수(Scoring Function)의 가중치(Weight)는 실제 내비게이션 동작의 상당 부분을 결정한다. 경로 정렬에 지나치게 높은 비중을 두면 로봇이 장애물을 우회하기 위한 일시적인 경로 이탈을 거부할 수 있으며, 장애물 여유 거리에 지나치게 높은 가중치를 부여하면 불필요하게 큰 우회가 발생할 수 있다. 속도를 지나치게 선호하면 처리량(Throughput)은 증가하지만 제한된 공간에서의 기동 여유가 감소한다. 따라서 효과적인 DWA 튜닝(Tuning)은 각각의 파라미터를 독립적으로 최적화하기보다 가중치 사이의 상호작용을 고려해야 한다.
예측 범위(Prediction Horizon)와 샘플링 해상도(Sampling Resolution) 역시 중요한 공학적 상충관계(Engineering Tradeoff)를 만든다. 짧은 예측 범위는 계산량을 줄이고 빠른 반응을 가능하게 하지만 막다른 공간이나 좋지 않은 접근 각도로 이어지는 국부적으로 매력적인 명령을 선택할 수 있다. 긴 예측 범위는 더 넓은 미래 상황을 고려할 수 있지만 계산량이 증가하고 운동 모델의 가정에 더 크게 의존한다. 마찬가지로 조밀한 속도 샘플링은 명령 품질을 향상시킬 수 있지만 시뮬레이션하고 검사해야 하는 궤적 수를 증가시킨다.
구현은 반복적인 제어 루프(Control Loop) 형태로 구성할 수 있다. 플래너는 최신 로봇 자세, 현재 속도, 기준 경로, 로컬 장애물 표현(Local Obstacle Representation)을 가져온 후 동적 윈도우를 계산하고 도달 가능한 속도 명령을 샘플링한다. 이후 궤적을 예측하고 충돌하거나 허용할 수 없는 모션을 제거하며 남은 후보에 점수를 부여한 다음 최적 명령을 출력한다. 다음 제어 주기에서는 갱신된 위치 추정 및 인지 정보를 사용하여 전체 과정을 다시 반복한다.
효율적인 구현(Efficient Implementation)은 후보 샘플 전체에서 궤적 생성과 충돌 검사가 초당 수백 또는 수천 번 수행될 수 있기 때문에 중요하다. 사전 계산된 풋프린트 정보(Precomputed Footprint Information), 효율적인 코스트맵 접근, 충돌 발견 시 조기 종료(Early Collision Termination), 벡터화된 궤적 계산(Vectorized Trajectory Calculation), 적절한 샘플링 밀도 선택을 통해 계산량을 줄일 수 있다. 목표는 가능한 한 많은 궤적을 평가하는 것이 아니라 결정론적인 제어 시간 예산(Deterministic Control-Time Budget) 내에서 신뢰할 수 있는 명령을 얻는 것이다.
DWA는 어려운 환경에서 특징적인 실패 모드(Failure Mode)를 보일 수 있다. 로봇이 비슷한 좌회전과 우회전 사이에서 진동(Oscillation)하거나, 오목한 장애물(Concave Obstacle) 주변에서 갇히거나, 모든 샘플 명령이 낮은 점수를 받아 정지하거나, 글로벌 진행에 실질적으로 기여하지 않는 국부적으로 안전한 움직임을 반복적으로 선택할 수 있다. 이러한 한계는 DWA가 기본적으로 짧은 예측 범위의 로컬 의사결정 문제를 해결하며 경로 수준의 추론(Route-Level Reasoning)을 담당하는 글로벌 플래너(Global Planner)를 대체하지 않기 때문에 발생한다.
좁은 복도(Narrow Corridor)와 출입구(Doorway)에서는 특히 세심한 파라미터 설정(Parameterization)이 필요하다. 큰 팽창 비용(Inflation Cost)이나 과도한 장애물 여유 거리 선호는 기하학적으로 통과 가능한 통로를 매력적이지 않은 경로로 판단하게 만들 수 있으며, 반대로 공격적인 설정은 로봇을 벽에 지나치게 가깝게 이동시킬 수 있다. 저속 샘플링(Low-Speed Sampling), 회전 동작, 풋프린트 정확도, 위치 추정 불확실성, 센서 노이즈 모두 성능에 영향을 미치므로 실제 로봇 형상과 예상 환경 허용 오차를 반영하여 시험해야 한다.
동적 장애물(Dynamic Obstacle)은 추가적인 한계를 발생시킨다. 기본적인 DWA는 일반적으로 로컬 환경 표현에서 장애물의 현재 점유 상태를 평가하며 사람이나 차량의 장기적인 움직임을 명시적으로 추론하지 않는다. 빈번하게 갱신되는 센서 관측을 통해 반응형 회피(Reactive Avoidance)는 가능하지만 이동 장애물에 대해 더 선제적으로 대응하려면 속도 추정(Velocity Estimation)과 궤적 예측(Trajectory Prediction)이 필요할 수 있다. 이러한 기능은 전용 동적 장애물 예측이나 상위 수준 안전 메커니즘과 결합하여 DWA를 보완할 수 있다.
양산 자율이동로봇(Production AMR)의 경우 튜닝은 임의의 플래너 파라미터가 아니라 검증된 물리적 한계(Physical Limit)에서 시작해야 한다. 최대 속도, 가속도, 감속도, 회전 속도, 풋프린트 치수, 제동 특성, 제어기 응답은 실제 측정된 플랫폼 특성을 반영해야 한다. 이후 직선 복도, 90도 회전, 출입구 통과, 장애물 우회, 목표 접근, 비상 정지 조건과 같은 반복 가능한 시나리오를 이용하여 내비게이션 품질 관련 파라미터를 체계적으로 조정할 수 있다.
구현 및 튜닝 과정에서는 로깅(Logging)이 필수적이다. 유용한 데이터에는 동적 윈도우 범위, 샘플링된 명령, 제거된 궤적, 개별 비용 항목(Cost Term), 선택된 속도, 장애물 거리, 현재 자세, 제어기 주기(Controller Frequency), 계산 시간이 포함된다. 후보 궤적과 각각의 점수를 시각화하면 과도한 경로 편향(Path Bias), 잘못된 풋프린트 설정, 부족한 각속도 샘플링처럼 로봇의 움직임만 관찰해서는 진단하기 어려운 문제를 발견하는 데 도움이 된다.
궁극적으로 DWA는 로컬 모션 계획(Local Motion Planning)과 실행 가능한 속도 제어(Executable Velocity Control)를 연결하는 간결한 방법을 제공한다. 동역학적으로 도달 가능한 명령만 탐색하고, 그 명령의 단기적인 결과를 예측하며, 안전하지 않은 궤적을 제거하고, 실행 가능한 대안을 평가함으로써 기준 경로와 현재 환경을 즉각적인 로봇 모션으로 변환한다. DWA의 효과는 알고리즘 자체뿐만 아니라 정확한 로봇 모델(Robot Model), 신뢰할 수 있는 코스트맵, 현실적인 안전 제약조건(Safety Constraint), 체계적인 파라미터 튜닝, 안정적인 실시간 실행(Real-Time Execution)에 의해 결정된다.
05.03. Timed Elastic Band TEB Local Planner [w/Code]
시간 탄성 밴드(Timed Elastic Band, TEB) 로컬 플래너(Local Planner)는 로봇 자세(Robot Pose)와 자세 사이의 시간 간격(Time Interval)을 동시에 최적화하는 궤적 최적화 문제(Trajectory Optimization Problem)로 로컬 내비게이션(Local Navigation)을 구성한다. TEB는 순간적인 속도 명령만 선택하는 대신 미래 움직임을 시간 간격으로 연결된 일련의 공간 구성(Spatial Configuration)으로 표현한다. 이를 통해 기하학적 경로 형상, 속도, 가속도, 장애물 여유 거리, 이동 시간을 하나의 최적화 프레임워크(Optimization Framework)에서 함께 고려할 수 있다.
탄성 밴드(Elastic Band)라는 용어는 궤적 표현(Trajectory Representation)의 직관적인 동작을 나타낸다. 경로는 로봇에서 로컬 목표(Local Goal)를 향해 늘어난 변형 가능한 밴드로 생각할 수 있다. 장애물은 밴드를 위험한 영역에서 밀어내고, 경로 추종(Path Following)과 목표 관련 목적함수는 밴드를 바람직한 구성으로 끌어당긴다. 순수한 기하학적 탄성 밴드와 달리 TEB는 연속된 자세 사이에 시간 차이도 연결하여 각 구간에서 로봇이 얼마나 빠르게 움직여야 하는지 추론할 수 있도록 한다.
일반적인 시간 탄성 밴드(Timed Elastic Band)는 로봇 자세 \(s_i=(x_i,y_i,\theta_i)\)와 인접한 자세 사이의 시간 차이 \(\Delta T_i\)로 구성된다. 이들은 함께 공간과 시간에 걸쳐 이산화된 궤적(Discretized Trajectory)을 정의한다. 자세를 변경하면 궤적의 기하학적 형상이 변화하고, 시간 간격을 변경하면 이에 대응하는 속도와 가속도가 변화한다. 따라서 궤적 생성과 속도 할당을 완전히 분리하지 않고 경로 형상과 시간 특성을 동시에 최적화할 수 있다.
글로벌 경로(Global Path) 또는 기준 경로(Reference Path)는 일반적으로 TEB의 초기 기하학적 가이드(Geometric Guidance)를 제공한다. 로봇 주변의 경로 일부를 초기 로컬 궤적(Initial Local Trajectory)으로 변환한 후 현재 장애물 관측과 로봇 제약조건에 따라 이를 조정한다. 이전에 최적화된 궤적을 다음 제어 주기(Control Cycle)에서 재사용하고 갱신할 수 있으므로 TEB는 모든 로컬 계획 문제를 매번 완전히 새롭게 초기화하지 않고 연속적인 이동 예측 범위(Receding-Horizon) 방식으로 동작할 수 있다.
궤적 이산화(Trajectory Discretization)는 플래너 동작과 계산 비용에 큰 영향을 미친다. 인접한 자세 사이의 간격이 지나치게 커지면 충분한 공간적·시간적 해상도를 유지하기 위해 새로운 자세를 추가할 수 있다. 반대로 궤적이 지나치게 조밀해지면 불필요한 자세를 제거할 수 있다. 적절한 상태 수를 유지하면 회전과 장애물 회피를 정확하게 표현하면서 최적화 문제의 크기가 불필요하게 증가하는 것을 방지할 수 있다.
TEB는 내비게이션 요구조건을 궤적 변수(Trajectory Variable)를 연결하는 최적화 비용(Optimization Cost) 또는 제약조건(Constraint)으로 표현한다. 장애물 항(Obstacle Term)은 부족한 여유 거리에 페널티를 부여하고, 속도와 가속도 항은 플랫폼 한계를 초과하는 움직임을 억제한다. 추가적인 항을 통해 짧은 이동 시간, 부드러운 회전, 비홀로노믹 운동(Nonholonomic Motion), 선호되는 회전 특성, 목표로의 수렴을 유도할 수 있다. 최종적으로 서로 경쟁하는 여러 요구조건 사이에서 적절한 절충점을 제공하는 궤적을 탐색한다.
장애물 처리(Obstacle Handling)는 플래너의 핵심 기능 중 하나이다. 각 궤적 자세 또는 관련 구간은 로컬 환경 모델(Local Environment Model)에 표현된 장애물을 기준으로 평가된다. 궤적이 장애물에 지나치게 접근하면 해당 페널티가 증가하고 최적화 과정에서 밴드를 보다 안전한 자유 공간(Free Space)으로 이동시킨다. 점 로봇(Point Robot)에 대해 충돌이 없는 움직임이 실제 폭과 길이를 가진 자율이동로봇(AMR)의 충돌 없는 움직임을 보장하지 않으므로 로봇 풋프린트(Robot Footprint)의 형상을 적절하게 표현해야 한다.
운동학적 실행 가능성(Kinematic Feasibility)은 궤적 최적화에 직접 포함된다. 차동 구동 로봇(Differential-Drive Robot)은 일반적으로 측면으로 이동할 수 없으므로 인접한 자세는 비홀로노믹 운동 관계(Nonholonomic Motion Relationship)를 만족해야 한다. 애커먼 조향 차량(Ackermann-Steered Vehicle)은 조향 및 회전 반경 제약을 추가하며, 다른 플랫폼에서는 전방향 이동(Omnidirectional Motion)을 허용할 수 있다. 올바른 운동 모델을 설정하면 기하학적으로는 매력적이지만 실제 로봇이 추종할 수 없는 궤적이 생성되는 것을 방지할 수 있다.
시간 최적화(Temporal Optimization)는 TEB를 주로 기하학적 경로를 탐색하는 로컬 플래너와 구별하는 중요한 특징이다. 인접한 자세 사이의 변위와 이에 대응하는 \(\Delta T_i\)를 이용하면 플래너가 병진 속도(Translational Velocity)와 회전 속도(Rotational Velocity)를 추정할 수 있다. 연속된 구간은 마찬가지로 가속도에 대한 정보를 제공한다. 이러한 값이 설정된 한계를 초과하면 페널티가 작용하여 공간 궤적, 시간 배치 또는 두 요소 모두를 수정하고 더욱 동역학적으로 실행 가능한 해를 생성하도록 한다.
이동 시간(Travel Time)도 목적함수(Objective)에 포함할 수 있다. 시간 간격의 합을 감소시키면 목표를 향한 효율적인 이동을 유도할 수 있지만, 이동 시간을 지나치게 공격적으로 최소화하면 장애물 여유 거리, 부드러움 또는 동역학적 제약조건과 충돌할 수 있다. 따라서 TEB는 빠른 이동과 안전성 및 실행 가능성 사이의 균형을 찾는 다목적 최적화 과정(Multi-Objective Optimization Process)으로 동작한다. 파라미터 가중치는 최적화 과정에서 각각의 경쟁 요소를 얼마나 중요하게 평가할지를 결정한다.
실제 TEB 구현은 현재 위치 추정(Localization), 기준 경로, 장애물 정보를 사용하여 로컬 궤적을 반복적으로 갱신한다. 최적화기는 여러 차례의 반복 계산(Optimization Iteration)을 수행하고 국부적으로 개선된 시간 궤적(Timed Trajectory)을 계산한 후 초기 구간에서 실행 가능한 속도 명령을 추출한다. 로봇 제어기(Robot Controller)가 이 명령을 적용하고 새로운 센서 정보가 입력되면 최적화를 다시 수행한다. 따라서 내부 표현이 여러 미래 상태를 포함하더라도 TEB는 폐루프 로컬 플래너(Closed-Loop Local Planner)로 동작한다.
많은 TEB 구현에서는 최적화 문제를 희소 그래프(Sparse Graph) 형태로 구성한다. 로봇 자세와 시간 차이는 최적화 변수(Optimization Variable)가 되고, 제약조건과 목적함수 항은 관련 변수들을 연결하는 에지(Edge)가 된다. 개별 제약조건은 일반적으로 궤적 상태의 일부에만 의존하기 때문에 전체 시스템은 활용 가능한 희소성(Sparsity)을 갖는다. 이러한 구조를 이용하면 이동 로봇 내비게이션의 제한된 계산 시간 내에서도 비선형 궤적 최적화(Nonlinear Trajectory Optimization)를 반복적으로 수행할 수 있다.
TEB는 장애물을 통과하는 서로 다른 방법도 고려할 수 있다. 장애물의 서로 반대쪽을 통과하는 두 궤적은 서로 다른 위상 클래스(Topological Class)에 속할 수 있으며, 장애물을 통과하지 않고는 하나의 궤적을 다른 궤적으로 부드럽게 변형할 수 없는 경우가 있다. 호모토피 클래스 계획(Homotopy-Class Planning)을 지원하는 구현에서는 위상적으로 구별되는 여러 후보 궤적을 유지하고 각각을 독립적으로 최적화한 후 비용과 실행 가능성을 기준으로 가장 적절한 해를 선택할 수 있다.
이러한 다중 궤적(Multi-Trajectory) 기능은 큰 장애물, 복도 교차점 또는 처음 선택한 우회 방향의 효율성이 낮아지는 환경에서 내비게이션 성능을 향상시킬 수 있다. 그러나 여러 후보 클래스를 평가하면 계산량이 증가하고 대안들의 비용이 비슷할 경우 궤적 전환(Switching Behavior)이 발생할 수 있다. 따라서 실제 설정에서는 특히 예측 가능한 교통 패턴을 가진 구조화된 산업 환경에서 위상 탐색(Topological Exploration)과 실행 안정성(Execution Stability) 사이의 균형을 고려해야 한다.
동적 장애물(Dynamic Obstacle)은 장애물 위치를 시간과 연결하고 예측된 장애물 움직임을 기준으로 시간 궤적을 평가하는 방법으로 포함할 수 있다. 로봇 궤적 자체가 이미 시간 정보를 포함하므로 이러한 방식은 개념적으로 TEB와 잘 부합한다. 그러나 실제 성능은 장애물 추적(Obstacle Tracking)과 예측 품질에 크게 의존한다. 잘못된 속도 추정이나 빠르게 변화하는 사람의 행동은 예측된 상호작용을 무효화할 수 있으므로 빈번한 재계획(Replanning)과 추가적인 안전 감독(Safety Supervision)이 필요하다.
TEB의 동작은 여러 목적함수가 동일한 최적화 문제에서 상호작용하기 때문에 파라미터 설정(Parameter Configuration)에 민감하다. 최소 장애물 거리(Minimum Obstacle Distance), 팽창 거리(Inflation Distance), 최대 병진 및 회전 속도, 가속도 제한, 선호 회전 반경(Preferred Turning Radius), 궤적 해상도, 최적화 반복 횟수, 비용 가중치 등이 최종 움직임에 영향을 줄 수 있다. 하나의 파라미터를 변경하면 여러 동작 특성이 동시에 변화할 수 있으므로 개별 실패 사례에 대응하여 특정 값만 조정하기보다 체계적인 튜닝(Systematic Tuning)이 더 신뢰할 수 있다.
좁은 통로(Narrow Passage)는 이러한 상호작용을 명확하게 보여준다. 로봇이 물리적으로 출입구를 통과할 수 있더라도 보수적인 장애물 거리, 부정확한 풋프린트 치수, 위치 추정 불확실성(Localization Uncertainty), 코스트맵 팽창(Costmap Inflation)으로 인해 최적화기가 만족스러운 궤적을 찾지 못할 수 있다. 단순히 안전 여유를 줄이는 것은 적절한 해결책이 아니다. 먼저 실제 로봇 형상, 지도 정확도, 센서 불확실성, 제어기 추종 오차(Controller Tracking Error), 요구되는 운용 여유 거리를 함께 검증해야 한다.
궤적 최적화를 사용하더라도 실패 감지(Failure Detection)는 필요하다. 최적화기가 수렴하지 않거나, 허용하기 어려운 높은 비용의 궤적을 생성하거나, 실질적인 전진 없이 반복적으로 움직이거나, 서로 다른 대안 사이에서 진동할 수 있다. 내비게이션 시스템은 이러한 조건을 감지하고 정지, 글로벌 재계획(Global Replanning) 요청, 잘못된 환경 관측 제거, 복구 행동(Recovery Behavior) 변경 또는 현재 로컬 내비게이션 문제가 일시적으로 실행 불가능하다는 상태 보고와 같은 적절한 대응을 수행해야 한다.
양산 자율이동로봇(Production AMR)의 경우 수치적인 최적화 지표와 실제 물리적 내비게이션 시험을 함께 평가해야 한다. 유용한 측정 항목에는 최적화 시간, 제어 주파수(Control Frequency), 최소 장애물 여유 거리, 경로 편차(Path Deviation), 속도 및 가속도 프로파일, 목표 접근 정확도, 진동 빈도(Oscillation Frequency), 제한된 환경에서의 성공률 등이 포함된다. 최적화된 밴드와 개별 비용 항을 로깅하면 바람직하지 않은 동작이 장애물 페널티, 동역학적 한계, 위상 선택 또는 궤적 이산화 중 어디에서 발생했는지를 파악하는 데 도움이 된다.
궁극적으로 TEB는 기준 경로(Reference Path)를 기하학적, 시간적, 동역학적 제약조건을 동시에 만족하는 짧은 예측 범위의 궤적(Short-Horizon Trajectory)으로 변환하는 구조화된 방법을 제공한다. TEB의 강점은 로봇이 어디로 이동해야 하는지와 그 움직임이 시간에 따라 어떻게 변화해야 하는지를 하나의 표현 안에서 동시에 최적화하는 데 있다. 정확한 풋프린트 모델, 신뢰할 수 있는 인지, 현실적인 플랫폼 제약조건, 체계적인 튜닝, 견고한 실패 처리와 결합하면 이동 로봇을 위한 부드럽고 반응성이 높은 로컬 내비게이션을 제공할 수 있다.
05.04. MPPI Local Planner GPU Parallel Rollouts [w/Code]
모델 예측 경로 적분(Model Predictive Path Integral, MPPI) 제어는 가능한 다수의 미래 제어 시퀀스(Control Sequence)를 평가하고 예측된 비용을 이용하여 다음 로봇 명령을 결정하는 샘플링 기반 로컬 계획(Sampling-Based Local Planning) 방법이다. 하나의 궤적을 결정론적 최적화(Deterministic Optimization)로 탐색하는 대신 MPPI는 기준 제어 시퀀스(Nominal Control Sequence) 주변에 확률적인 롤아웃(Stochastic Rollout) 집단을 생성한다. 이러한 구조에서는 수천 개의 후보 궤적을 대부분 독립적으로 시뮬레이션할 수 있기 때문에 그래픽 처리 장치(Graphics Processing Unit, GPU) 가속에 특히 적합하다.
플래너는 미래 제어 입력(Control Input)의 시퀀스로 구성된 유한 예측 범위(Finite Prediction Horizon)에서 동작한다. 차동 구동 이동 로봇(Differential-Drive Mobile Robot)의 경우 각 제어 단계는 선속도 \(v\)와 각속도 \(\omega\)를 포함할 수 있으며, 다른 플랫폼에서는 가속도, 조향각(Steering Angle), 또는 플랫폼별 명령을 사용할 수 있다. 기준 시퀀스는 유용한 미래 움직임에 대한 플래너의 현재 추정치를 나타내며 새로운 위치 추정(Localization)과 인지(Perception) 정보가 입력될 때마다 반복적으로 개선된다.
각 제어 주기(Control Cycle)에서 MPPI는 기준 시퀀스에 샘플링된 섭동(Perturbation)을 추가하여 다수의 후보 제어 시퀀스를 생성한다. 각각의 섭동된 시퀀스는 예측 범위에 걸쳐 로봇 동역학(Robot Dynamics)을 통과하는 하나의 롤아웃을 정의한다. 생성된 궤적은 좌회전이나 우회전, 가속이나 감속, 기준 경로 추종 또는 장애물 우회를 수행할 수 있다. 따라서 샘플링을 통해 로컬 계획 문제를 가능한 미래 로봇 행동 집합을 평가하는 문제로 변환한다.
순방향 롤아웃(Forward Rollout)을 위해서는 각각의 후보 제어 시퀀스가 로봇 상태를 어떻게 변화시키는지 예측하는 운동 모델(Motion Model)이 필요하다. 차동 구동 모델은 선속도와 각속도를 이용하여 위치와 방향을 전파할 수 있으며, 보다 정교한 구현에서는 가속도 제한, 조향 동역학(Steering Dynamics), 액추에이터 응답 또는 기타 플랫폼 특성을 포함할 수 있다. 이 모델의 정확도는 예측된 궤적이 실제 로봇이 실행할 수 있는 움직임과 얼마나 일치하는지에 영향을 준다.
각각의 시뮬레이션 롤아웃에는 내비게이션 적합성을 나타내는 궤적 비용(Trajectory Cost)이 부여된다. 일반적인 비용 항(Cost Term)은 충돌 위험, 장애물 근접도, 기준 경로 이탈, 목표를 향한 부족한 진행, 과도한 제어 노력(Control Effort), 급격한 명령 변화 또는 운동 제약 위반에 페널티를 부여한다. 추가적인 응용별 평가 함수(Critic)를 이용하여 선호 방향, 최종 자세 품질, 경로 방향, 속도 제한 또는 운용 영역 등을 표현할 수 있다. 총비용은 샘플링된 미래 상태를 비교하는 공통 기준을 제공한다.
단순히 가장 낮은 비용을 가진 샘플 궤적 하나를 선택하는 방식과 달리 MPPI는 다수의 롤아웃에서 얻은 비용 가중 정보(Cost-Weighted Information)를 이용하여 기준 제어 시퀀스를 갱신한다. 비용이 낮은 궤적은 더 큰 영향을 미치고 비용이 높은 궤적은 거의 영향을 주지 않는다. 온도 관련 파라미터(Temperature-Related Parameter)는 최상의 샘플을 얼마나 강하게 선호할지를 조절한다. 이러한 갱신 방식은 샘플링 분포 전체의 정보를 결합하므로 하나의 후보만 반복적으로 선택하는 방식보다 부드러운 동작을 생성할 수 있다.
제어 시퀀스를 갱신한 후에는 일반적으로 첫 번째 명령 또는 초기의 짧은 구간만 실제로 실행한다. 이후 예측 범위가 앞으로 이동하고 로봇은 갱신된 상태 및 장애물 정보를 수신하며 새로운 롤아웃 집합을 생성한다. 이러한 이동 예측 범위(Receding-Horizon) 과정으로 MPPI는 폐루프 제어기(Closed-Loop Controller)로 동작한다. 충분히 긴 예측 범위는 미래 상황에 대한 선행 판단을 제공하고 반복적인 재계획은 환경 변화에 지속적으로 대응하도록 한다.
롤아웃 평가(Rollout Evaluation)의 계산 구조는 그래픽 처리 장치(GPU)에 자연스럽게 대응된다. 후보 궤적은 순방향 시뮬레이션과 비용 평가 과정에서 서로 독립적이므로 대규모 배치(Batch)를 병렬로 처리할 수 있다. 중앙처리장치(CPU)에서 수천 개의 롤아웃을 순차적으로 계산하는 대신 GPU 스레드(Thread)는 많은 상태를 동시에 전파하고 비용 항을 병렬로 평가할 수 있다. 이러한 병렬성은 높은 샘플 수를 사용하는 예측형 로컬 계획을 제한된 제어 주기 내에서 실행할 수 있도록 한다.
GPU 가속이 계산상의 상충관계(Computational Tradeoff)를 제거하는 것은 아니다. 롤아웃 수를 증가시키면 제어 공간(Control Space)의 탐색 범위가 향상되지만 계산량과 메모리 대역폭 사용량이 증가한다. 예측 범위를 확장하면 더 먼 미래를 고려할 수 있지만 각 롤아웃에서 시뮬레이션해야 하는 상태 수가 증가한다. 더 작은 적분 시간 간격(Integration Step)은 시간 해상도를 향상시키지만 작업량을 추가로 증가시킨다. 따라서 실제 MPPI 설정에서는 롤아웃 수, 예측 범위 길이, 모델 복잡도, 요구 제어 주파수 사이의 균형이 필요하다.
효율적인 병렬 구현에서는 메모리 구성(Memory Organization)이 중요하다. 로봇 상태, 제어 시퀀스, 샘플링 노이즈(Sampled Noise), 궤적 비용, 환경 정보는 효율적인 배치 접근(Batched Access)이 가능하도록 구성해야 한다. 반복적인 호스트-디바이스 데이터 전송(Host-to-Device Transfer)은 특히 높은 제어 주파수에서 GPU 가속의 이점을 감소시킬 수 있다. 따라서 자주 사용하는 계획 데이터를 디바이스에 유지하고 CPU 오케스트레이션(CPU Orchestration)과 GPU 롤아웃 계산 사이의 동기화를 최소화하는 것이 효과적이다.
장애물 회피(Obstacle Avoidance)는 일반적으로 각각의 예측 궤적을 따라 평가되는 하나 이상의 비용 항으로 표현된다. 치명적인 코스트맵 셀(Lethal Costmap Cell)에 진입하거나 로봇 풋프린트(Robot Footprint)가 충돌하는 롤아웃에는 매우 큰 페널티를 부여하거나 해당 롤아웃을 유효하지 않은 것으로 처리할 수 있다. 장애물과의 거리가 감소할수록 근접 비용을 연속적으로 증가시킬 수도 있다. 이를 통해 MPPI는 단순한 충돌 여부뿐만 아니라 실행 가능한 대안들 사이의 서로 다른 안전 수준까지 비교할 수 있다.
로봇 중심점의 궤적만으로는 실제 플랫폼이 이동하면서 차지하는 영역(Swept Area)을 표현할 수 없으므로 로봇 풋프린트 모델링(Footprint Modeling)이 중요하다. 원형 근사는 계산 효율성이 높고, 다각형 또는 방향성을 가진 풋프린트(Oriented Footprint)는 직사각형 자율이동로봇(AMR)에 대해 더 높은 기하학적 정확도를 제공한다. 풋프린트 오차는 사용 가능한 통로를 잘못 제거하거나 실제 로봇을 장애물에 위험할 정도로 접근시키는 궤적을 허용할 수 있으므로 환경과 요구 여유 거리에 적합한 표현을 선택해야 한다.
운동 제약(Motion Constraint)은 샘플링되는 제어 입력의 범위를 제한하거나 유효하지 않은 궤적에 페널티를 부여하는 방법으로 포함할 수 있다. 최대 속도, 각속도, 가속도, 감속도, 조향 속도 및 기타 플랫폼 한계는 측정 가능한 실제 로봇 성능과 일치해야 한다. 물리적으로 의미 있는 범위에서 샘플링하면 실행 불가능한 롤아웃에 계산 자원을 낭비하는 것을 줄일 수 있다. 또한 기술적으로 실행 가능하더라도 바람직하지 않은 운전 영역의 명령을 비용 항을 통해 억제할 수 있다.
MPPI의 확률적 특성(Stochastic Nature)은 복잡한 로컬 환경에서 유용한 유연성을 제공한다. 서로 다른 다수의 제어 섭동을 동시에 탐색하기 때문에 소수의 결정론적 모션 프리미티브(Motion Primitive)를 명시적으로 생성하지 않고도 장애물 주변의 다양한 대안을 평가할 수 있다. 그러나 탐색 성능은 노이즈 분포(Noise Distribution)에 크게 의존한다. 섭동이 지나치게 작으면 유용한 대안을 발견하지 못할 수 있으며, 지나치게 크면 비현실적이거나 매우 비효율적인 움직임에 롤아웃을 낭비할 수 있다.
온도(Temperature)와 노이즈 파라미터는 롤아웃 수와 밀접하게 상호작용한다. 소수의 낮은 비용 샘플에 강하게 집중하면 결정적인 동작을 생성할 수 있지만 샘플링 변화에 민감해질 수 있다. 반대로 더 넓은 가중 분포는 많은 궤적 정보를 반영하여 보다 부드러운 갱신을 만들 수 있지만 움직임이 덜 적극적일 수 있다. 대규모 샘플 집단은 확률적 변동을 감소시킬 수 있지만 추가적인 계산 자원을 요구하므로 개별 값을 독립적으로 조정하기보다 전체 샘플링 및 가중 과정(Sampling-and-Weighting Process)을 함께 평가해야 한다.
동적 환경(Dynamic Environment)에서는 빈번한 장애물 정보 갱신과 충분히 빠른 재계획(Replanning)이 필요하다. MPPI는 모든 제어 주기마다 새로운 예측 궤적을 생성하므로 새롭게 관측된 장애물에 대응할 수 있다. 보행자, 차량 또는 다른 로봇의 예측 움직임을 사용할 수 있다면 시간 의존적 장애물 비용(Time-Dependent Obstacle Cost)을 이용하여 각 롤아웃 시점에서 객체가 존재할 것으로 예상되는 위치를 평가할 수 있다. 신뢰할 수 있는 예측이 없다면 MPPI는 최신 환경 표현에 주로 반응하는 방식으로 동작한다.
모든 샘플 궤적의 비용이 비슷하게 높거나 샘플링 분포가 실행 가능한 탈출 방향을 탐색하지 못하거나 서로 경쟁하는 비용 항이 바람직하지 않은 로컬 동작을 생성하면 실패 모드(Failure Mode)가 발생할 수 있다. 로봇이 지나치게 감속하거나 진동(Oscillation)하거나 장애물 주변에서 갇힐 수 있다. 진행 상태, 유효 롤아웃 비율(Valid Rollout Ratio), 비용 분포, 명령 안정성을 감시하면 내비게이션 시스템이 이러한 조건을 감지하고 재계획이나 상위 수준 복구 메커니즘(Recovery Mechanism)을 실행할 수 있다.
실시간 신뢰성(Real-Time Reliability)은 평균 계산 시간만으로 평가해서는 안 된다. 양산 제어기(Production Controller)는 많은 장애물, 조밀한 코스트맵 갱신, 대규모 롤아웃 집단이 존재하는 어려운 상황에서도 시간 요구조건을 만족해야 한다. 중앙값(Median), 높은 백분위 지연시간(High-Percentile Latency), 최악 조건 계획 지연시간(Worst-Case Planning Latency)을 측정하면 GPU 실행이 요구되는 제어 주파수와 호환되는지를 판단할 수 있다. 인지 또는 인공지능 추론(AI Inference)과 GPU를 공유하는 경우 열 스로틀링(Thermal Throttling)과 동시 GPU 워크로드도 고려해야 한다.
실제 튜닝(Practical Tuning)은 검증된 로봇 동역학과 관리 가능한 예측 설정에서 시작해야 한다. 이후 제어 지연시간, 궤적 다양성(Trajectory Diversity), 내비게이션 품질을 관찰하면서 롤아웃 수와 예측 범위를 증가시킬 수 있다. 기준 경로 추종, 장애물 여유 거리, 목표 수렴(Goal Convergence), 속도 부드러움(Velocity Smoothness), 제어 노력은 복도, 급회전, 출입구, 복잡한 공간, 장애물 우회, 최종 목표 접근과 같은 반복 가능한 시나리오에서 함께 평가해야 한다.
MPPI는 로봇이 실제로 실행하는 궤적보다 훨씬 많은 내부 궤적을 평가하므로 로깅(Logging)과 시각화(Visualization)가 특히 유용하다. 샘플링된 롤아웃, 각각의 비용, 가중 궤적 분포(Weighted Trajectory Distribution), 기준 제어 시퀀스, 최종 선택 명령을 표시하면 플래너가 각 상황을 어떻게 해석하는지 파악할 수 있다. 이러한 진단을 통해 부족한 탐색, 과도한 장애물 페널티, 약한 경로 유도, 부정확한 모델 파라미터 또는 부족한 예측 범위를 확인할 수 있다.
궁극적으로 MPPI는 로컬 내비게이션(Local Navigation)을 대규모 병렬 예측 평가(Massively Parallel Predictive Evaluation) 문제로 변환한다. 플래너는 가능한 다수의 미래 제어 시퀀스를 샘플링하고, 이를 로봇 모델을 통해 전파하며, 그 결과를 평가한 후 가장 유용한 롤아웃의 정보를 결합하여 제어 시퀀스를 갱신한다. GPU 병렬 처리(GPU Parallelism)는 이러한 방식을 대규모 샘플링에서도 실용적으로 만들고, 이동 예측 범위 피드백(Receding-Horizon Feedback)은 환경 변화에 지속적으로 대응하도록 한다. 최종 성능은 현실적인 동역학 모델, 세심하게 설계된 비용 함수, 효과적인 샘플링, 신뢰할 수 있는 환경 표현, 예측 가능한 실시간 계산 성능에 의해 결정된다.
05.05. RPP Regulated Pure Pursuit Controller [w/Code]
조절 순수 추종(Regulated Pure Pursuit, RPP)은 기하학적 기준 경로(Geometric Reference Path)를 이동 로봇이 안전하게 실행할 수 있는 속도 명령(Velocity Command)으로 변환하도록 설계된 경로 추종 제어기(Path-Following Controller)이다. RPP는 경로 곡률(Path Curvature), 장애물 근접도(Obstacle Proximity), 충돌 위험(Collision Risk), 목표 접근 조건(Goal Approach Condition)에 따라 명령 속도를 조절함으로써 기존 순수 추종(Pure Pursuit) 방법을 확장한다. 이를 통해 기하학적 추종의 계산적 단순성을 유지하면서 제한된 공간과 안전이 중요한 내비게이션 환경에서의 동작을 개선한다.
기존 순수 추종(Classical Pure Pursuit)은 기준 경로에서 로봇보다 앞에 위치한 목표점을 선택하고 해당 지점을 향해 조향하는 데 필요한 곡률(Curvature)을 계산한다. 로봇과 이 목표점 사이의 거리를 전방주시 거리(Lookahead Distance)라고 한다. 다수의 후보 궤적을 최적화하는 대신 제어기는 추종점(Pursuit Point)을 반복적으로 결정하고 필요한 곡률을 계산한 후 로봇을 해당 지점으로 이동시키는 선속도(Linear Velocity)와 각속도(Angular Velocity) 명령을 생성한다.
로봇 좌표계(Robot Coordinate Frame)에서 전방주시점(Lookahead Point)은 조향에 필요한 기하학적 정보를 제공한다. 목표점이 로봇의 정면에 위치하면 명령 곡률은 0에 가까워지고 로봇은 거의 직선으로 이동한다. 목표점의 횡방향 변위(Lateral Displacement)가 증가하면 필요한 곡률도 증가한다. 전방주시 거리 \(L\)과 목표점의 횡방향 변위 \(y\)에 대해 일반적인 기하학적 관계는 \(\kappa = 2y/L^2\)로 표현할 수 있으며, 여기서 \(\kappa\)는 경로 곡률을 나타낸다.
곡률이 결정되면 각속도는 \(\omega=v\kappa\) 관계를 통해 선속도와 연결할 수 있다. 이러한 관계를 통해 경로의 기하학적 형상을 속도 명령으로 직접 변환할 수 있으므로 순수 추종은 차동 구동(Differential-Drive) 및 이와 유사한 이동 플랫폼에 특히 편리하다. 그러나 일정하거나 지나치게 공격적으로 설정된 선속도를 적용하면 급격한 회전, 장애물 근처 또는 최종 목표에 접근하는 상황에서 문제가 발생할 수 있다.
RPP는 내비게이션 조건에 따라 기준 선속도(Nominal Linear Velocity)를 조절하여 이러한 한계를 해결한다. 경로 형상에 따라 조향을 결정하면서 속도를 거의 독립적으로 유지하는 대신 RPP는 속도를 안전성과 실행 가능성에 의존하는 변수로 취급한다. 곡률이 커지거나 주변 장애물로 인해 위험이 증가하거나 로봇이 목적지에 접근하면 제어기는 전진 속도를 감소시킬 수 있다.
곡률 기반 조절(Curvature-Based Regulation)은 이동 로봇에서 특히 중요하다. 높은 선속도와 큰 곡률이 결합되면 높은 각속도와 까다로운 횡방향 운동이 발생하기 때문이다. 낮은 속도에서는 실행 가능한 급회전도 높은 속도에서는 정확하게 추종하기 어려울 수 있다. 따라서 RPP는 곡률이 증가할수록 명령 선속도를 감소시켜 회전 속도와 플랫폼의 운동 제약을 만족하면서 추종 안정성(Tracking Stability)을 향상시킨다.
전방주시 거리 선택(Lookahead Selection)은 경로 추종 동작에 큰 영향을 준다. 작은 전방주시 거리는 제어기가 국부적인 경로 곡률에 빠르게 반응하도록 하지만 조향 민감도와 진동(Oscillation)을 증가시킬 수 있다. 큰 전방주시 거리는 더 부드러운 움직임을 생성하지만 코너를 가로질러 이동하거나 급격한 경로 형상에 늦게 반응할 수 있다. 실제 RPP 구현에서는 속도가 높을 때 추종 거리를 증가시키고 느리고 정밀한 기동에서는 감소시키는 속도 비례 전방주시(Velocity-Scaled Lookahead)를 사용할 수 있다.
기준 경로는 일반적으로 로봇 좌표계로 변환되고 이미 통과한 부분이 계속 제어에 영향을 주지 않도록 경로 가지치기(Path Pruning)를 수행한다. 이후 제어기는 남아 있는 경로에서 적절한 전방주시점을 탐색한다. 이러한 과정은 제어기 주파수(Controller Frequency)에 따라 반복적으로 실행되므로 효율적인 경로 가지치기와 좌표 변환(Coordinate Transformation)이 중요하며, 위치 추정 갱신과 현재 로봇 자세에 일관되게 대응해야 한다.
충돌 조절(Collision Regulation)은 기하학적 경로 추종에 추가적인 안전 계층(Safety Layer)을 제공한다. 제어기는 제한된 시간이나 거리 동안 명령된 움직임을 전방으로 투영하고 예측된 원호(Predicted Arc)를 로컬 코스트맵(Local Costmap)과 비교할 수 있다. 투영된 움직임이 점유 영역 또는 치명적 영역과 교차하면 명령을 감소시키거나 거부할 수 있다. 이를 통해 새롭게 탐지된 장애물 때문에 즉각적인 움직임이 위험해진 상황에서 기하학적으로 유효한 경로를 무조건 추종하는 것을 방지한다.
충돌 검사 예측 범위(Collision-Checking Horizon)는 신중하게 선택해야 한다. 지나치게 짧은 투영 범위는 안전하게 제동하기에 충분히 일찍 위험을 발견하지 못할 수 있으며, 지나치게 긴 범위는 멀리 있는 장애물 때문에 불필요하게 움직임을 억제할 수 있다. 따라서 예측 범위는 임의의 기하학적 파라미터로 취급하기보다 로봇 속도, 정지 능력(Stopping Capability), 센싱 범위(Sensing Range), 제어 주파수, 로컬 환경 특성을 반영하여 설정해야 한다.
비용 기반 조절(Cost-Based Regulation)을 사용하면 코스트맵에 표현된 장애물 근접도에 따라 속도를 추가적으로 변경할 수 있다. 예측 경로가 장애물과 직접 충돌하지 않더라도 높은 로컬 비용(Local Cost)은 여유 거리 감소 또는 내비게이션 위험 증가를 의미할 수 있다. 이러한 비용이 증가함에 따라 제어기가 점진적으로 속도를 낮추면 경로를 즉시 실행 불가능한 것으로 판단하지 않으면서도 벽, 선반, 기계 또는 기타 구조물 주변에서 신중하게 이동할 수 있다.
목표 접근(Goal Approach)에는 추가적인 조절이 필요하다. 일반적인 순항 속도로 동작하는 제어기는 최종 자세(Final Pose)를 지나치거나 급격한 제동을 발생시킬 수 있기 때문이다. RPP는 남아 있는 경로 거리가 짧아짐에 따라 속도를 점진적으로 감소시킬 수 있다. 이러한 접근 속도 제약(Approach-Velocity Constraint)은 최종 위치 정확도를 향상시키고 경로 추종에서 정지 상태로 보다 부드럽게 전환하도록 하며, 특히 정밀 도킹(Precise Docking), 스테이션 도착 또는 작업 인계가 필요한 자율이동로봇(AMR)에 유용하다.
최소 속도 설정(Minimum Velocity Setting)도 신중하게 고려해야 한다. 매우 낮은 명령 속도는 정밀도를 향상시킬 수 있지만 실제 구동계(Drivetrain)가 안정적으로 실행할 수 있는 최소 속도보다 낮아질 수 있다. 반대로 최소 속도가 지나치게 높으면 좁은 공간이나 목표 주변에서 공격적인 움직임이 발생할 수 있다. 따라서 제어기 파라미터는 실제 측정된 모터 응답, 마찰(Friction), 구동계 특성, 적재 조건(Payload Condition), 저수준 속도 제어 성능을 반영해야 한다.
RPP는 시간 탄성 밴드(Timed Elastic Band, TEB)와 같은 궤적 최적화(Trajectory Optimization) 방법이나 모델 예측 경로 적분(Model Predictive Path Integral, MPPI)과 같은 샘플링 기반 예측 방법과 근본적으로 다르다. 일반적으로 다수의 미래 궤적을 생성하여 최적화하지 않고 기준 경로의 품질에 크게 의존하면서 기하학적 추종과 다양한 조절 메커니즘을 적용한다. 따라서 계산 복잡도가 비교적 낮고 실행 특성을 예측하기 쉽지만, 상위 플래너가 실제 로봇이 사용할 수 있는 적절한 경로를 제공해야 한다.
RPP는 대체 로컬 경로를 적극적으로 변형하거나 샘플링하기보다 기존 경로를 추종하므로 장애물 회피 능력(Obstacle-Avoidance Capability)은 능동적으로 장애물 주변의 궤적을 탐색하는 플래너와 본질적으로 다르다. 기준 경로가 차단되면 속도 조절과 충돌 검사를 통해 로봇을 감속하거나 정지시킬 수 있지만 새로운 실행 가능 경로를 찾으려면 글로벌 또는 로컬 계획 아키텍처의 재계획(Replanning)이 필요할 수 있다. 전체 내비게이션 스택을 설계할 때 이러한 역할 분리를 고려해야 한다.
따라서 경로 품질(Path Quality)은 제어기 성능에 직접적인 영향을 준다. 급격한 불연속, 불필요한 지그재그, 지나치게 성긴 경로 샘플링 또는 로봇 성능과 일치하지 않는 곡률 패턴은 바람직하지 않은 명령을 생성할 수 있다. 기준 경로를 평활화(Smoothing)하거나 동역학적으로 적절한 경로를 생성하면 RPP 동작을 크게 개선할 수 있다. 제어기 튜닝만으로 실제 플랫폼의 기하학적 특성이나 기동성을 근본적으로 위반하는 경로를 완전히 보상할 수는 없다.
RPP는 신뢰할 수 있는 기준 경로와 계산 예측성(Computational Predictability)이 중요한 구조화된 환경(Structured Environment)에 적합하다. 창고 통로, 복도, 사전에 정의된 물류 경로, 반복적인 산업용 내비게이션 작업 등이 대표적인 예이다. 비교적 단순한 계산 구조를 사용하므로 대규모 궤적 샘플링이나 비선형 최적화(Nonlinear Optimization) 없이 높은 제어 주파수로 실행할 수 있으며, 이는 계산 자원이 제한된 임베디드 프로세서(Embedded Processor)에서 장점이 될 수 있다.
좁은 통로(Narrow Passage)에서는 풋프린트 설정(Footprint Configuration), 코스트맵 팽창(Costmap Inflation), 경로 배치(Path Placement), 속도 조절 사이의 정확한 조정이 필요하다. 기준 경로가 벽 가까이를 통과하면 경로가 기하학적으로 실행 가능하더라도 비용 기반 조절로 인해 속도가 크게 감소할 수 있다. 이러한 동작은 안전 측면에서 바람직할 수 있지만 과도한 조절은 불필요하게 느린 이동을 발생시킨다. 따라서 시각적인 경로 형태만이 아니라 실제 물리적 여유 거리 요구조건(Physical Clearance Requirement)을 기준으로 튜닝해야 한다.
위치 추정 노이즈(Localization Noise)도 추종 동작에 영향을 줄 수 있다. 추정된 로봇 자세가 변화하면 전방주시점의 상대 위치도 변화하기 때문이다. 빠른 자세 변동은 곡률과 각속도 명령의 변동으로 이어질 수 있다. 안정적인 위치 추정, 적절한 전방주시 거리, 속도 평활화(Velocity Smoothing), 현실적인 제어 주파수는 이러한 민감도를 줄이는 데 도움이 된다. 그러나 지나친 필터링(Filtering)은 지연을 발생시켜 실제 경로 곡률 변화에 대한 응답 성능을 저하시킬 수 있다.
양산 환경 튜닝(Production Tuning)은 검증된 플랫폼 한계와 대표적인 기준 경로에서 시작해야 한다. 최대 선속도 및 각속도, 가속도 제약, 전방주시 거리 범위, 곡률 조절, 충돌 검사 예측 범위, 장애물 관련 속도 스케일링(Obstacle-Related Scaling), 목표 접근 동작을 체계적으로 시험해야 한다. 직선 경로, 완만한 곡선, 급격한 코너, 좁은 복도, 출입구, 장애물 조우, 최종 목표 접근은 반복 시험에 유용한 대표 시나리오이다.
로깅(Logging)에는 선택된 전방주시점, 경로 곡률, 명령 선속도와 각속도, 조절 계수(Regulation Factor), 로컬 비용 값, 충돌 예측(Collision Projection), 남은 목표 거리, 제어기 계산 시간이 포함되어야 한다. 이러한 신호를 분석하면 예상하지 못한 동작의 원인이 경로 형상, 전방주시점 선택, 곡률 조절, 장애물 비용, 위치 추정 또는 하위 속도 제어기 중 어디에서 발생했는지를 구분할 수 있다.
궁극적으로 RPP는 계획된 기하학적 경로(Planned Geometric Path)와 실시간 로봇 모션(Real-Time Robot Motion)을 연결하는 계산 효율적인 방법을 제공한다. 순수 추종(Pure Pursuit)은 기하학적 조향 원리를 제공하고, 조절 메커니즘(Regulation Mechanism)은 곡률, 장애물, 충돌 위험, 목표 근접도에 따라 속도를 조정한다. 적절한 기준 경로, 정확한 위치 추정, 현실적인 로봇 한계, 신뢰할 수 있는 코스트맵, 체계적인 튜닝과 결합하면 RPP는 양산 이동 로봇을 위한 부드럽고 예측 가능하며 안전을 고려한 경로 추종을 제공할 수 있다.
05.06. Nav2 Controller Plugin Development [w/Code]
Nav2 제어기 플러그인 개발(Nav2 Controller Plugin Development)은 내비게이션2(Navigation2, Nav2) 아키텍처 내에서 사용자 정의 로컬 모션 제어 알고리즘(Custom Local Motion-Control Algorithm)을 구현하기 위한 표준화된 메커니즘을 제공한다. 제어기 플러그인(Controller Plugin)은 글로벌 경로(Global Path) 또는 로컬 좌표계로 변환된 경로와 현재 로봇 상태를 입력받아 실행 가능한 속도 명령(Velocity Command)을 생성한다. 이러한 추상화를 통해 기하학적 경로 추종기, 궤적 최적화기, 예측 제어기, 응용 분야별 제어기를 공통 내비게이션 인터페이스(Common Navigation Interface) 뒤에서 동작시킬 수 있다.
제어기 플러그인은 Nav2 제어기 서버(Controller Server)에서 실행되며, 이를 통해 제어기의 생명주기 관리(Lifecycle Management)와 내비게이션 스택 통합을 내부 계획 알고리즘에서 분리한다. 서버는 상위 수준 내비게이션 동작과의 상호작용을 처리하고 플러그인은 경로 추종(Path Tracking)과 로컬 명령 생성(Local Command Generation)에 집중한다. 이러한 분리를 통해 전체 내비게이션 아키텍처를 다시 설계하지 않고도 제어기 구현을 독립적으로 발전시킬 수 있다.
사용자 정의 제어기(Custom Controller)는 일반적으로 Nav2 제어기 인터페이스(Controller Interface)를 따르는 C++ 클래스로 구현된다. 이 클래스는 제어기 응용 프로그래밍 인터페이스(Controller API)에 정의된 필수 생명주기 및 제어 함수를 구현한다. 이러한 함수는 플러그인의 설정(Configuration), 활성화(Activation), 비활성화(Deactivation), 정리(Cleanup), 경로 입력, 속도 명령 계산 방식을 정의한다. 이 계약을 준수하면 제어기 서버는 서로 다른 알고리즘을 동일한 인터페이스를 통해 처리할 수 있다.
설정(Configuration)은 내비게이션 생명주기가 제어기 플러그인의 동작을 준비하는 과정에서 수행된다. 이 단계에서 구현체는 상위 생명주기 노드(Parent Lifecycle Node), 변환 버퍼(Transform Buffer), 로컬 코스트맵(Local Costmap), 플러그인별 설정과 같은 자원에 접근할 수 있다. 속도 제한, 전방주시 동작(Lookahead Behavior), 최적화 가중치, 허용 오차(Tolerance) 또는 기타 알고리즘 속성을 제어하는 파라미터를 이 단계에서 선언하고 읽을 수 있다. 계산 비용이 큰 초기화 작업은 실시간 명령 생성이 시작되기 전에 완료하는 것이 바람직하다.
활성화(Activation)와 비활성화(Deactivation)는 Nav2 생명주기 관리(Lifecycle Management)를 지원한다. 활성화는 제어기가 실제로 명령을 생성하는 동안 필요한 런타임 자원(Runtime Resource)을 준비하고, 비활성화는 플러그인 객체를 반드시 제거하지 않으면서 이러한 자원의 동작을 중지한다. 퍼블리셔(Publisher), 진단 인터페이스(Diagnostic Interface) 또는 기타 생명주기 인식 자원(Lifecycle-Aware Resource)도 동일한 상태 전환을 따를 수 있다. 정리(Cleanup)는 플러그인이 미설정 상태로 돌아가거나 운용에서 제거될 때 자원을 해제한다.
경로 설정 인터페이스(Path-Setting Interface)는 제어기가 추종해야 할 계획(Plan)을 전달한다. 입력 경로는 일반적으로 글로벌 플래너(Global Planner)에서 생성되며 특정 좌표 프레임(Coordinate Frame)으로 표현된 일련의 자세(Pose)로 구성된다. 제어기는 전체 경로를 저장하거나, 이미 통과한 구간을 제거하거나, 필요한 부분을 로컬 프레임(Local Frame)으로 변환하거나, 내부 궤적 표현(Internal Trajectory Representation)을 생성할 수 있다. 구체적인 처리 방식은 제어기 알고리즘에 따라 달라진다.
속도 명령 계산(Velocity-Command Computation)은 핵심 런타임 동작을 구성한다. 제어기 서버는 현재 로봇 자세와 속도를 제공하고 플러그인은 저장된 계획과 현재 환경을 바탕으로 다음 명령을 계산한다. 알고리즘에 따라 전방주시점(Lookahead Point)을 선택하거나, 속도를 샘플링하거나, 궤적을 최적화하거나, 예측 롤아웃(Predictive Rollout)을 평가하거나, 다른 제어 법칙(Control Law)을 적용할 수 있다. 계산 결과는 하위 실행 계층에서 사용할 수 있도록 타임스탬프가 포함된 속도 명령(Stamped Velocity Command)으로 반환된다.
글로벌 경로, 로봇 자세, 코스트맵, 제어기 계산이 서로 다른 좌표 프레임을 사용할 수 있기 때문에 좌표 프레임 처리(Coordinate-Frame Handling)는 매우 중요하다. 일반적으로 TF2를 통해 변환 정보를 얻어 필요한 경로 구간과 로봇 상태를 일관된 좌표계로 표현한다. 잘못된 좌표계 가정은 제어기 자체의 수학적 계산이 정확하더라도 심각한 경로 추종 오류를 발생시킬 수 있으므로 변환 실패(Transform Failure), 오래된 타임스탬프(Stale Timestamp), 프레임 불일치(Frame Inconsistency)를 명시적으로 감지해야 한다.
로컬 코스트맵(Local Costmap)은 장애물 또는 내비게이션 비용을 고려하는 제어기에 필요한 환경 정보를 제공한다. 사용자 정의 플러그인은 코스트맵 인터페이스를 통해 주변 점유 정보(Occupancy Information)와 팽창 비용(Inflated Cost)에 접근하고 이를 충돌 검사(Collision Checking), 궤적 평가(Trajectory Scoring), 속도 조절(Velocity Regulation), 안전 여유(Safety Margin)에 활용할 수 있다. 코스트맵 접근은 높은 주파수의 제어 루프(Control Loop) 내부에서 반복적으로 수행될 수 있으므로 계산 효율성을 유지해야 한다.
로봇 형상(Robot Geometry)은 로컬 코스트맵 설정과 일관되게 처리해야 한다. 충돌을 예측하는 제어기는 로봇 중심점만 검사하기보다 로봇 풋프린트(Robot Footprint) 또는 적절한 보수적 근사(Conservative Approximation)를 평가해야 한다. 잘못된 풋프린트 가정은 실제로 통과 가능한 공간을 차단된 것으로 판단하게 만들거나, 더 심각하게는 물리적으로 충돌하는 궤적을 안전하다고 분류할 수 있다. 따라서 풋프린트 처리는 실제 플랫폼 치수와 비교하여 검증해야 한다.
목표 판정(Goal Checking)은 일반적으로 제어기별 궤적 생성과 분리된다. Nav2는 목표 검사기 플러그인(Goal-Checker Plugin)을 이용하여 위치와 방향 허용 오차가 충족되었는지 판단할 수 있으며, 제어기는 목표를 향한 움직임 생성에 집중한다. 그러나 목표 검사기가 완료를 선언하기 전에 속도를 줄이고 최종 접근 동작을 개선하거나 오버슈트(Overshoot)를 방지하기 위해 제어기가 남은 경로 길이나 목표 근접도를 인식해야 할 수 있다.
진행 상태 감시(Progress Monitoring) 역시 더 넓은 내비게이션 아키텍처의 일부이다. 제어기가 유효한 명령을 생성하더라도 장애물, 위치 추정 문제, 휠 슬립(Wheel Slip), 부적절한 제어기 동작으로 인해 실제로 의미 있는 이동이 발생하지 않을 수 있다. Nav2의 진행 검사(Progress Checking)와 상위 수준 복구 로직(Recovery Logic)은 이러한 상황을 감지할 수 있다. 따라서 사용자 정의 제어기는 반복적인 0 속도 명령 뒤에 지속적인 명령 생성 실패를 숨기기보다 실패 상태를 명확하게 보고해야 한다.
예외 처리(Exception Handling)는 플러그인 계약(Plugin Contract)의 중요한 부분이다. 변환 정보를 사용할 수 없는 경우, 잘못된 경로, 궤적 생성 실패 또는 안전한 명령을 생성할 수 없는 상황은 적절한 제어기 실패 상태나 예외를 통해 전달해야 한다. 명시적인 실패 전파(Failure Propagation)를 통해 주변 내비게이션 동작은 시스템 정책에 따라 재계획(Replanning)을 요청하거나, 복구 동작을 실행하거나, 안전하게 정지하거나, 내비게이션 작업을 종료할 수 있다.
플러그인라이브러리(pluginlib)는 Nav2가 런타임에 제어기 구현을 검색하고 로드하는 메커니즘을 제공한다. 사용자 정의 클래스는 플러그인으로 내보내지고 플러그인 메타데이터(Plugin Metadata)를 통해 기술되므로 제어기 서버는 하드코딩된 의존성(Hard-Coded Dependency) 대신 설정 정보를 기반으로 이를 인스턴스화할 수 있다. 이러한 런타임 로딩(Runtime Loading) 모델을 통해 핵심 제어기 서버 구현을 수정하지 않고 여러 제어 알고리즘을 빌드하고 배포하며 선택할 수 있다.
빌드 시스템 통합(Build-System Integration)을 위해서는 제어기 패키지가 적절한 ROS 2 및 Nav2 의존성을 선언하고 플러그인 설명(Plugin Description)을 올바르게 내보내야 한다. 패키지 설정, CMake 정의, 헤더 파일, 구현 파일, 플러그인 메타데이터는 내보내는 클래스 및 인터페이스 형식과 일관되어야 한다. 실제로 많은 런타임 플러그인 오류는 제어기 알고리즘 자체보다 잘못된 패키지 내보내기, 클래스 이름, 라이브러리 이름 또는 플러그인 설명 설정에서 발생한다.
제어기 선택(Controller Selection)은 Nav2 설정을 통해 수행된다. 하나의 로봇은 서로 다른 식별자 아래 하나 또는 여러 개의 제어기 플러그인을 제공할 수 있으며 각 플러그인은 자체 파라미터 네임스페이스(Parameter Namespace)를 가질 수 있다. 이를 통해 서로 다른 내비게이션 동작이 특정 작업이나 플랫폼에 적합한 제어기를 선택할 수 있다. 예를 들어 하나의 제어기는 부드러운 경로 추종을 우선하고 다른 제어기는 제한된 운용 공간에서 저속 정밀 기동을 수행하도록 설정할 수 있다.
동적 파라미터 처리(Dynamic Parameter Handling)를 신중하게 구현하면 현장 튜닝(Field Tuning)을 개선할 수 있다. 속도 제한, 게인(Gain), 전방주시 거리, 비용 가중치, 샘플링 특성과 같은 파라미터는 패키지를 다시 빌드하지 않고 조정해야 할 수 있다. 그러나 런타임 갱신은 내부 일관성과 스레드 안전성(Thread Safety)을 유지해야 한다. 데이터 구조나 계산 요구량을 근본적으로 변경하는 파라미터는 활성 명령 계산 도중보다 제어된 생명주기 전환(Lifecycle Transition) 과정에서 적용하는 것이 더 안전할 수 있다.
명령 생성 함수가 제어기 주파수에 따라 반복적으로 실행되므로 실시간 성능(Real-Time Performance)은 중요한 설계 고려사항이다. 메모리 할당, 경로 변환, 코스트맵 접근, 최적화, 로깅 모두 지연시간(Latency)에 영향을 준다. 구현에서는 핵심 제어 루프 내부의 불필요한 작업을 줄여야 하며 평균 계산 시간뿐 아니라 대표적인 환경 복잡도에서 높은 백분위 지연시간(High-Percentile Latency)과 최악 조건 지연시간(Worst-Case Latency)도 측정해야 한다.
콜백(Callback), 파라미터 갱신, 코스트맵 처리, 제어기 실행이 공유 상태에 동시에 접근할 수 있는 경우 스레드 안전성이 중요해진다. 저장된 경로, 설정값, 진단 데이터, 내부 궤적 구조는 명확한 소유권(Ownership)과 동기화(Synchronization) 방식을 가져야 한다. 지나친 잠금(Locking)은 타이밍 성능을 저하시킬 수 있으며, 불충분한 동기화는 현장 시험에서 재현하기 어려운 간헐적인 오류를 발생시킬 수 있다.
시험(Testing)은 완전한 내비게이션 스택 수준보다 낮은 단계에서 시작해야 한다. 수학 함수, 경로 변환, 명령 제한, 충돌 검사, 특수 조건은 단위 시험(Unit Test)을 통해 검증할 수 있다. 이후 통합 시험(Integration Testing)을 통해 플러그인 로딩, 생명주기 전환, 파라미터 설정, 경로 수신, 명령 생성을 확인할 수 있다. 시뮬레이션(Simulation)은 실제 하드웨어에 배포하기 전에 반복 가능한 내비게이션 시나리오에서 동작을 평가하기 위한 추가적인 검증 계층을 제공한다.
현장 검증(Field Validation)에는 직선 경로, 곡선, 급회전, 좁은 복도, 출입구, 장애물 조우, 목표 접근, 차단된 경로, 위치 추정 교란(Localization Disturbance), 복구 전환(Recovery Transition)이 포함되어야 한다. 중요한 측정 항목에는 추종 오차(Tracking Error), 최소 장애물 여유 거리, 명령 부드러움(Command Smoothness), 제어기 주파수, 계산 지연시간, 실패율, 내비게이션 성공률이 포함된다. 시험에는 실제적인 로봇 풋프린트, 속도 제한, 가속 특성, 센서 갱신 주기를 적용해야 한다.
관측 가능성(Observability)은 양산 제어기 플러그인의 개발과 유지보수에 필수적이다. 유용한 진단 정보에는 변환된 로컬 경로, 선택된 목표점 또는 궤적, 생성된 명령, 제어기 상태, 비용 값, 실패 원인, 처리 시간, 관련 안전 여유가 포함된다. 표준 ROS 2 도구를 통한 시각화(Visualization)를 사용하면 제어기의 내부 의사결정을 이해할 수 있으며 불안정하거나 예상보다 지나치게 보수적인 동작을 진단하는 데 필요한 시간을 크게 줄일 수 있다.
잘 설계된 Nav2 제어기 플러그인은 알고리즘 기반 모션 생성(Algorithmic Motion Generation)과 체계적인 소프트웨어 통합(Software Integration)을 결합한다. 제어기는 공통 Nav2 인터페이스를 준수하고 생명주기 관리에 올바르게 참여하며, 경로와 환경 정보를 일관되게 사용하고, 로봇 제약조건을 준수하며, 실패를 명확히 보고하고, 제어 주기의 시간 요구조건을 만족해야 한다. 이러한 플러그인 아키텍처를 통해 사용자 정의 로컬 계획 연구를 모듈화되고 시험 가능하며 실제 배포 가능한 내비게이션 소프트웨어로 전환할 수 있다.
05.07. Velocity Smoothing and Acceleration Limiting [w/Code]
속도 평활화(Velocity Smoothing)와 가속도 제한(Acceleration Limiting)은 로컬 플래너(Local Planner)가 생성한 모션 명령(Motion Command)과 실제 로봇이 신뢰성 있게 실행할 수 있는 명령 사이의 전환 계층(Transition Layer)을 구성한다. 플래너는 제어 주기(Control Cycle) 사이에서 급격하게 변화하는 유효한 목표 속도를 생성할 수 있지만 모터, 구동계(Drivetrain), 적재물(Payload), 저수준 제어기(Low-Level Controller)는 순간적으로 반응할 수 없다. 평활화는 이러한 명령을 연속적인 움직임으로 변환하고, 가속도 제한은 물리적으로 의미 있는 변화율을 적용한다.
이동 로봇의 명령은 \(v_x\), \(v_y\), \(\omega\)와 같은 병진 및 회전 성분(Translational and Rotational Component)으로 표현할 수 있다. 차동 구동 로봇(Differential-Drive Robot)은 일반적으로 전진 속도 \(v_x\)와 각속도 \(\omega\)를 사용하고, 전방향 플랫폼(Omnidirectional Platform)은 추가적으로 횡방향 속도 \(v_y\)를 명령할 수 있다. 각 성분에는 플랫폼의 기계적 및 제어 특성을 반영하여 독립적인 최대 속도, 가속도, 감속도 제한을 설정할 수 있다.
평활화가 없으면 위치 추정(Localization), 코스트맵(Costmap) 관측, 궤적 최적화(Trajectory Optimization), 경로 형상의 작은 변화가 명령 속도의 급격한 변화를 발생시킬 수 있다. 이러한 불연속은 휠 슬립(Wheel Slip), 구동계 충격(Drivetrain Shock), 진동성 움직임(Oscillatory Motion), 불안정한 적재물 동역학(Payload Dynamics), 추종 오차 증가를 유발할 수 있다. 또한 저수준 제어 루프를 자극하여 로컬 플래너 자체는 수학적으로 유효한 명령을 생성하더라도 실제 로봇의 움직임이 불안정하게 보이게 할 수 있다.
가속도 제한은 연속된 속도 명령 사이의 차이를 제한한다. 제어 시간 간격(Control Interval) \(\Delta t\)에 대해 간단한 선형 제약은 \(|v_{k+1}-v_k|\leq a_{\max}\Delta t\)로 표현할 수 있다. 각속도도 각가속도 제한(Angular Acceleration Limit)을 사용하여 동일한 방식으로 처리할 수 있다. 새롭게 요청된 목표 속도를 즉시 적용하는 대신 평활화기는 설정된 가속도 범위에서 실행 가능한 명령을 목표 속도 방향으로 점진적으로 변화시킨다.
정지 요구조건은 일반적인 속도 증가와 다르기 때문에 감속도(Deceleration)는 가속도와 별도로 설정하는 것이 적절한 경우가 많다. 로봇은 부드러운 운용을 위해 점진적으로 가속하면서도 장애물이나 플래너 명령에 안전하게 대응하기 위해 더 강한 감속이 필요할 수 있다. 그러나 실제 가능한 감속도는 타이어 마찰(Tire Friction), 구동계 성능, 적재물 안정성, 모터 제어, 내비게이션 시스템의 다른 부분에서 사용하는 정지 거리 가정과 일치해야 한다.
속도 평활화는 이전에 명령된 속도를 현재 상태 추정값으로 사용하는 개루프 과정(Open-Loop Process)으로 동작할 수 있다. 이 방법은 계산이 단순하며 실제 속도 피드백(Measured Velocity Feedback)이 필요하지 않다. 그러나 휠 슬립, 액추에이터 지연(Actuator Delay), 경사, 적재량 변화 또는 저수준 추종 오차로 인해 명령 속도와 실제 로봇 움직임 사이에 차이가 발생할 수 있다. 이러한 차이가 누적되면 평활화기의 내부 가정과 실제 플랫폼 상태가 일치하지 않을 수 있다.
폐루프 평활화기(Closed-Loop Smoother)는 다음 명령을 생성할 때 측정되거나 추정된 로봇 속도를 피드백으로 사용한다. 일반적으로 오도메트리(Odometry)가 이러한 정보를 제공한다. 평활화 과정이 이전 명령만이 아니라 관측된 실제 움직임에서 시작하므로 실제 가속 및 감속 특성을 더 잘 반영할 수 있다. 그러나 그 효과는 충분히 정확하고 적시에 제공되며 노이즈가 적은 속도 추정(Velocity Estimation)에 의존한다.
피드백 품질(Feedback Quality)은 중요한 상충관계(Tradeoff)를 발생시킨다. 노이즈가 많은 오도메트리는 평활화기가 작은 속도 변화에도 지속적으로 반응하도록 만들 수 있으며, 지나치게 강하게 필터링된 피드백은 지연을 발생시킬 수 있다. 따라서 속도 정보의 출처, 갱신 주기, 타임스탬프 처리, 필터링 특성을 평활화 주파수(Smoothing Frequency)와 함께 고려해야 한다. 높은 주파수의 평활화기도 오래되거나 신뢰할 수 없는 상태 피드백을 보상할 수 없으며 오히려 오류를 더 높은 주파수로 반복할 수 있다.
평활화 주파수는 로컬 플래너 주파수(Local Planner Frequency)보다 높게 설정할 수 있다. 플래너가 중간 수준의 주기로 새로운 목표 명령을 생성하는 동안 평활화기는 명령이 베이스 제어기(Base Controller)에 전달되기 전에 더 높은 주파수로 중간값을 생성할 수 있다. 이러한 아키텍처는 계단 형태의 속도 변화를 줄이고 더욱 일정한 명령 타이밍을 제공한다. 따라서 평활화기는 또 다른 경로 플래너가 아니라 계획 결정과 물리적 실행 사이의 시간적 조정 계층(Temporal Conditioning Layer)으로 동작한다.
물리적 한계를 고려하지 않는다면 보간(Interpolation)만으로는 충분하지 않다. 수학적으로 부드러운 변화라도 과도한 가속도, 각가속도 또는 결합된 휠 구동력(Combined Wheel Effort)을 요구할 수 있다. 따라서 명령 갱신은 설정된 운동 제약(Motion Constraint) 범위 안에서 이루어져야 한다. 차동 구동 로봇에서는 선형 및 각속도 제한이 개별 휠 속도를 통해 서로 영향을 주므로 평활화된 차체 명령(Body Command)이 실제 각 휠 액추에이터에서 실행 가능한지 플랫폼 수준에서 검증해야 한다.
데드밴드 처리(Deadband Handling)는 구동계가 신뢰성 있게 실행할 수 없는 매우 작은 명령을 억제할 수 있다. 정지 마찰(Static Friction)이나 모터 제어 임계값보다 낮은 명령은 진동음, 간헐적인 휠 움직임 또는 실제 변위 없이 반복적으로 움직임을 시도하는 현상을 발생시킬 수 있다. 적절한 데드밴드를 적용하면 정지 상태의 동작을 개선할 수 있지만 지나치게 큰 임계값은 도킹(Docking), 최종 목표 접근 또는 저속 기동의 정밀도를 감소시킬 수 있다.
명령 타임아웃(Command Timeout) 동작도 중요한 안전 고려사항이다. 소프트웨어 오류, 통신 지연, 생명주기 전환(Lifecycle Transition), 계산 과부하 등으로 새로운 플래너 명령이 더 이상 입력되지 않는 경우 평활화기가 오래된 0이 아닌 목표 속도를 무기한 계속 사용해서는 안 된다. 타임아웃 메커니즘을 통해 출력을 0으로 수렴시키거나 설정된 안전 동작을 실행할 수 있다. 이를 통해 오래된 명령(Stale Command)이 의도하지 않은 지속적인 움직임으로 이어지는 것을 방지한다.
영속도 명령(Zero-Velocity Command)은 단순히 보간해야 할 또 하나의 목표가 아니라 의도적인 정지를 의미할 수 있으므로 특별하게 처리해야 한다. 일반적인 움직임에서는 제어된 감속을 통해 부드럽게 정지할 수 있다. 그러나 안전이 중요한 상황에서 비상 정지(Emergency Stop)나 보호 정지(Protective Stop)는 일반적인 승차감 중심의 평활화를 우회하고 더 빠른 독립적인 안전 대응을 실행해야 할 수 있다. 내비게이션 평활화를 인증된 안전 기능(Certified Safety Function)의 대체 수단으로 취급해서는 안 된다.
가속도 제한은 경로 추종 성능(Path-Tracking Performance)에도 영향을 준다. 로컬 플래너가 요청한 속도 변화가 즉시 실행된다고 가정하지만 평활화기가 이러한 변화를 크게 지연시키면 실제 로봇은 플래너가 예측한 움직임보다 늦게 반응할 수 있다. 이러한 불일치는 급회전이나 빠른 장애물 회피 상황에서 중요해질 수 있다. 따라서 플래너 동역학, 평활화 파라미터, 저수준 제어기 응답을 독립적으로 튜닝하기보다 하나의 통합된 제어 체인(Coordinated Control Chain)으로 설계해야 한다.
각속도 평활화(Angular Smoothing)는 차동 구동 플랫폼에서 특히 중요하다. \(\omega\)의 급격한 변화는 갑작스러운 휠 속도 반전이나 좌우 휠 명령 사이의 큰 차이를 발생시킬 수 있다. 각가속도를 제한하면 회전 저크(Rotational Jerk)와 기계적 스트레스를 줄이면서 보다 안정적인 방향 제어(Heading Control)를 제공할 수 있다. 그러나 각속도 제한이 지나치게 엄격하면 로봇이 로컬 플래너가 요청한 속도로 급격한 곡선을 추종하지 못할 수 있다.
따라서 선속도와 각속도 명령은 서로 결합하여 고려해야 할 수 있다. 곡률을 대략 \(\kappa=\omega/v\)로 표현할 경우 \(v\)와 \(\omega\)를 독립적으로 제한하면 가속이나 감속 과정에서 실제 실행되는 움직임의 곡률이 일시적으로 달라질 수 있다. 이는 경로 추종 오차를 증가시킬 수 있다. 특히 좁은 통로나 큰 곡률의 궤적에서 정밀한 곡률 추종이 필요한 경우 제어기와 평활화기는 이러한 상호작용을 고려해야 한다.
가속도의 변화율로 정의되는 저크(Jerk)는 모션 품질을 제어하기 위한 또 하나의 수준을 제공한다. 가속도가 제한되어 있더라도 가속도가 양의 한계에서 음의 한계로 순간적으로 변경되면 명령에 급격한 변화가 존재할 수 있다. 저크 제한(Jerk Limiting)은 힘과 토크의 변화를 더욱 부드럽게 만들어 적재물 안정성과 기계적 움직임의 부드러움을 향상시킬 수 있다. 특히 중량급 자율이동로봇(Heavy AMR), 파손되기 쉬운 적재물, 높은 속도로 운용되는 플랫폼에서 유용하다.
적재량 변화(Payload Change)는 적절한 가속도 설정에 상당한 영향을 줄 수 있다. 무부하 로봇은 정격 적재량을 운반하는 동일 플랫폼보다 더 빠르게 안전하게 가속할 수 있으며, 높은 무게중심(Center of Gravity)은 추가적인 안정성 제약을 발생시킬 수 있다. 고정된 보수적 제한은 검증하기 쉽지만 고급 시스템에서는 운용 모드(Operating Mode)나 적재량 의존 프로파일(Payload-Dependent Profile)을 사용할 수 있다. 적응형 방식도 검증된 플랫폼 안전 한계를 초과해서는 안 된다.
정지 거리(Stopping Distance)는 감속도 설정을 검증하기 위한 실용적인 방법을 제공한다. 단순화된 추정에서는 센싱 및 명령 지연 동안의 반응 거리(Reaction Distance)와 실제 감속 과정의 제동 거리(Braking Distance)를 함께 고려한다. 속도가 증가할수록 필요한 정지 거리는 더욱 중요해진다. 따라서 로컬 플래너, 충돌 감시기(Collision Monitor), 속도 평활화기, 베이스 제어기는 실제 가능한 감속도와 시스템 응답 지연에 대해 서로 일관된 가정을 사용해야 한다.
요청된 명령이 설정된 한계를 초과하는 경우 포화 처리(Saturation Handling)는 예측 가능한 방식으로 이루어져야 한다. 서로 다른 명령 성분을 단순히 개별적으로 잘라내어 예상하지 못한 움직임 형상을 생성하기보다 명확하게 정의된 제한 전략(Limiting Strategy)을 적용해야 한다. 진단 정보(Diagnostic Information)는 속도, 가속도 또는 기타 제약조건이 활성화된 시점을 표시해야 한다. 지속적인 포화는 플래너 설정이 실제 로봇 성능과 일치하지 않는다는 것을 의미할 수 있다.
시험(Testing)은 정상적인 전환뿐 아니라 경계 조건(Boundary Condition)도 평가해야 한다. 대표적인 사례에는 정지 상태에서의 가속, 영속도까지의 감속, 전진에서 후진으로의 전환, 직선 운동 이후의 회전, 급격한 곡률 변화, 명령 타임아웃, 저속 이동, 비상 정지 상호작용이 포함된다. 실제 물리적 응답은 시뮬레이션과 크게 다를 수 있으므로 현실적인 적재량, 바닥 마찰, 배터리 상태, 제어기 조건에서 시험을 반복해야 한다.
로깅(Logging)에는 플래너 목표 속도, 평활화된 출력 속도, 측정된 로봇 속도, 가속도 추정값, 활성화된 제한 조건, 타임스탬프, 명령 경과 시간(Command Age), 제어 루프 주기(Control-Loop Period)가 포함되어야 한다. 이러한 신호를 비교하면 추종 문제가 플래너, 평활화 계층, 통신 경로 또는 베이스 제어기 중 어디에서 발생하는지 파악할 수 있다. 불규칙한 갱신 간격은 \(\De...
![Motion Planning and Navigation — Ch.05: Local Planners [KR]](https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2F0tuhfqde1o6zcyskw7f4.png)





