STATERA Library · Series 08 · Volume 15 · Chapter 06 · KR
Source: https://github.com/Statera-Library/08_Vol_15_Motion_Planning_and_Navigation/blob/main/Chapter_06_Dynamic_Obstacle_Avoidance/Chapter_06_Dynamic_Obstacle_Avoidance_KR.md
Volume 15. Motion Planning and Navigation
Chapter 06. Dynamic Obstacle Avoidance
06.01. Dynamic Obstacle Avoidance Problem and Methods
동적 장애물 회피(Dynamic Obstacle Avoidance)는 장애물의 위치가 시간에 따라 변화하는 환경에서 로봇이 안전하게 주행하는 문제를 다룬다. 벽, 선반, 고정 구조물을 정적인 지도(Static Map)로 표현할 수 있는 정적 경로 계획(Static Path Planning)과 달리, 동적 내비게이션(Dynamic Navigation)은 보행자, 차량, 지게차, 이동 로봇 등 미래 상태가 불확실한 이동 객체의 움직임을 지속적으로 고려해야 한다.
근본적인 어려움은 충돌 위험(Collision Risk)이 공간적 거리뿐만 아니라 시간에도 의존한다는 점이다. 현재 비어 있는 위치도 로봇이 도착할 때에는 점유될 수 있으며, 현재 막혀 있는 영역도 잠시 후에는 통과할 수 있다. 따라서 동적 장애물 회피는 기하학적 충돌 검사(Geometric Collision Checking)를 시공간 추론(Space-Time Reasoning)으로 확장하며, 위치, 속도, 방향, 가속도 및 예측된 움직임을 모든 내비게이션 판단에 반영한다.
일반적인 시스템은 인지 및 추적(Perception and Tracking) 단계에서 시작한다. 카메라(Camera), 라이다(LiDAR), 레이더(Radar), 깊이 센서(Depth Sensor) 또는 이들의 조합을 사용하여 로봇 주변의 객체를 검출하고, 추적 알고리즘(Tracking Algorithm)을 통해 연속적인 관측에서 객체의 위치와 속도를 추정한다. 생성된 동적 세계 표현(Dynamic World Representation)은 이동 객체와 정적 구조물을 구분하고 충분히 빠르게 갱신되어야 한다.
로봇은 이후 자신의 예측 움직임과 주변 객체의 추정 움직임 사이에서 발생할 수 있는 상호작용을 평가한다. 단순한 방법은 각 장애물이 짧은 예측 구간(Prediction Horizon) 동안 현재 속도를 유지한다고 가정한다. 보다 발전된 방법은 여러 개의 가능한 궤적(Trajectory)과 각각의 확률을 추정한다. 사람의 움직임은 갑작스럽게 변할 수 있으므로 예측은 완전히 결정된 미래 궤적이 아니라 불확실성을 포함하는 상태로 다루는 것이 일반적이다.
충돌 평가(Collision Assessment)는 충돌까지의 시간(Time to Collision), 최근접 접근점(Closest Point of Approach), 예측 점유(Predicted Occupancy), 도달 가능 영역(Reachable Region) 등의 개념으로 표현할 수 있다. 두 객체의 기하학적 형상이 단순히 겹치는지만 검사하는 대신, 로봇과 장애물이 거의 같은 시간에 충돌 가능한 영역을 점유하는지를 판단한다. 안전 여유(Safety Margin)는 위치 추정 오차, 인지 불확실성, 로봇 크기, 제동 거리 및 예측 오차 등을 고려하여 설정한다.
반응형 회피 방법(Reactive Avoidance Method)은 현재 또는 단기 관측 결과로부터 직접 제어 명령을 생성한다. 계산 효율이 높고 예상하지 못한 움직임에 빠르게 대응할 수 있기 때문에 신속한 지역 안전 메커니즘(Local Safety Mechanism)으로 유용하다. 그러나 순수한 반응형 동작은 진동(Oscillation)이나 교착 상태를 발생시키거나, 현재는 안전하지만 미래에는 불리한 상황을 만드는 동작을 선택할 수 있다. 따라서 실제 시스템에서는 즉각적인 반응과 단기 계획(Short-Horizon Planning)을 결합하는 경우가 많다.
속도 공간 기반 방법(Velocity-Space Method)은 선택한 시간 구간 안에서 충돌을 발생시키는 로봇 속도를 판별하여 회피 문제를 구성한다. 속도 장애물(Velocity Obstacle, VO)은 이동 장애물에 의해 생성되는 위험 속도 영역을 정의하고, 제어기는 해당 영역 밖에서 허용 가능한 속도를 선택한다. 상호 회피 방식(Reciprocal Avoidance)은 여러 이동 객체가 서로 충돌 회피의 책임을 분담한다고 가정하여 이러한 원리를 확장한다.
최적화 기반 방법(Optimization-Based Method)은 목적 함수(Objective Function)와 제약 조건(Constraint)을 이용하여 후보 궤적을 평가한다. 충돌 위험, 내비게이션 목표까지의 진행 정도, 기준 경로와의 편차, 제어 입력, 부드러움, 장애물과의 여유 거리 및 동역학적 실행 가능성 등을 종합적으로 평가할 수 있다. 모델 예측 방식(Model Predictive Approach)은 새로운 센서 정보가 입력될 때마다 유한 예측 구간(Finite Horizon)의 문제를 반복적으로 해결하여 변화하는 장애물 예측을 지속적으로 반영한다.
예측 기반 회피(Prediction-Based Avoidance)는 순간적인 반응만으로 충분하지 않은 상황에서 특히 중요하다. 교차로에 접근하는 보행자가 아직 로봇의 경로를 직접 차단하지 않았더라도 궤적 예측(Trajectory Forecasting)을 통해 곧 발생할 충돌 가능성을 발견할 수 있다. 그러면 로봇은 위험 상황이 가까워지기 전에 감속하거나, 양보하거나, 정지하거나, 먼저 통과할 수 있다. 이러한 예측 행동은 장애물이 즉각적인 충돌 영역에 들어올 때까지 기다리는 방식보다 일반적으로 부드럽고 안전한 주행을 가능하게 한다.
동적 장애물 회피에서는 로봇 동역학(Robot Dynamics)도 명시적으로 고려해야 한다. 명령된 속도에 즉시 도달할 수 있는 것은 아니며, 무거운 자율이동로봇(AMR)은 감속하는 데 상당한 거리가 필요할 수 있다. 따라서 가속도 제한, 조향 제약, 액추에이터 지연(Actuator Delay), 휠과 지면의 상호작용, 최대 곡률 및 비상 제동 성능은 회피 동작이 단순히 기하학적으로 충돌이 없는 수준을 넘어 실제로 실행 가능한지를 결정한다.
인간이 존재하는 환경에서는 수학적으로 충돌하지 않는 움직임이라도 사회적으로 적절하지 않을 수 있기 때문에 추가적인 요구사항이 필요하다. 로봇은 보행자에게 지나치게 가까이 접근하거나, 보행 경로를 갑자기 가로지르거나, 뒤에서 공격적으로 접근하거나, 사람이 불편한 회피 행동을 하도록 강요해서는 안 된다. 따라서 인간 인지형 내비게이션(Human-Aware Navigation)은 대인 거리, 이동 방향 선호도, 양보 행동과 같은 사회적 의미를 가진 비용을 계획 과정에 포함한다.
혼잡 환경(Crowded Environment)에서는 한 사람을 피하는 동작이 다른 사람과의 충돌 위험을 높일 수 있는 결합 상호작용(Coupled Interaction)이 발생한다. 따라서 지역적 판단은 여러 이동 객체를 동시에 고려해야 한다. 상호 충돌 회피(Reciprocal Collision Avoidance), 사회적 힘 모델(Social Force Model), 궤적 최적화(Trajectory Optimization), 학습 기반 상호작용 정책(Learned Interaction Policy) 등은 이러한 결합 행동을 처리하기 위한 서로 다른 방법을 제공하며, 주변 객체가 로봇에 어떻게 반응하는지에 대해 각각 다른 가정을 사용한다.
안전 중심 방법(Safety-Oriented Method)은 기본 내비게이션 목표와 독립적으로 제약 조건을 적용할 수 있다. 예를 들어 예측 상태가 위험 영역에 접근할 경우 안전 제어기(Safety Controller)가 명령을 제한하고, 상위 계획기는 계속해서 진행성과 효율성을 최적화할 수 있다. 제어 장벽 함수(Control Barrier Function, CBF)는 이러한 개념을 안전 조건으로 정식화하여 필요한 경우에만 기본 제어 명령을 수정하면서 안전 상태를 유지하도록 한다.
학습 기반 방법(Learning-Based Method)은 시연 데이터(Demonstration), 시뮬레이션(Simulation), 강화학습(Reinforcement Learning), 실제 내비게이션 기록 등으로 정책(Policy)을 학습하는 또 다른 접근법이다. 이러한 정책은 분석적으로 표현하기 어려운 복잡한 상호작용 패턴을 학습할 가능성이 있다. 그러나 제한된 데이터에서 학습된 행동은 새로운 상황에서 신뢰성이 떨어질 수 있으므로, 실제 시스템에서는 학습 기반 예측이나 계획을 결정론적 안전 감시(Deterministic Safety Monitoring) 및 대체 행동(Fallback Behavior)과 결합하는 경우가 많다.
모든 상황에서 최적인 단일 회피 방법은 존재하지 않는다. 속도 기반 기법(Velocity-Based Technique)은 효율적인 기하학적 추론을 제공하고, 최적화 방법은 다양한 목적과 제약 조건을 통합할 수 있으며, 예측 기반 접근법은 미래 충돌을 사전에 판단하고, 학습 방법은 복잡한 상호작용을 모델링할 수 있다. 따라서 이들은 상호 보완적인 방법군으로 이해해야 하며, 이후 속도 장애물 및 상호 속도 장애물(VO/RVO), 최적 상호 충돌 회피(ORCA), 사회적 힘 모델, 예측 기반 회피, 제어 장벽 함수(CBF), 학습 기반 정책 등으로 세분화할 수 있다.
견고한 시스템 아키텍처(Robust System Architecture)는 결과적으로 인지-예측-계획-제어 루프(Perception-Prediction-Planning-Control Loop)를 반복적으로 수행한다. 센서 관측은 추적 객체를 갱신하고, 예측 모듈은 객체의 미래 움직임을 추정하며, 충돌 분석은 위험한 상호작용을 식별한다. 지역 계획기(Local Planner)는 실행 가능한 대안을 생성하고 제어기는 선택된 명령을 수행한다. 실행된 모든 움직임이 이후의 상호작용 조건을 변화시키므로 전체 과정은 지속적으로 반복되어야 한다.
시스템의 성능은 단순한 충돌 횟수만으로 평가해서는 안 된다. 최소 분리 거리(Minimum Separation Distance), 충돌까지의 시간(Time to Collision), 개입 빈도(Intervention Frequency), 내비게이션 성공률, 이동 시간, 경로 효율, 정지 빈도, 가속도 부드러움, 계산 지연 시간(Computational Latency), 사회적 준수성(Social Compliance) 등을 함께 고려해야 한다. 시험에는 보행자 횡단, 추월, 정면 접근, 갑작스러운 출현, 좁은 복도, 출입문, 밀집 군중 및 다른 자율 로봇과의 상호작용 등이 포함되어야 한다.
따라서 동적 장애물 회피(Dynamic Obstacle Avoidance)는 단순한 장애물 검출 기능이 아니라 인지(Perception), 예측(Prediction), 동작 계획(Motion Planning), 제어(Control), 안전(Safety)을 연결하는 실시간 의사결정 과정이다. 전체 동작 계획 및 내비게이션(Motion Planning and Navigation) 아키텍처에서 이는 기존 지역 계획(Local Planning)과 인간 인지형 내비게이션 및 다중 에이전트 추론(Multi-Agent Reasoning)을 연결하며, 지속적으로 변화하는 실제 환경에서 자율 로봇이 안전하고 효율적으로 동작하기 위한 핵심 능력을 제공한다.
06.02. Velocity Obstacle VO and Reciprocal VO RVO [w/Code]
속도 장애물(Velocity Obstacle, VO)은 동적 충돌 회피(Dynamic Collision Avoidance)를 위한 기하학적 프레임워크(Geometric Framework)로, 충돌 위험을 물리적인 위치 공간(Position Space)만이 아니라 속도 공간(Velocity Space)에서 직접 표현한다. 로봇과 이동 장애물의 형상, 현재 위치 및 장애물 속도가 주어지면, VO는 지정된 미래 시간 구간 내에서 두 객체의 충돌을 발생시키는 로봇 속도 집합을 식별한다. 따라서 회피 문제는 이 위험 집합 밖에서 실행 가능한 속도를 선택하는 문제로 변환된다.
기본적인 구성은 상대 운동(Relative Motion)에서 시작한다. 로봇과 장애물의 움직임을 각각 시간에 따라 독립적으로 전파하는 대신, 로봇 속도에서 장애물 속도를 빼서 상대 좌표계(Relative Reference Frame)에서 충돌을 분석한다. 이 좌표계에서는 장애물이 개념적으로 정지해 있고 로봇이 상대 속도(Relative Velocity)에 따라 움직인다. 이러한 변환을 통해 동적인 두 객체의 상호작용을 보다 단순한 기하학적 충돌 검사(Geometric Collision Test)로 바꿀 수 있다.
로봇과 장애물의 실제 크기도 계산에 포함되어야 한다. 일반적으로 민코프스키 합(Minkowski Sum)을 사용하여 장애물을 로봇의 형상만큼 확장하고 로봇 자체는 하나의 점으로 표현한다. 원형 근사(Circular Approximation)를 사용하는 경우 유효 장애물 반경은 로봇 반경과 장애물 반경의 합이 된다. 이후 상대 속도에 의해 생성되는 광선(Ray)이 이렇게 확장된 장애물 영역과 교차하는지를 판단하여 충돌 여부를 검사할 수 있다.
속도 공간(Velocity Space)에서 충돌을 발생시키는 속도들은 원뿔과 유사한 영역(Cone-Like Region)을 형성하며, 그 꼭짓점과 방향은 장애물의 속도 및 상대 위치에 의해 결정된다. 로봇 속도가 이 속도 장애물(Velocity Obstacle) 내부에 존재한다면 해당 속도를 계속 유지할 경우 미래에 충돌이 발생할 수 있음을 의미한다. 반대로 영역 밖의 속도는 가정된 장애물 운동 모델과 설정된 예측 시간 범위(Prediction Horizon)에서는 충돌이 없는 것으로 간주된다.
시간 범위(Time Horizon)는 VO의 동작 특성에 큰 영향을 준다. 무한 시간 범위(Infinite Horizon)를 사용하면 언젠가 충돌할 가능성이 있는 모든 속도를 위험한 것으로 판단하기 때문에 내비게이션이 불필요하게 보수적으로 변할 수 있다. 유한 시간 범위(Finite Time Horizon)는 실제적으로 의미 있는 시간 안에 예상되는 충돌만 고려한다. 짧은 시간 범위는 반응성이 높고 덜 보수적인 행동을 만들며, 긴 시간 범위는 더 일찍 회피할 수 있지만 사용 가능한 속도 공간을 더 강하게 제한할 수 있다.
여러 이동 장애물이 존재하는 경우 로봇은 각각의 장애물에 대해 속도 장애물(Velocity Obstacle)을 생성한다. 이러한 영역들의 합집합(Union)은 적어도 하나의 장애물과 예측 충돌을 일으키는 속도들을 나타낸다. 계획기(Planner)는 남아 있는 허용 속도 공간(Admissible Velocity Space)에서 로봇의 제약 조건을 만족하면서 목표 방향으로 진행할 수 있는 명령을 탐색한다. 후보 속도를 평가할 때 선호 속도, 장애물 여유 거리, 부드러움, 가속도 제한 및 기준 경로와의 편차 등을 함께 고려할 수 있다.
고전적인 VO의 주요 한계는 상호작용하는 두 에이전트(Agent)가 각각 독립적으로 회피 행동을 수행할 때 나타난다. 두 로봇이 동일한 잠재적 충돌을 감지하면 양쪽 모두 상대방의 움직임에 대응하여 속도를 변경할 수 있다. 다음 제어 주기(Control Cycle)에서는 충돌 관계가 바뀐 것을 감지하고 다시 반대 방향으로 판단할 수 있다. 이러한 대칭적 반응이 반복되면 특히 정면으로 마주치는 상황에서 양쪽이 비슷한 방향의 회피 결정을 계속 변경하면서 진동 운동(Oscillatory Motion)이 발생할 수 있다.
상호 속도 장애물(Reciprocal Velocity Obstacle, RVO)은 양쪽 에이전트가 모두 충돌 회피에 참여한다고 가정함으로써 이러한 문제를 완화하기 위해 제안되었다. 하나의 로봇이 전체 회피 동작을 수행하도록 요구하는 대신, RVO는 필요한 속도 변화(Velocity Change)를 상호작용하는 두 에이전트 사이에 분배한다. 상대방도 상호 보완적인 조정을 수행할 것이라고 예상함으로써 현재 상대 속도가 계속 유지된다고 가정할 때 발생할 수 있는 과도한 회피 반응을 줄인다.
개념적으로 RVO는 두 에이전트의 현재 속도 정보를 모두 이용하여 속도 공간 구성을 수정한다. 상호 회피 공식(Reciprocal Formulation)은 유효 회피 영역을 이동시켜, 해당 영역 밖의 속도를 선택하는 것이 충돌 회피 책임의 적절한 일부를 수행하도록 만든다. 두 에이전트가 호환되는 상호 회피 추론(Reciprocal Reasoning)을 적용하면 어느 한쪽이 전체 회피 동작을 단독으로 수행하지 않더라도 양쪽의 속도 변화가 결합되어 미래 궤적을 서로 분리할 수 있다.
이러한 상호 회피 가정은 다중 로봇 환경(Multi-Robot Environment)에서 특히 유용하다. 창고 교차로를 공유하는 자율이동로봇(AMR), 복도를 이동하는 서비스 로봇(Service Robot), 공통 교통 영역에서 운용되는 자율 플랫폼(Autonomous Platform)은 서로 반복적으로 마주칠 수 있다. 각 로봇이 호환 가능한 회피 규칙을 따른다면 상호 회피 방식은 중앙 계획기(Central Planner)가 모든 로봇의 단기 상호작용을 계산하지 않더라도 분산형 충돌 회피(Decentralized Collision Avoidance)를 수행할 수 있다.
그러나 RVO는 다른 에이전트의 행동에 대한 가정에 의존한다. 보행자, 사람이 운전하는 차량 또는 서로 다른 내비게이션 정책(Navigation Policy)을 사용하는 로봇은 예상한 상호 회피 행동을 수행하지 않을 수 있다. 이러한 경우 회피 책임의 절반을 다른 에이전트에게 할당하면 로봇 자체에 필요한 회피량을 과소평가할 수 있다. 따라서 실제 시스템에서는 상호 회피 추론을 보수적인 안전 여유(Conservative Safety Margin), 장애물 분류, 움직임 예측 및 안전 오버라이드(Safety Override)와 결합한다.
속도 실행 가능성(Velocity Feasibility)도 중요한 고려 사항이다. 고전적인 VO 추론은 충돌이 없는 속도를 찾아내더라도 실제 로봇이 해당 속도에 즉시 도달하지 못할 수 있다. 차동 구동 로봇(Differential-Drive Robot), 애커먼 조향 차량(Ackermann-Steered Vehicle), 중량 자율이동로봇(AMR) 및 동역학적 제약을 가진 플랫폼은 가속도, 감속도, 회전 속도 및 곡률에 제한을 갖는다. 따라서 후보 속도 집합을 동역학적으로 도달 가능한 속도(Dynamically Reachable Velocity)와 교차시켜 실제로 실행할 수 있는 회피 동작을 선택해야 한다.
불확실성(Uncertainty)은 안전한 내비게이션의 기하학적 구조에도 영향을 미친다. 위치 추정에는 로컬라이제이션(Localization) 및 인지 오차가 포함되고, 측정된 속도에는 노이즈(Noise)가 존재하며, 미래의 장애물 움직임도 완벽한 등속도 모델(Constant-Velocity Model)을 따르는 경우가 드물다. 장애물 형상을 확장하거나 위험 속도 영역을 넓히고, 재계획 주기(Replanning Interval)를 짧게 하거나 확률적 예측(Probabilistic Prediction)을 도입하여 이러한 불확실성을 보상할 수 있다. 적절한 안전 여유는 센서 성능, 플랫폼 동역학, 운행 속도 및 요구되는 안전 수준에 따라 결정된다.
VO와 RVO는 핵심 계산이 기하학적 방식으로 수행되고 새로운 추적 정보가 입력될 때마다 반복할 수 있기 때문에 실시간 지역 내비게이션(Real-Time Local Navigation)에 적합하다. 일반적인 제어 주기에서는 장애물 상태를 갱신하고, 속도 공간 제약(Velocity-Space Constraint)을 생성하며, 동역학적으로 허용 가능한 로봇 속도를 계산한다. 이후 충돌을 발생시키는 후보를 제거하고 선호되는 안전 명령을 선택하며, 로봇과 주변 에이전트가 이동함에 따라 이 과정을 지속적으로 반복한다.
선호 속도(Preferred Velocity)는 일반적으로 지역 내비게이션 목표(Local Navigation Target)를 향하거나 전역 경로(Global Path)를 추종하도록 설정되며, 충돌 제약은 필요한 경우에만 이를 수정한다. 이러한 분리는 VO 자체가 로봇이 어디로 이동해야 하는지를 결정하는 것이 아니라 어떤 속도를 피해야 하는지를 결정한다는 점에서 중요하다. 따라서 지역 계획기(Local Planner)는 목표 지향적 움직임과 VO 기반 안전 제약을 결합하면서 경로 추종, 진행성, 부드러움 및 복구 행동(Recovery Behavior)을 담당할 수 있다.
밀집 환경(Dense Scene)에서는 여러 속도 장애물의 합집합이 사용 가능한 속도 공간을 거의 남기지 않거나 완전히 제거할 수 있기 때문에 이 접근법의 한계가 나타난다. 좁은 복도, 출입문, 대향 교통(Opposing Traffic), 밀집 군중에서는 지속적으로 회피하기보다 일시적으로 정지하거나 양보하는 것이 더 적절한 상황이 발생할 수 있다. 이때는 기본적인 VO 또는 RVO 계층보다 상위에서 교착 상태 감지(Deadlock Detection), 우선순위 규칙, 궤적 예측, 전역 재계획(Global Replanning) 또는 명시적인 협조 제어가 필요할 수 있다.
VO 계열(VO Family)은 기하학적 동작 계획(Geometric Motion Planning)과 다중 에이전트 내비게이션(Multi-Agent Navigation)을 연결하는 중요한 기반을 제공한다. 고전적인 속도 장애물(VO)은 미래의 충돌 위험을 속도 공간의 금지 영역(Forbidden Region)으로 표현하고, 상호 속도 장애물(RVO)은 이동 에이전트 간의 상호 회피 행동을 반영하여 이를 확장한다. 이러한 원리는 분산형 다중 에이전트 이동에서 실행 가능한 속도 선택을 더욱 체계화하는 최적 상호 충돌 회피(Optimal Reciprocal Collision Avoidance, ORCA)와 같은 발전된 상호 충돌 회피 방법의 기초가 된다.
06.03. ORCA Optimal Reciprocal Collision Avoidance [w/Code]
최적 상호 충돌 회피(Optimal Reciprocal Collision Avoidance, ORCA)는 여러 이동 에이전트(Moving Agent) 사이에서 분산형 충돌 회피(Decentralized Collision Avoidance)를 수행하기 위한 속도 공간 기반 방법(Velocity-Space Method)이다. ORCA는 상호 속도 장애물(RVO)에서 도입된 상호 회피 추론(Reciprocal Reasoning)을 확장하여, 에이전트 간의 충돌 회피 요구사항을 허용 가능한 속도에 대한 명시적인 선형 제약 조건(Linear Constraint)으로 변환한다. 각 에이전트는 지정된 시간 범위에서 충돌을 피하면서 자신의 선호 움직임에 최대한 가까운 속도를 독립적으로 선택한다.
ORCA의 핵심 가정은 상호 책임(Reciprocal Responsibility)이다. 두 협력 에이전트 사이에 충돌이 예측될 경우 어느 한쪽이 전체 회피 동작을 수행하도록 요구하지 않는다. 대신 충돌을 방지하는 데 필요한 최소 속도 보정(Minimum Velocity Correction)을 계산하고, 일반적으로 두 에이전트가 그 보정량을 동일하게 분담한다. 이러한 대칭적 책임 분배를 통해 중앙 집중식 궤적 조정 없이도 예측 가능한 상호작용 행동을 생성할 수 있다.
ORCA는 속도 장애물(Velocity Obstacle)에서 사용하는 것과 동일한 상대 운동 기하학(Relative-Motion Geometry)에서 시작한다. 두 에이전트 A와 B에 대해 물리적 크기와 함께 상대 위치(Relative Position)와 상대 속도(Relative Velocity)를 평가한다. 평면 내비게이션에서는 일반적으로 두 에이전트를 원형으로 근사할 수 있으며, 민코프스키 합(Minkowski Sum)을 통해 두 반경을 결합한다. 이후 충돌 위험은 상대 속도 공간(Relative Velocity Space)의 금지 영역(Forbidden Region)으로 표현된다.
유한 시간 범위(Finite Time Horizon)는 어떤 미래 충돌을 고려할 것인지를 결정한다. 이에 대응하는 절단된 속도 장애물(Truncated Velocity Obstacle)은 해당 시간 범위가 종료되기 전에 에이전트 사이의 충돌을 발생시키는 상대 속도를 포함한다. 현재 상대 속도가 이 위험 영역 내부에 있다면 ORCA는 이를 충돌 없는 영역의 경계까지 이동시키는 데 필요한 최소 속도 변위(Minimum Velocity Displacement)를 계산한다. 이 변위가 회피 제약 조건을 구성하는 기반이 된다.
그 결과 생성되는 ORCA 제약 조건(ORCA Constraint)은 속도 공간에서 반평면(Half-Plane)으로 표현된다. 경계선은 현재 에이전트 속도에 할당된 속도 보정량을 더하여 계산된 속도를 통과한다. 경계의 법선 벡터(Normal Vector)는 안전한 속도가 존재하는 방향을 나타낸다. 이 경계선에서 허용되는 측면에 위치하는 모든 후보 속도는 선택된 시간 범위에 대해 두 에이전트 사이의 상호 충돌 회피 조건을 만족한다.
하나의 에이전트가 여러 이웃 에이전트와 상호작용하는 경우 관련된 각 에이전트 쌍마다 별도의 ORCA 반평면(Half-Plane)이 생성된다. 이러한 반평면들의 교집합(Intersection)은 모든 쌍별 회피 제약을 동시에 만족하는 속도들을 포함하는 볼록 영역(Convex Region)을 형성한다. 이후 에이전트는 이 실행 가능 영역(Feasible Region) 안에서 선호 속도(Preferred Velocity)에 가장 가까운 속도를 선택하며, 선호 속도는 일반적으로 상위 내비게이션 또는 경로 추종 시스템에서 생성된 목표 지향적 움직임을 나타낸다.
이러한 공식화는 다중 에이전트 충돌 회피(Multi-Agent Collision Avoidance)를 간결한 최적화 문제(Optimization Problem)로 변환한다. 제약 조건이 2차원 속도 공간에서 선형으로 표현되므로 실행 가능한 속도 선택은 저차원 선형 계획법(Low-Dimensional Linear Programming)을 사용하여 효율적으로 해결할 수 있다. 이러한 계산 구조는 ORCA의 주요 장점 중 하나이며, 동일한 환경에서 많은 에이전트가 동작하는 경우에도 충돌 회피 결정을 빠르게 갱신할 수 있도록 한다.
선호 속도(Preferred Velocity)는 충돌 회피와 내비게이션 목표를 연결하는 역할을 한다. 전역 또는 지역 계획기(Global or Local Planner)는 동적 충돌이 존재하지 않을 경우 로봇이 목표를 향해 이상적으로 이동해야 하는 방향과 속도를 결정한다. ORCA는 이러한 내비게이션 목표를 대체하지 않는다. 대신 현재의 상호 안전 제약 조건을 만족하는 데 필요한 만큼만 선호 속도를 수정하여 충분한 자유 속도 공간이 존재하는 경우 목표 방향으로의 진행성과 이동 효율을 유지한다.
ORCA는 각 에이전트가 주변에서 관측된 이웃 에이전트의 상태를 이용하여 자체적으로 제약 조건을 계산할 수 있기 때문에 분산형(Decentralized) 방식이다. 로봇 집단 전체의 결합 궤적(Joint Trajectory)을 중앙 제어기에서 최적화할 필요가 없다. 이러한 특성으로 인해 ORCA는 다중 로봇 시스템(Multi-Robot System), 창고 자율이동로봇(AMR), 서비스 로봇(Service Robot), 시뮬레이션 군중(Simulated Crowd) 등 다수의 자율 에이전트가 주변 움직임에 빠르게 대응해야 하는 응용 분야에 적합하다.
기본적인 RVO와 비교하면 ORCA는 상호 회피 책임을 보다 명시적인 수학적 형태로 정의한다. 단순히 상호 회피 가정에 따라 회피 영역을 이동시키는 것이 아니라 최소 보정량을 계산하고, 허용 가능한 속도와 허용되지 않는 속도를 구분하는 정확한 경계를 정의한다. 이를 통해 체계적인 속도 선택 절차를 제공하며 충돌 회피 문제를 효율적인 최적화 문제로 구성할 수 있다.
이론적인 동작 특성은 참여하는 에이전트에 대한 가정에 크게 의존한다. 다른 에이전트 역시 호환 가능한 회피 동작을 수행하고 상태 추정이 충분히 정확할 때 상호 회피에 대한 보장은 가장 의미 있게 작동한다. 사람, 수동으로 제어되는 차량, 고장 난 로봇 또는 서로 호환되지 않는 정책을 사용하는 에이전트는 예상된 회피 책임을 수행하지 않을 수 있다. 따라서 실제 로봇 시스템에서는 상호 회피 행동에만 전적으로 의존할 수 없다.
실제 로봇에서는 순간적인 속도 공간 모델(Instantaneous Velocity-Space Model)만으로 완전히 표현하기 어려운 동역학적 제약(Dynamic Constraint)도 존재한다. 중량 자율이동로봇(AMR)은 현재 속도에서 ORCA가 선택한 속도로 순간적으로 변경할 수 없다. 가속도, 감속도, 조향 속도, 휠 구성, 액추에이터 지연(Actuator Delay), 제동 거리 및 곡률 제한 등이 실제로 도달 가능한 명령을 결정한다. 따라서 속도 제약은 플랫폼 고유의 동작 실행 가능성(Motion Feasibility)과 함께 고려되어야 한다.
인지 및 예측 불확실성(Perception and Prediction Uncertainty)도 실제 적용에 영향을 준다. ORCA 계산은 주변 에이전트의 위치, 속도 및 크기 추정값에 의존하지만 이러한 값에는 센서 노이즈와 추적 오차가 포함된다. 장애물 팽창(Obstacle Inflation), 보수적인 반경 설정, 불확실성에 따른 안전 여유, 더 짧은 재계획 주기(Replanning Interval), 비상 안전 계층(Emergency Safety Layer) 등을 사용하여 부정확한 추정과 예상하지 못한 주변 움직임을 보완할 수 있다.
시간 범위(Time Horizon)는 중요한 조정 요소를 제공한다. 긴 시간 범위는 잠재적인 미래 충돌에 더 일찍 반응하도록 하여 일반적으로 부드럽고 예측적인 행동을 생성하지만, 밀집 환경에서는 시스템을 지나치게 보수적으로 만들 수 있다. 짧은 시간 범위는 더 큰 이동 자유도를 제공하고 반응 시점을 늦출 수 있지만 충돌이 가까워졌을 때 더 강한 속도 보정이 필요할 수 있다. 적절한 시간 범위는 속도, 밀도, 로봇 동역학 및 센싱 지연(Sensing Latency)에 따라 결정된다.
밀집 교통(Dense Traffic)에서는 ORCA 제약 조건의 교집합이 매우 작아지거나 일시적으로 실행 불가능한 상태가 발생할 수 있다. 좁은 복도, 출입문, 교차로 및 서로 반대 방향으로 이동하는 로봇 흐름은 지역적인 상호 회피 결정만으로 구조적인 교통 충돌을 해결하기 어려운 대표적인 상황이다. 이러한 경우 정지, 양보, 우선순위 할당(Priority Assignment), 예약 메커니즘(Reservation Mechanism), 전역 재계획(Global Replanning) 또는 플릿 수준 교통 관리(Fleet-Level Traffic Management)가 필요할 수 있다.
정적 장애물(Static Obstacle)은 상호 회피 책임을 분담하지 않기 때문에 다른 방식으로 처리해야 한다. 로봇은 일반적으로 벽, 선반, 기둥, 주차된 장비 및 기타 비협력 객체(Non-Cooperative Object)에 대한 전체 회피 책임을 스스로 부담해야 한다. 따라서 실제 내비게이션에서는 협력하는 이동 에이전트에 대해서는 상호 회피 제약을 적용하고, 정적 또는 반응하지 않는 장애물에는 비상호적 제약(Non-Reciprocal Constraint)을 적용하면서 일관된 실행 가능 속도 표현을 유지한다.
ORCA는 완전한 내비게이션 아키텍처 자체보다는 지역 다중 에이전트 회피 계층(Local Multi-Agent Avoidance Layer)으로서 특히 높은 가치를 가진다. 전역 계획(Global Planning)은 이동 경로를 결정하고, 플릿 관리(Fleet Management)는 우선순위를 할당하며, 예측 모듈은 미래 행동을 추정하고, 안전 제어기(Safety Controller)는 비상 제약 조건을 적용할 수 있다. ORCA는 이러한 전체 시스템 내부에서 주변 에이전트와의 상호작용을 매 제어 주기마다 평가할 수 있는 속도 제약으로 효율적으로 변환한다.
따라서 ORCA는 속도 장애물(VO)과 상호 속도 장애물(RVO)에서 구조화된 분산형 내비게이션(Decentralized Navigation)으로 발전하는 중요한 단계를 제공한다. 속도 장애물(VO)은 충돌을 발생시키는 속도를 식별하고, RVO는 공유된 회피 책임을 도입하며, ORCA는 최적 속도 보정(Optimal Velocity Correction)과 선형 반평면 제약(Linear Half-Plane Constraint)을 통해 이러한 책임을 명확하게 정식화한다. 기하학적 추론, 상호작용, 효율적인 최적화를 결합한 ORCA는 실시간 다중 에이전트 충돌 회피(Real-Time Multi-Agent Collision Avoidance)를 위한 대표적인 기반 방법이다.
06.04. Social Force Model for Pedestrian Avoidance [w/Code]
사회적 힘 모델(Social Force Model)은 공유 공간에서 보행자의 움직임을 가상의 힘(Virtual Force)이 작용한 결과로 표현하는 행동 모델링 프레임워크(Behavioral Framework)이다. 사람을 단순한 수동적 이동 장애물로 취급하는 대신, 보행자가 목적지를 향해 이동하고, 개인 공간을 유지하며, 충돌을 피하고, 주변 경계와 군중에 반응하는 방식을 모델링한다. 로봇 내비게이션에서는 이러한 원리를 사회적 인지형 보행자 회피(Socially Aware Pedestrian Avoidance)에 적용할 수 있다.
핵심 개념은 보행자의 움직임을 인력(Attractive Influence)과 척력(Repulsive Influence)의 조합으로 근사할 수 있다는 것이다. 목표를 향한 구동력(Driving Force)은 보행자를 선호 속도(Preferred Velocity)로 목적지 방향으로 이동시키고, 척력은 다른 보행자, 로봇, 벽 및 장애물과 지나치게 가까워지는 것을 억제한다. 이러한 영향들을 결합하여 최종 가속도를 결정함으로써 일반적인 보행자 상호작용과 유사한 연속적인 움직임을 생성한다.
구동력(Driving Force)은 에이전트가 자신의 희망 속도(Desired Velocity)에 도달하려는 경향을 나타낸다. 현재 속도와 선호 속도가 다르면 모델은 특성 완화 시간(Relaxation Time)에 따라 그 차이를 감소시키는 가속도를 생성한다. 희망 이동 방향은 일반적으로 목적지나 경유점(Waypoint)을 향하고, 선호 속도는 정상적인 보행 속도를 나타낸다. 이를 통해 내비게이션 의도와 지역 상호작용 효과를 동일한 동역학 모델(Dynamical Model) 안에서 표현할 수 있다.
사회적 척력(Repulsive Social Force)은 에이전트 사이의 대인 간격(Interpersonal Separation)을 유지하려는 경향을 나타낸다. 두 에이전트가 서로 가까워질수록 척력의 크기가 증가하여 물리적인 접촉이 발생하기 전에 이동 궤적을 변경하도록 유도한다. 이 힘은 상대 거리, 신체 크기, 이동 방향 및 개인 공간(Personal Space)을 표현하는 모델 파라미터에 따라 달라질 수 있다. 따라서 실제 신체 경계가 겹치기 전부터 보행자의 회피 행동이 시작될 수 있다.
사람은 일반적으로 자신의 뒤쪽보다 앞쪽에서 발생하는 상황에 더 강하게 반응하기 때문에 상호작용은 방향 비대칭성(Anisotropy)을 갖는다. 따라서 정면 방향에서 접근하는 보행자는 동일한 거리에 있는 후방 보행자보다 더 강한 회피 반응을 발생시킨다. 방향 의존 가중치(Direction-Dependent Weighting)를 사용하면 이러한 특성을 모델링할 수 있으며, 시각적 주의(Visual Attention)와 자연스러운 보행자 행동을 더욱 현실적으로 반영할 수 있다.
정적인 구조물은 경계 척력(Boundary Repulsive Force)을 통해 모델에 포함할 수 있다. 벽, 선반, 기둥, 연석 및 기타 환경 경계는 에이전트가 지나치게 가까이 접근하지 않도록 하는 영향을 생성한다. 이러한 힘을 목표 인력과 결합하면 주변 구조물과 일정한 여유 거리를 유지하면서 자유 공간을 따라 이동하도록 유도할 수 있다. 다만 좁은 복도에서는 과도한 척력으로 전진 자체가 방해되지 않도록 세심한 파라미터 조정이 필요하다.
사회적 힘 모델을 이동 로봇(Mobile Robot)에 적용할 경우 로봇을 보행자 및 환경 경계와 상호작용하는 또 하나의 에이전트로 취급할 수 있다. 희망 움직임 항(Desired-Motion Term)은 로봇을 내비게이션 목표 방향으로 유도하고, 보행자에 의해 발생하는 힘은 사회적으로 적절한 거리를 유지하도록 이동 궤적을 수정한다. 이를 통해 목표 방향으로의 진행과 주변 사람에 대한 지역적 회피를 연속적으로 조절할 수 있다.
상호작용은 비대칭적(Asymmetric)으로 모델링할 수도 있다. 로봇이 주변 보행자보다 거리 유지에 더 큰 책임을 갖도록 설정하면 사람 주변에서 보다 보수적인 행동을 생성할 수 있다. 객체 유형에 따라 서로 다른 파라미터를 적용하여 어린이, 정지한 보행자, 집단 또는 취약 사용자 주변에서는 더 강한 회피 행동을 수행하고, 다른 자율 로봇이나 차량에는 서로 다른 상호작용 규칙을 적용할 수 있다.
보행자 집단(Pedestrian Group)은 사람들이 독립적인 입자처럼 움직이지 않고 사회적 단위(Social Unit)로 행동하기 때문에 추가적인 복잡성을 발생시킨다. 집단 구성원은 서로 가까운 거리를 유지하거나 나란히 걷고, 구성원 사이의 시야를 유지하거나 대화를 위한 대형을 형성할 수 있다. 따라서 로봇이 집단 구성원 사이의 기하학적 틈을 통과하는 것은 충돌이 없는 경로라 하더라도 사회적으로 부적절할 수 있다. 집단 인지형 힘(Group-Aware Force)을 사용하면 이러한 침범을 억제할 수 있다.
사회적 힘 모델은 매우 밀집된 환경에서 발생하는 물리적 접촉 효과도 표현할 수 있다. 에이전트 사이의 거리가 실제 신체 크기에 가까워지면 추가적인 접촉력(Contact Force)과 마찰력(Friction Force)을 사용하여 압축과 접선 방향 상호작용을 모델링할 수 있다. 이러한 항은 원래 군중 시뮬레이션(Crowd Simulation)에서 중요한 역할을 하지만, 정상적인 로봇 내비게이션에서는 물리적 접촉이 발생하지 않도록 충분한 거리를 유지하는 것이 목표이므로 상대적으로 중요성이 낮다.
이 모델의 주요 장점 중 하나는 계산의 단순성(Computational Simplicity)이다. 대규모 전역 궤적 최적화(Global Trajectory Optimization) 문제를 해결하지 않고도 로봇과 주변 보행자의 지역적인 관계를 기반으로 사회적 상호작용을 계산할 수 있다. 새로운 관측 정보가 입력될 때마다 힘을 반복적으로 갱신할 수 있으므로 실시간 지역 내비게이션(Real-Time Local Navigation)에 적합하며, 기존 계획기와 결합하여 제어 입력으로 활용할 수도 있다.
그러나 사회적 힘(Social Force)은 실제 물리적인 힘이 아니라 인간 행동을 표현하기 위한 수학적 추상화(Mathematical Abstraction)이다. 인간의 판단은 의도, 주의, 문화, 환경, 사회적 관계 및 상황별 규칙에 영향을 받으며, 이를 단순한 인력과 척력만으로 완전히 표현하기는 어렵다. 동일한 위치와 속도를 가진 두 보행자라도 횡단 중인지, 대기 중인지, 대화 중인지, 다른 사람을 따라가는지 또는 로봇에게 의도적으로 양보하는지에 따라 서로 다른 행동을 할 수 있다.
따라서 파라미터 선택(Parameter Selection)은 내비게이션 품질에 큰 영향을 준다. 척력이 지나치게 강하면 큰 우회, 진동(Oscillation) 또는 혼잡 지역 통과 실패가 발생할 수 있으며, 반대로 척력이 너무 약하면 사람과 불편할 정도로 가까워질 수 있다. 완화 시간, 상호작용 범위, 힘의 크기, 방향 비대칭 가중치, 선호 속도 및 개인 공간 파라미터는 단순한 기하학적 충돌 회피만을 기준으로 설정하기보다 대표적인 보행자 상황을 이용하여 보정해야 한다.
이 방법은 속도 장애물(Velocity Obstacle, VO) 및 최적 상호 충돌 회피(Optimal Reciprocal Collision Avoidance, ORCA)와 근본적으로 다른 접근법을 사용한다. VO 기반 방법은 미래에 충돌을 발생시키는 속도를 명시적으로 추론하는 반면, 사회적 힘 모델은 연속적인 행동 영향(Behavioral Influence)을 통해 움직임을 생성한다. 사회적 힘은 자연스러운 상호작용을 생성할 수 있지만 동일한 수준의 기하학적 충돌 회피 보장을 본질적으로 제공하지 않으므로, 명시적인 충돌 검사 또는 독립적인 안전 계층(Safety Layer)과 함께 사용하는 경우가 많다.
예측(Prediction)을 결합하면 사회적 힘 기반 내비게이션을 더욱 향상시킬 수 있다. 현재 보행자 상태만을 사용하여 상호작용을 계산하는 대신 예측된 위치와 궤적을 이용해 미래의 사회적 힘을 추정할 수 있다. 횡단 중인 보행자에게 접근하는 로봇은 실제로 가까워지기 전에 양보를 시작할 수 있다. 특히 로봇 속도, 제동 거리, 인지 지연(Perception Latency) 또는 밀집 교통으로 인해 순수한 반응형 상호작용만으로 충분하지 않은 상황에서 예측이 중요하다.
사회적 힘을 실제 제어 명령으로 변환할 때는 로봇 동역학(Robot Dynamics)도 고려해야 한다. 행동 모델에서 제시하는 가속도가 실제 플랫폼의 가속, 조향 또는 제동 성능을 초과할 수 있기 때문이다. 따라서 실제 구현에서는 결과적인 희망 움직임을 동역학적으로 실행 가능한 속도 또는 궤적 명령으로 변환해야 한다. 포화 제한(Saturation), 평활화(Smoothing), 모델 예측 제어(Model Predictive Control) 또는 지역 궤적 최적화(Local Trajectory Optimization)를 사용하여 행동 의도와 물리적 실행 사이를 연결할 수 있다.
성능 평가에서는 기존의 내비게이션 성능뿐만 아니라 사회적 품질(Social Quality)도 고려해야 한다. 충돌률과 이동 시간은 여전히 중요하지만, 보행자와의 여유 거리, 개인 공간 침범, 불필요한 정지, 경로 부드러움, 양보 행동, 보행자 궤적에 미치는 방해 및 체감 편안함(Perceived Comfort)도 중요한 평가 지표가 된다. 시험 환경에는 정면 접근, 횡단 보행자, 추월, 보행자 집단, 좁은 복도, 출입문, 대기 행렬 및 밀집 양방향 흐름 등이 포함되어야 한다.
따라서 사회적 힘 모델(Social Force Model)은 동적 장애물 회피(Dynamic Obstacle Avoidance)와 인간 인지형 내비게이션(Human-Aware Navigation)을 연결하는 유용한 방법을 제공한다. 목표 인력, 대인 척력, 환경 경계, 방향 민감성 및 집단 행동을 하나의 통합된 상호작용 모델로 표현함으로써 로봇이 단순한 기하학적 충돌 이상의 사회적 관계를 고려할 수 있도록 한다. 특히 사회적으로 의미 있는 행동을 예측, 동역학적 실행 가능성(Dynamic Feasibility), 명시적 안전 메커니즘과 결합할 때 완전한 내비게이션 아키텍처에서 가장 큰 가치를 제공한다.
06.05. Prediction Based Avoidance Object Trajectory Forecast [w/Code]
예측 기반 장애물 회피(Prediction-Based Obstacle Avoidance)는 이동 객체의 현재 위치에만 반응하는 것이 아니라 객체가 미래에 어디에 위치할 가능성이 있는지를 추정함으로써 반응형 내비게이션(Reactive Navigation)을 확장한다. 로봇은 보행자, 차량, 이동 로봇 및 기타 동적 객체를 지속적으로 관측하고, 유한한 예측 시간 범위(Finite Prediction Horizon)에서 미래 궤적을 예측한 다음, 이러한 궤적이 로봇 자신의 계획된 움직임과 교차할 가능성이 있는지를 평가한다.
이 과정은 신뢰할 수 있는 객체 검출 및 추적(Object Detection and Tracking)에서 시작한다. 카메라(Camera), 라이다(LiDAR), 레이더(Radar), 깊이 카메라(Depth Camera) 등의 센서는 동적 객체를 식별하고 연속된 프레임 사이에서 동일한 객체를 연관시키는 데 필요한 관측 정보를 제공한다. 추적기(Tracker)는 위치, 속도, 가속도, 방향 및 경우에 따라 객체 클래스나 행동 상태를 추정하여 궤적 예측(Trajectory Forecasting)에 필요한 시간적 정보를 생성한다.
단순한 궤적 예측기는 등속도(Constant Velocity)를 가정한다. 객체의 현재 위치와 추정 속도가 주어지면 미래 위치를 시간에 따라 선형적으로 전파한다. 등가속도(Constant Acceleration) 및 일정 회전율(Constant Turn Rate) 모델은 움직임의 동역학이 더 복잡한 경우 이러한 표현을 확장한다. 이들 모델은 계산 효율이 높고 짧은 예측 구간에서는 유용하지만, 에이전트가 의도적으로 방향이나 속도를 변경하면 정확도가 감소한다.
모델 기반 예측(Model-Based Forecasting)은 각 객체 유형에 적합한 운동학적 및 동역학적 제약(Kinematic and Dynamic Constraint)을 포함할 수 있다. 차량은 조향 및 차선 제약을 이용하여 예측할 수 있고, 이동 로봇은 차동 구동(Differential Drive) 또는 애커먼 운동학(Ackermann Kinematics)에 따라 모델링할 수 있다. 반면 보행자는 방향을 빠르게 변경하거나 정지 및 가속하고 주변 에이전트에 반응할 수 있기 때문에 물리적 가정만으로 예측하기 어려우며 행동적 맥락(Behavioral Context)이 더욱 중요하다.
확률적 궤적 예측(Probabilistic Trajectory Prediction)은 하나의 미래 경로를 확정적으로 결정하는 대신 불확실성(Uncertainty)을 명시적으로 표현한다. 각 미래 시점에 정확한 하나의 위치를 예측하는 것이 아니라 객체가 존재할 수 있는 위치의 확률 분포 또는 신뢰 영역(Confidence Region)을 추정한다. 일반적으로 시간이 멀어질수록 불확실성이 누적되므로 이러한 영역은 확대되며, 충돌 검사는 예상 궤적뿐만 아니라 관련 불확실성까지 함께 고려할 수 있다.
많은 동적 상호작용은 본질적으로 다중 모드(Multimodal) 특성을 가진다. 복도 교차점에 접근하는 보행자는 직진하거나, 좌회전하거나, 우회전하거나, 정지할 수 있으며 차량도 여러 실행 가능한 움직임 가운데 하나를 선택할 수 있다. 다중 모드 예측(Multimodal Forecasting)은 여러 후보 미래와 각각의 확률을 함께 표현한다. 이를 통해 내비게이션 시스템이 가장 가능성이 높은 하나의 궤적만을 유일한 미래로 가정하지 않고 여러 개의 현실적인 가능성을 고려할 수 있다.
상호작용 인지형 예측(Interaction-Aware Forecasting)은 에이전트들이 서로의 행동에 영향을 미친다는 점을 고려한다. 보행자는 다른 사람을 피하기 위해 경로를 변경하고, 차량은 주변 교통에 반응하며, 로봇은 통행을 양보하거나 협상할 수 있다. 따라서 각 객체를 독립적으로 예측하면 밀집 환경에서 일관되지 않은 결과가 발생할 수 있다. 상호작용 모델은 주변 객체의 상태, 상대적 기하 관계, 사회적 맥락 또는 학습된 관계 표현(Relational Representation)을 이용하여 서로 연관된 미래 궤적을 추정한다.
장면 맥락(Scene Context) 역시 미래 움직임을 제한한다. 벽, 보도, 복도, 출입문, 차선, 횡단보도, 교차로 및 기타 의미론적 구조(Semantic Structure)는 특정 궤적의 가능성을 다른 궤적보다 높게 만든다. 지도 인지형 예측(Map-Aware Prediction)은 기하학적 및 의미론적 정보를 활용하여 예측 궤적이 이동 가능한 공간과 일치하도록 한다. 예를 들어 보행자는 벽을 통과하기보다 복도를 따라 이동할 가능성이 높고 차량은 일반적으로 주행 가능 영역(Drivable Region) 안에서 움직인다.
학습 기반 궤적 예측(Learning-Based Trajectory Forecasting)은 기록된 이동 데이터에서 복잡한 행동 패턴을 학습할 수 있다. 순환 신경망(Recurrent Network), 합성곱 모델(Convolutional Model), 그래프 신경망(Graph Neural Network), 트랜스포머(Transformer), 생성 모델(Generative Model) 등을 사용하여 이동 이력, 주변 에이전트 및 장면 맥락 사이의 관계를 학습할 수 있다. 현대적인 예측기는 다중 모드 궤적 분포를 생성할 수 있지만 성능은 학습 데이터의 범위에 크게 의존하며 새로운 환경에서는 저하될 수 있다.
로봇은 예측된 객체 움직임을 자신의 후보 궤적(Candidate Trajectory)과 비교해야 한다. 각 로봇 후보 궤적은 시간 순서가 포함된 상태(Time-Indexed State)로 구성되고, 예측된 장애물 역시 시간에 따라 변화하는 영역을 점유한다. 로봇과 장애물의 점유 영역이 동일한 미래 시점에서 겹치면 충돌이 발생한다. 이러한 시공간 공식화(Space-Time Formulation)는 두 경로가 공간적으로 교차하더라도 서로 다른 시간에 교차점을 통과하면 충돌하지 않는다는 점을 반영할 수 있다.
따라서 예측 기반 회피는 계획 시간 범위(Planning Horizon) 전체에 걸쳐 충돌 위험을 평가한다. 예측 점유가 안전 임계값을 초과하면 해당 궤적을 제거하거나, 충돌 확률을 연속적인 비용 함수(Cost Function)에 포함할 수 있다. 위험도가 높아지면 로봇은 감속하거나, 더 큰 여유 거리를 확보하거나, 양보하거나, 정지하거나, 다른 경로를 선택할 수 있다. 계획기는 이러한 위험을 진행성, 이동 시간, 부드러움 및 기타 내비게이션 목표와 함께 균형 있게 고려할 수 있다.
충돌까지의 시간(Time-to-Collision)과 충돌 가능 상황까지의 시간(Time-to-Conflict)은 예측된 상호작용을 요약하는 유용한 지표를 제공한다. 물리적으로 가까이 있지만 로봇에서 멀어지는 객체는 즉각적인 대응이 거의 필요하지 않을 수 있는 반면, 더 멀리 있더라도 로봇의 미래 경로를 향해 빠르게 접근하는 보행자는 즉각적인 주의가 필요할 수 있다. 따라서 예측은 현재의 유클리드 거리(Euclidean Distance)에만 의존하지 않고 시간에 따른 위험 변화를 내비게이션 판단에 반영할 수 있도록 한다.
예측 시간 범위(Prediction Horizon)의 선택에는 중요한 절충 관계(Tradeoff)가 존재한다. 짧은 시간 범위는 일반적으로 예측 정확도가 높고 계산량을 줄일 수 있지만 부드러운 회피를 수행하기에는 충돌을 너무 늦게 발견할 수 있다. 긴 시간 범위는 충돌을 더 일찍 예상할 수 있지만 불확실성이 증가하고 실제로 발생하지 않을 상황에 불필요하게 반응할 가능성이 있다. 실제 시스템에서는 적절한 중간 수준의 시간 범위와 빈번한 재계획(Frequent Replanning)을 결합하는 경우가 많다.
예측 불확실성(Prediction Uncertainty)은 계획 과정에도 전달되어야 한다. 예측 궤적을 정확한 미래로 간주하면 객체가 예상 경로에서 벗어날 때 위험한 과신이 발생할 수 있다. 예측 시간이 증가함에 따라 안전 여유를 확대하거나, 확률적 점유(Probabilistic Occupancy)를 충돌 비용에 포함하고, 신뢰도가 낮은 예측에서는 더욱 보수적인 행동을 적용할 수 있다. 계획기는 예측 가능성이 높은 움직임과 추가적인 주의가 필요한 모호한 상황을 구분해야 한다.
이동 시간 범위 방식(Receding-Horizon Operation)은 변화하는 행동에 대한 예측 기반 회피의 강건성(Robustness)을 높인다. 로봇은 하나의 예측을 계산한 뒤 그 결과로 생성된 궤적을 끝까지 그대로 실행하지 않는다. 대신 센싱(Sensing), 추적(Tracking), 예측(Forecasting), 계획(Planning), 제어(Control)를 지속적으로 반복한다. 객체가 회전하거나 정지하고, 가속하거나 자신의 의도를 더욱 명확하게 드러내면 새로운 관측이 이전의 가정을 대체하고 로봇은 계획된 움직임을 다시 갱신한다.
예상하지 못한 행동은 항상 발생할 수 있으므로 예측만으로 안전을 보장할 수는 없다. 보행자가 갑자기 방향을 반대로 바꾸거나, 가려진 영역(Occluded Region)에서 객체가 갑자기 나타나거나, 추적 자체가 실패할 수 있다. 따라서 예측 기반 계획(Prediction-Based Planning)은 단거리 반응형 회피(Short-Range Reactive Avoidance), 비상 제동(Emergency Braking), 충돌 감시(Collision Monitoring) 또는 실제 행동이 예측과 크게 달라졌을 때 대응할 수 있는 독립적인 안전 메커니즘과 함께 동작해야 한다.
성능 평가에서는 예측 성능과 내비게이션 성능을 모두 고려해야 한다. 예측 품질은 변위 오차(Displacement Error), 최종 위치 오차(Final-Position Error), 우도(Likelihood), 보정도(Calibration), 다중 모드 포괄성(Multimodal Coverage) 등으로 평가할 수 있다. 내비게이션 평가는 충돌률, 최소 분리 거리, 성공률, 이동 시간, 경로 효율, 제동 빈도 및 승차감이나 이동 편안성(Comfort)을 포함한다. 평균 궤적 오차가 낮은 예측기라도 드물게 발생하는 예측 실패가 위험한 내비게이션 판단으로 이어진다면 반드시 최적이라고 볼 수는 없다.
예측 기반 회피(Prediction-Based Avoidance)는 동적 장애물 처리를 즉각적인 반응 중심 방식에서 선제적인 의사결정(Anticipatory Decision Making)으로 전환한다. 추적, 궤적 예측, 불확실성 표현, 장면 맥락, 상호작용 모델링, 시공간 충돌 평가 및 지속적인 재계획을 결합함으로써 로봇은 주변 객체가 현재 어디에 있는지만 보는 것이 아니라 앞으로 어디로 이동할 가능성이 있는지를 고려하여 대응할 수 있다. 이러한 능력은 동적인 인간 환경과 다중 로봇 환경에서 부드럽고 안전한 자율 내비게이션을 구현하기 위한 핵심 요소이다.
06.06. Control Barrier Function CBF Safety Guarantee [w/Code]
제어 장벽 함수(Control Barrier Function, CBF)는 로봇이 기본 내비게이션 목표(Nominal Navigation Objective)를 계속 추구하면서 동적 시스템(Dynamical System)의 안전 제약 조건(Safety Constraint)을 강제하기 위한 수학적 프레임워크를 제공한다. CBF는 전체 동작 계획을 직접 생성하는 대신 시스템을 지정된 안전 집합(Safe Set) 내부에 유지하기 위한 조건을 정의한다. 따라서 안전 제어기(Safety Controller)는 기본 제어 명령을 감시하고 로봇이 위험 상태에 진입하는 것을 방지하기 위해 필요한 경우에만 이를 수정할 수 있다.
이 프레임워크는 로봇 동역학(Robot Dynamics)을 상태 공간 형태(State-Space Form)로 표현하는 것에서 시작한다. 상태(State)는 위치, 자세, 속도 또는 로봇 움직임과 관련된 다른 변수들을 포함할 수 있으며, 제어 입력(Control Input)은 이러한 상태가 시간에 따라 어떻게 변화하는지를 결정한다. 안전성은 안전 상태와 위험 상태를 구분하는 스칼라 장벽 함수(Scalar Barrier Function)를 통해 표현되며, 일반적으로 장벽 함수 값이 0 이상인 상태들의 집합을 안전 집합으로 정의한다.
장애물 회피(Obstacle Avoidance)의 경우 로봇과 장애물 사이의 분리 거리(Separation Distance)를 이용하여 장벽 함수를 구성할 수 있다. 간단한 예에서는 거리의 제곱과 요구되는 안전 반경(Safety Radius)을 비교한다. 로봇이 장애물에서 충분히 떨어져 있으면 장벽 함수 값은 양수가 되고, 안전 경계에 접근하면 0에 가까워지며, 경계를 위반하면 음수가 된다. 이를 통해 충돌 관련 안전성을 연속적인 수학적 형태로 표현할 수 있다.
CBF의 핵심 조건은 장벽 함수 값이 얼마나 빠르게 감소할 수 있는지를 제한한다. 이는 단순히 현재 순간에 로봇이 안전한지만 확인하는 것이 아니라 시스템이 안전 집합의 경계를 넘어가도록 만드는 제어 행동을 제한한다. 적절한 CBF 조건이 지속적으로 만족되면 안전 집합은 순방향 불변성(Forward Invariance)을 갖게 되며, 이는 안전한 상태에서 시작한 궤적이 계속 안전 영역 내부에 머무를 수 있음을 의미한다.
이러한 개념은 CBF를 일반적인 충돌 비용(Collision Penalty)과 구분한다. 계획기는 장애물 근처를 통과하는 궤적에 높은 비용을 부여할 수 있지만 다른 목적 함수의 이득이 해당 비용을 보상한다면 최적화 과정에서 위험한 궤적을 선택할 가능성이 있다. 반면 CBF는 허용 가능한 제어 입력이 만족해야 하는 제약 조건으로 안전을 도입한다. 이후 내비게이션 효율, 경로 추종, 편안함 및 에너지 소비 등은 남아 있는 안전 제어 공간(Safe Control Space) 내부에서 최적화할 수 있다.
일반적인 구현에서는 CBF 제약 조건을 이차 계획법(Quadratic Program, QP)과 결합한다. 기본 제어기(Nominal Controller)는 먼저 선속도와 각속도 또는 가속도와 같은 희망 제어 명령을 생성한다. QP는 활성화된 모든 장벽 제약 조건을 만족하면서 이 기본 명령에 가장 가까운 제어 명령을 탐색한다. 기본 명령이 이미 안전하다면 거의 수정하지 않으며, 위험이 증가하면 안전 필터(Safety Filter)가 안전 집합을 유지하는 데 필요한 수준으로 명령을 변경한다.
이러한 아키텍처를 통해 CBF는 최소 침습형 안전 필터(Minimally Invasive Safety Filter)로 동작할 수 있다. 전역 계획기(Global Planner), 지역 계획기(Local Planner), 강화학습 정책(Reinforcement-Learning Policy) 또는 사람의 명령이 모든 안전 제약을 내부적으로 직접 해결하지 않고 기본 행동을 생성할 수 있다. CBF 계층은 이 명령을 현재의 안전 조건과 비교하여 필요한 경우 개입한다. 이러한 역할 분리는 고급 계획기 또는 학습 기반 계획기를 해석 가능한 안전 메커니즘과 결합할 때 특히 유용하다.
여러 장애물은 각각에 대해 별도의 장벽 제약 조건(Barrier Constraint)을 구성하여 처리할 수 있다. 최종 최적화 문제에서는 선택된 제어 입력이 이러한 제약 조건을 동시에 만족해야 한다. 정적 벽, 이동 로봇, 보행자, 차량 및 제한 영역(Restricted Region) 등이 각각 독립적인 안전 조건을 제공할 수 있다. 계산 효율은 활성 제약 조건의 수에 영향을 받으므로 실제 시스템에서는 일반적으로 가까이 있거나 현재 상황과 관련된 장애물을 우선적으로 선택한다.
동적 장애물(Dynamic Obstacle)의 경우 장벽 함수 공식화에서 상대 운동(Relative Motion)을 고려해야 한다. 장애물이 로봇을 향해 빠르게 접근하는 경우 단순한 거리만으로는 충분하지 않을 수 있다. 상대 위치, 장애물 속도, 예측된 움직임 및 로봇 동역학을 포함함으로써 분리 거리가 시간에 따라 어떻게 변화하는지를 안전 조건에 반영할 수 있다. 이를 통해 실제로 기하학적 안전 경계에 도달하기 전에 제동이나 조향을 시작할 수 있다.
제어 입력이 장벽 함수의 1차 미분에 직접 영향을 미치지 않는 시스템에서는 고차 공식화(Higher-Order Formulation)가 필요하다. 예를 들어 위치를 기준으로 안전성을 정의하지만 로봇이 속도가 아니라 가속도를 직접 제어하는 경우가 이에 해당한다. 고차 제어 장벽 함수(Higher-Order Control Barrier Function, HOCBF)는 안전 조건의 미분을 재귀적으로 제한하여 가속도 제어 시스템과 복잡한 동역학 시스템에서도 위치 관련 안전 요구사항을 강제할 수 있도록 한다.
CBF는 제어 리아푸노프 함수(Control Lyapunov Function, CLF)와 결합할 수도 있다. CLF는 원하는 목표를 향한 진행 또는 안정성(Stability)을 표현하고, CBF는 안전을 표현한다. 따라서 결합된 CLF-CBF 이차 계획법(CLF-CBF Quadratic Program)은 안전 제약을 준수하면서 목표를 향해 진행하는 제어 입력을 탐색할 수 있다. 진행성과 안전성이 충돌하면 안전에 더 높은 우선순위를 부여하고 보호 영역을 위반하는 대신 성능 목표를 완화하도록 구성할 수 있다.
CBF 안전 보장(Safety Guarantee)의 품질은 기본 시스템 모델과 상태 정보의 정확성에 의존한다. 로컬라이제이션 오차(Localization Error), 인지 지연(Perception Delay), 불확실한 장애물 속도, 액추에이터 지연(Actuator Lag) 및 모델링되지 않은 동역학은 장벽 제약에서 사용된 가정을 무효화할 수 있다. 따라서 실제 구현에서는 추정 상태를 완벽하게 정확하다고 가정하기보다 센싱 불확실성, 제어 지연, 제동 능력 및 모델링 오차를 반영한 안전 여유(Safety Margin)가 필요하다.
강건 및 확률적 확장(Robust and Probabilistic Extension)을 이용하면 불확실성을 보다 명시적으로 처리할 수 있다. 강건 CBF(Robust CBF)는 허용 가능한 제어 입력을 구성할 때 제한된 외란(Bounded Disturbance)이나 모델 오차를 고려하고, 불확실성 인지형 접근법(Uncertainty-Aware Approach)은 장애물 상태 주변의 신뢰 영역(Confidence Region)을 포함할 수 있다. 이러한 방법은 일반적으로 불확실성이 증가할수록 더 보수적으로 동작하며, 내비게이션 효율의 일부를 희생하는 대신 추정 및 예측 오차에 대한 보호를 강화한다.
실행 가능성(Feasibility) 역시 중요한 문제이다. 여러 장벽 제약 조건이 동시에 서로 양립할 수 없는 제어 행동을 요구할 수 있으며, 이는 밀집 군중, 좁은 통로 또는 로봇이 이미 안전하게 정지하기 어려울 정도로 빠르게 움직이는 상황에서 특히 발생하기 쉽다. 제어 입력 제한(Input Limit)은 실행 가능한 해를 더욱 제한할 수 있다. 따라서 안전 아키텍처는 제약 조건 우선순위, 제동 정책, 비상 정지 및 안전한 행동이 존재하지 않는 상태로 진입하지 않도록 하는 계획 전략을 함께 고려해야 한다.
CBF는 예측 기반 계획(Predictive Planning)과 통합될 때 특히 유용하다. 궤적 예측기(Trajectory Predictor) 또는 지역 계획기는 미래 상호작용을 사전에 예상할 수 있으며, 장벽 계층은 단기적인 편차와 예상하지 못한 행동으로부터 로봇을 보호한다. 예측은 보다 부드럽고 조기에 수행되는 회피를 제공하는 반면, CBF는 수학적으로 구조화된 최종 제어 수정 계층을 제공한다. 따라서 두 메커니즘은 동적 장애물 안전성의 서로 다른 시간적 영역을 담당한다.
실시간 성능(Real-Time Performance)은 안전 필터가 제어 주파수(Control Frequency)에 맞추어 실행되어야 하기 때문에 매우 중요하다. QP는 대상 컴퓨팅 플랫폼에서 충분히 작고 결정론적으로 처리될 수 있어야 하며, 안전 여유를 정의할 때 센서 입력부터 제어 출력까지의 지연(Sensor-to-Control Latency)을 고려해야 한다. 효율적인 제약 조건 선택, 웜 스타트(Warm Starting), 제한된 솔버 실행 시간(Bounded Solver Time) 및 대체 제어 명령(Fallback Command)은 실제 로봇에 CBF 기반 제어를 적용할 때 중요한 엔지니어링 요소이다.
시험은 정상적인 충돌 회피 상황에만 제한해서는 안 된다. 갑작스러운 보행자 횡단, 빠르게 접근하는 객체, 센서 지연, 노이즈가 포함된 추적, 액추에이터 포화(Actuator Saturation), 비상 제동, 좁은 복도, 여러 장애물의 동시 접근 및 실행 불가능한 제약 조합 등을 포함해야 한다. 평가는 최소 분리 거리, 장벽 함수 값, 개입 빈도, 기본 제어 명령과의 편차, 솔버 지연 시간, 내비게이션 성공률 및 안전 위반 발생 여부 등을 측정해야 한다.
따라서 제어 장벽 함수(Control Barrier Function)는 완전한 계획기(Planner)가 아니라 더 큰 내비게이션 아키텍처 내부의 안전 강제 메커니즘(Safety-Enforcement Mechanism)으로 이해해야 한다. 인지(Perception)는 환경을 추정하고, 예측(Prediction)은 동적 행동을 예상하며, 계획(Planning)은 효율적인 움직임을 제안하고, 기본 제어기(Nominal Controller)는 명령을 생성한다. CBF 안전 필터는 모델링 가정이 유효하고 충분한 제어 권한이 존재하는 범위에서 안전 조건이 유지되도록 이러한 명령을 제한한다.
CBF는 경험적 장애물 회피(Heuristic Obstacle Avoidance)에서 형식적으로 구조화된 안전 제어(Formally Structured Safety Control)로 발전하는 중요한 방법을 제공한다. 안전 집합을 정의하고, 순방향 불변성 조건을 강제하며, 기본 제어 명령을 허용 가능한 제어 영역(Admissible Control Region)으로 투영함으로써 성능 중심의 내비게이션과 안전 강제가 공존할 수 있도록 한다. 동적 로봇 내비게이션에서 CBF는 고급 계획 또는 학습 기반 정책과 물리적으로 실행 가능한 안전 제약을 연결하는 감독형 안전 계층(Supervisory Safety Layer)으로 특히 유용하다.
06.07. Learning Based Dynamic Avoidance Policies [w/Code]
학습 기반 동적 회피 정책(Learning-Based Dynamic Avoidance Policy)은 보행자, 차량, 이동 로봇 및 기타 동적 장애물이 존재하는 환경에서 데이터 기반 모델(Data-Driven Model)을 사용하여 로봇의 행동을 선택한다. 모든 회피 규칙을 분석적으로 정의하는 대신 정책(Policy)이 관측 정보, 주변 객체의 움직임, 내비게이션 목표 및 적절한 제어 행동 사이의 관계를 학습한다. 이를 통해 복잡한 상호작용 패턴을 하나의 통합된 의사결정 모델(Decision-Making Model)로 표현할 수 있다.
학습 문제는 관측값(Observation) 또는 추정된 상태(Estimated State)를 행동(Action)으로 변환하는 매핑으로 구성할 수 있다. 입력에는 로봇 자세, 속도, 목표 방향, 라이다 스캔(LiDAR Scan), 카메라 특징(Camera Feature), 점유 표현(Occupancy Representation), 추적 객체 상태 또는 예측 궤적 등이 포함될 수 있다. 출력은 선속도와 각속도, 조향 명령, 가속도, 동작 프리미티브(Motion Primitive), 지역 경유점(Local Waypoint) 또는 기존 동작 계획기에서 사용하는 파라미터를 직접 지정할 수 있다.
모방 학습(Imitation Learning)은 사람 조작자, 전문가 계획기(Expert Planner) 또는 기존에 검증된 제어기가 제공한 시연(Demonstration)을 이용하여 회피 행동을 학습한다. 모델은 관측된 내비게이션 상황과 연관된 행동을 재현하도록 학습한다. 보상 함수(Reward Function)를 직접 설계하지 않고도 유용한 행동을 생성할 수 있지만, 성능은 시연 데이터의 품질과 범위에 크게 의존한다. 일반적인 내비게이션 데이터에서는 드물고 위험한 상황이 충분히 포함되지 않을 수 있다.
행동 복제(Behavior Cloning)는 가장 단순한 모방 학습 방식으로, 지도 학습(Supervised Learning)을 이용하여 기록된 관측으로부터 전문가 행동을 예측한다. 주요 문제는 분포 변화(Distribution Shift)이다. 작은 정책 오차가 로봇을 시연 데이터에서 거의 경험하지 못했던 상태로 이동시킬 수 있으며, 이후 추가적인 오차가 누적될 수 있다. 상호작용형 데이터 수집(Interactive Data Collection)과 교정 시연(Corrective Demonstration)을 사용하면 학습된 정책이 실제로 방문하는 상태의 사례를 추가하여 이러한 문제를 줄일 수 있다.
강화학습(Reinforcement Learning, RL)은 환경과의 상호작용을 통해 정책을 학습한다. 로봇은 목표 방향 진행, 충돌 회피, 부드러운 움직임 및 효율적인 이동과 같은 바람직한 결과에 대해 보상을 받고, 충돌, 지나치게 가까운 접근, 진동(Oscillation) 또는 불필요한 제어 입력에는 페널티를 받는다. 반복적인 경험을 통해 정책은 전문가 제어기를 단순히 모방하는 것이 아니라 기대 누적 보상(Expected Cumulative Reward)을 최대화하는 행동 전략을 학습한다.
보상 함수(Reward Function)는 학습된 행동의 특성을 강하게 결정한다. 큰 충돌 페널티는 안전성을 높일 수 있지만 불확실성이 나타날 때마다 정지하는 지나치게 보수적인 정책을 만들 수 있다. 강한 진행 보상은 이동 효율을 높일 수 있지만 보행자와 공격적으로 상호작용하는 행동을 생성할 가능성이 있다. 따라서 실제 보상 설계에서는 안전, 진행성, 여유 거리, 부드러움, 편안함, 에너지 소비 및 사회적으로 적절한 행동을 균형 있게 고려하면서 의도하지 않은 최적화 지름길을 방지해야 한다.
동적 회피는 로봇이 다른 에이전트의 의도를 직접 알 수 없기 때문에 부분 관측 의사결정 문제(Partially Observable Decision Problem)로 자연스럽게 모델링할 수 있다. 현재 센서 측정은 환경의 일부만 보여주며, 숨겨진 변수에는 목적지, 주의 상태, 양보 의도 또는 미래 행동 등이 포함될 수 있다. 순환 신경망(Recurrent Neural Network), 시간 인코더(Temporal Encoder), 신념 표현(Belief Representation), 궤적 이력(Trajectory History) 등을 이용하면 정책에 기억 기능을 제공하여 연속적인 관측에서 중요한 움직임 패턴을 추론할 수 있다.
다중 에이전트 강화학습(Multi-Agent Reinforcement Learning)은 여러 의사결정 에이전트가 존재하는 환경으로 이러한 문제를 확장한다. 로봇은 주변 에이전트를 독립적으로 이동하는 장애물로만 취급하지 않고 이들의 반응을 고려하는 정책을 학습할 수 있다. 학습 단계에서는 중앙 집중형 훈련(Centralized Training)을 사용하면서 실행 단계에서는 분산형 실행(Decentralized Execution)을 적용할 수 있으며, 이를 통해 학습 중에는 풍부한 상호작용 정보를 활용하면서 실제 배치된 각 로봇은 지역적으로 이용 가능한 관측 정보만으로 의사결정을 수행할 수 있다.
그래프 신경망(Graph Neural Network, GNN)은 주변 에이전트의 수가 시간에 따라 변화하는 환경에서 유용한 표현 방법을 제공한다. 로봇과 주변 보행자 또는 다른 로봇을 노드(Node)로 표현하고, 상대 위치, 속도, 가시성 또는 상호작용 관계를 엣지(Edge)로 구성할 수 있다. 메시지 전달(Message Passing)을 이용하면 정책이 관련된 이웃의 정보를 통합하고 관계적 패턴(Relational Pattern)을 학습하여 확장 가능한 다중 에이전트 충돌 회피를 수행할 수 있다.
어텐션 및 트랜스포머 기반 모델(Attention and Transformer-Based Model)은 어떤 에이전트와 시간적 관측이 가장 중요한지를 선택하는 또 다른 메커니즘을 제공한다. 모든 주변 객체를 동일하게 취급하는 대신 어텐션(Attention)은 로봇의 경로에 접근하는 보행자, 접근 속도가 높은 차량 또는 교차로 주변의 에이전트를 강조할 수 있다. 시간적 어텐션(Temporal Attention)은 현재 관측을 이전의 움직임 상태와 연결하여 복잡한 동적 장면에서 상황 의존적인 의사결정을 지원할 수 있다.
학습은 내비게이션 아키텍처의 다양한 계층에서 적용할 수 있다. 종단간 정책(End-to-End Policy)은 원시 센서 관측을 직접 제어 명령으로 변환할 수 있으며, 모듈형 아키텍처(Modular Architecture)는 보행자 예측, 상호작용 모델링, 비용 추정, 지역 궤적 순위 결정 또는 경유점 선택에만 학습을 적용할 수 있다. 모듈형 설계는 일반적으로 인터페이스가 더 명확하며 학습 기능 주변에 기존 계획 및 안전 구성 요소를 유지하기 쉽다.
위험한 상호작용 데이터를 실제 로봇에서 수집하는 것은 비용과 위험이 크기 때문에 시뮬레이션(Simulation)은 특히 중요하다. 보행자 횡단, 정면 접근, 추월, 밀집 군중 및 다중 로봇 충돌 상황을 대량으로 합성하여 생성할 수 있다. 도메인 랜덤화(Domain Randomization)를 사용하면 센서 노이즈, 장애물 행동, 로봇 동역학, 외관, 지연 시간 및 환경 기하 구조를 다양하게 변경하여 학습 과정에서 더 폭넓은 조건을 경험하도록 할 수 있다.
시뮬레이션-현실 격차(Simulation-to-Reality Gap)는 실제 배치에서 중요한 과제로 남는다. 정책은 현실에는 존재하지 않는 단순화된 시뮬레이터의 행동 특성을 이용할 수 있으며, 실제 센서에는 노이즈, 가림(Occlusion), 타이밍 변화 및 추적 실패가 존재한다. 시스템 식별(System Identification), 현실적인 센서 시뮬레이션, 도메인 적응(Domain Adaptation), 동역학 랜덤화 및 제한적인 실제 환경 미세조정(Fine-Tuning)을 통해 이러한 차이를 줄일 수 있지만, 안전이 중요한 실제 배치 이전에는 충분한 물리적 검증이 필요하다.
일반화(Generalization) 역시 중요하다. 하나의 건물, 군중 밀도, 로봇 플랫폼 또는 특정 보행자 행동 분포에서 학습된 정책은 익숙하지 않은 환경에서 성능이 크게 저하될 수 있다. 다양한 지도, 상호작용 패턴, 이동 속도, 센서 조건 및 에이전트 집단을 포함하여 학습하면 강건성(Robustness)을 높일 수 있다. 분포 외 탐지(Out-of-Distribution Detection)를 이용하여 학습 경험과 크게 다른 관측을 식별하고 보수적인 대체 행동(Fallback Behavior)을 실행하도록 구성할 수도 있다.
학습 기반 정책은 학습 과정에서 낮은 충돌률을 달성했다는 이유만으로 안전 보장(Safety Guarantee)을 제공한다고 가정해서는 안 된다. 신경망 정책(Neural Policy)은 드문 상태에서 예측하기 어려운 방식으로 실패할 수 있으며, 경험적인 성공만으로 형식적인 불변성(Formal Invariance)이나 보장된 제동 능력이 입증되는 것은 아니다. 따라서 실제 아키텍처에서는 결정론적 충돌 감시, 비상 정지, 제어 장벽 함수(Control Barrier Function, CBF) 또는 검증된 다른 안전 필터를 학습 정책의 외부 계층에 배치할 수 있다.
하이브리드 아키텍처(Hybrid Architecture)는 학습 기반 방법과 모델 기반 방법(Model-Based Method)이 서로의 장점을 보완하도록 한다. 신경망이 보행자의 의도를 예측하거나 선호 지역 움직임을 생성하고, 속도 장애물(VO), 최적 상호 충돌 회피(ORCA), 최적화 또는 CBF가 기하학적·동역학적 제약을 강제할 수 있다. 또는 학습 모델이 계획기의 비용을 조정하거나 안전한 후보 궤적 가운데 하나를 선택할 수 있다. 이러한 조합은 학습 행동의 적응성을 유지하면서 해석 가능한 제약과 기존 내비게이션 구조를 보존한다.
실시간 배치(Real-Time Deployment)에서는 추가적인 엔지니어링 제약이 발생한다. 신경망 추론, 인지, 추적, 계획 및 안전 필터링이 모두 제어 주기(Control Cycle)의 지연 시간 예산 안에서 수행되어야 한다. 모델 크기, 가속기(Accelerator) 가용성, 메모리 대역폭, 최악 조건 추론 시간(Worst-Case Inference Time), 센서 동기화 및 통신 지연은 내비게이션 안전에 영향을 줄 수 있다. 간헐적으로 긴 지연으로 인해 이동 장애물에 대한 반응이 늦어진다면 평균 추론 속도만으로는 충분한 성능 지표가 될 수 없다.
따라서 성능 평가는 평균 작업 보상(Average Task Reward)을 넘어 확장되어야 한다. 중요한 지표에는 충돌률, 최소 분리 거리, 내비게이션 성공률, 목표 도달 시간, 경로 효율, 개입 빈도, 제어 부드러움, 보행자 이동에 대한 방해 정도, 사회적 준수성(Social Compliance), 추론 지연 및 센서나 행동 변화에 대한 강건성이 포함된다. 특히 드문 안전 실패가 우수한 평균 성능에 가려질 수 있으므로 희귀 사건 시험(Rare-Event Testing)과 적대적 시나리오(Adversarial Scenario)가 중요하다.
학습 기반 동적 회피(Learning-Based Dynamic Avoidance)는 고정된 분석적 규칙만으로 표현하기 어려운 상호작용을 모델링할 수 있는 유연한 메커니즘을 제공한다. 가장 효과적인 역할은 기존 내비게이션 전체를 반드시 대체하는 것이 아니라 계층형 아키텍처(Layered Architecture) 안에서 학습된 예측, 관계적 추론, 적응형 의사결정 또는 지역 정책 생성을 담당하는 것이다. 명시적인 동역학적 제약과 독립적인 안전 메커니즘을 함께 적용하면 학습 기반 정책은 복잡하고 지속적으로 변화하는 환경에서 더욱 적응적인 자율 내비게이션을 지원할 수 있다.
06.08. Avoidance in Narrow Corridors and Doorways [w/Code]
좁은 복도와 출입문에서의 회피(Avoidance in Narrow Corridors and Doorways)는 제한된 자유 공간으로 인해 로봇이 동적 장애물 주변에서 기동할 수 있는 능력이 감소하는 제약된 내비게이션 문제(Constrained Navigation Problem)이다. 개방된 환경과 달리 측면 회피 방향을 사용할 수 없는 경우가 많으며, 작은 경로 편차도 로봇을 벽, 문틀, 보행자 또는 다른 로봇에 가깝게 만들 수 있다. 따라서 성공적인 내비게이션을 위해서는 기하 구조, 시간, 우선순위, 동작 실행 가능성 및 상호작용 행동을 통합적으로 고려해야 한다.
첫 번째 요구사항은 통과 가능 폭(Traversable Width)을 정확하게 표현하는 것이다. 계획기(Planner)는 단순히 복도의 기하학적 중심선만을 기준으로 판단하지 않고 로봇 풋프린트(Robot Footprint), 로컬라이제이션 불확실성(Localization Uncertainty), 벽과의 여유 거리, 센서 오차 및 추가적인 안전 여유(Safety Margin)를 고려해야 한다. 점 기반 지도(Point-Based Map)에서는 통과 가능해 보이는 공간이라도 로봇의 전체 형상과 요구 여유 거리를 적용하면 넓은 플랫폼에는 실제로 통과 불가능할 수 있다.
출입문(Doorway)은 사용 가능한 폭이 갑작스럽게 변하기 때문에 특히 강한 기하학적 병목(Bottleneck)을 형성한다. 로봇은 비교적 넓은 공간을 통해 접근한 뒤 자신의 풋프린트보다 약간 넓은 통로로 진입해야 할 수 있다. 따라서 계획기는 단순히 출입문을 통과할 수 있는지만 평가하는 것이 아니라 진입하기 전에 적절하게 정렬할 수 있는지, 그리고 제한된 통과 과정 전체에서 적절한 자세를 유지할 수 있는지도 함께 판단해야 한다.
비원형 로봇(Noncircular Robot)에서는 풋프린트 방향(Footprint Orientation)이 중요하다. 직사각형 자율이동로봇(AMR)은 통로 방향과 정렬되어 있을 때는 출입문을 통과할 수 있지만 입구 근처에서 회전하는 동안 여유 거리 제약을 위반할 수 있다. 따라서 충돌 검사는 개별 로봇 자세만 평가하는 것이 아니라 스윕 풋프린트(Swept Footprint)를 고려해야 한다. 진입 궤적은 로봇이 통로의 가장 제한적인 부분에 도달하기 전에 적절한 위치와 방향으로 정렬되도록 구성해야 한다.
동적 장애물(Dynamic Obstacle)이 존재하면 이러한 기하학적 제약은 더욱 어려워진다. 두 에이전트가 각각 복도를 통과할 수 있더라도 서로 안전하게 교행할 수 없는 상황이 발생할 수 있다. 반대 방향에서 접근하는 보행자 또는 다른 로봇은 지속적인 전진이 불가능한 일시적인 충돌 상황을 만들 수 있다. 내비게이션 시스템은 이때 측면 회피를 무리하게 시도하기보다 감속, 정지, 양보 또는 후퇴가 더 안전한지를 판단해야 한다.
교행 가능성(Passing Feasibility)은 복도 폭, 에이전트 크기, 요구 분리 거리 및 불확실성 여유를 이용하여 평가할 수 있다. 충분한 측면 공간이 존재하면 두 에이전트는 속도를 낮추고 통제된 여유 거리를 유지하면서 서로 지나갈 수 있다. 그러나 사용 가능한 폭이 두 에이전트에 필요한 결합 공간보다 좁다면 문제는 기하학적 회피가 아니라 시간적 조정(Temporal Coordination)의 문제가 된다. 이 경우 일반적으로 한쪽이 통로 밖에서 기다리거나 더 넓은 영역으로 이동해야 한다.
이러한 구분이 중요한 이유는 기존의 지역 회피 알고리즘(Local Avoidance Algorithm)이 물리적으로 의미 있는 교행 동작이 존재하지 않는 상황에서도 계속 충돌 없는 속도를 탐색할 수 있기 때문이다. 이러한 행동은 진동(Oscillation), 반복적인 좌우 제어 명령 또는 벽에 불필요하게 가까이 접근하는 현상을 발생시킬 수 있다. 복도 토폴로지(Corridor Topology)와 병목 상태를 감지하면 계획기가 연속적인 회피에서 명시적인 양보 또는 통행 관리(Passage Management) 행동으로 전환할 수 있다.
대기 위치(Waiting Location)는 의도적으로 선택해야 한다. 출입문 내부에서 직접 정지하면 양방향 교통을 모두 차단할 수 있으며, 좁은 입구에 지나치게 가까이 정지하면 다른 에이전트가 통로에서 빠져나오지 못할 수 있다. 따라서 로봇은 대기 구역(Waiting Zone), 복도의 확장 영역, 벽면 후퇴 공간(Alcove), 교차로 또는 스테이징 위치(Staging Position)를 식별하여 제한된 영역을 방해하지 않고 안전하게 양보할 수 있어야 한다. 이러한 위치는 지도에 미리 정의하거나 지역 자유 공간의 기하 구조로부터 탐지할 수 있다.
우선순위 규칙(Priority Rule)은 동시 통과가 불가능한 병목에서 어느 에이전트가 먼저 진입할지를 결정한다. 우선순위는 도착 시간, 출입문까지의 거리, 임무 긴급도, 로봇 유형, 교통 방향, 적재 상태 또는 플릿 수준 스케줄링(Fleet-Level Scheduling)에 따라 결정할 수 있다. 두 에이전트가 동시에 진행하려는 경우뿐만 아니라 동시에 서로 양보하려는 경우에도 교착 상태(Deadlock)가 발생할 수 있으므로, 모호한 지역 협상보다 단순하고 결정론적인 규칙이 효과적인 경우가 많다.
예약 메커니즘(Reservation Mechanism)은 다중 로봇 시스템에서 더욱 강력한 형태의 조정 방법을 제공한다. 출입문, 좁은 복도 구간, 엘리베이터 입구 또는 기타 병목을 독점적이거나 용량이 제한된 자원(Resource)으로 표현할 수 있다. 로봇은 진입하기 전에 허가를 요청하거나 특정 시간 구간을 예약한다. 다른 로봇은 자원이 사용 가능해질 때까지 외부에서 대기함으로써 정면 충돌을 줄이고 안전한 교행이 불가능한 영역에 여러 로봇이 동시에 진입하는 것을 방지할 수 있다.
사람과의 상호작용(Human Interaction)은 보행자가 로봇의 예약 프로토콜에 참여하지 않기 때문에 다른 가정을 필요로 한다. 로봇은 보행자의 움직임을 추론하고 자연스러운 사람의 행동을 허용할 수 있는 충분한 공간을 유지해야 한다. 출입문 주변에서는 사람이 갑자기 정지하거나, 가려진 영역에서 나타나거나, 방향을 바꾸거나, 다른 사람을 위해 문을 잡아줄 수 있다. 따라서 사람이 공유하는 병목에 접근할 때는 보수적인 속도, 궤적 예측(Trajectory Prediction) 및 사각 영역에 대한 강화된 주의가 중요하다.
가림(Occlusion)은 문틀, 모서리, 선반 및 복도 교차점 주변에서 특히 중요하다. 보행자가 로봇의 경로에 진입하기 직전에야 보일 수도 있다. 따라서 로봇은 현재 관측되지 않는 공간이 비어 있다고 가정하는 대신 가시성(Visibility)과 정지 거리(Stopping Distance)에 따라 속도를 조절해야 한다. 접근 속도를 낮추면 추가적인 반응 시간을 확보할 수 있으며, 통로 진입을 결정하기 전에 가시성을 향상시키는 센싱 전략과 결합할 수 있다.
예측 기반 회피(Prediction-Based Avoidance)는 현재 열려 있는 병목이 안전한 통과를 완료할 때까지 계속 열려 있을지를 판단하는 데 도움을 준다. 계획기는 로봇의 예상 진입 및 이탈 시간과 보행자 또는 다른 로봇의 예측 점유(Predicted Occupancy)를 비교할 수 있다. 다른 에이전트가 통과 시간 동안 출입문에 도달할 것으로 예상되면 로봇은 진입을 지연할 수 있다. 이를 통해 출입문 회피 문제를 단순한 공간 충돌 검사가 아니라 시공간 스케줄링(Space-Time Scheduling) 문제로 변환할 수 있다.
제한된 공간에서는 늦은 제어 수정이 어려우므로 로봇 동역학(Robot Dynamics)을 반드시 고려해야 한다. 중량 자율이동로봇(AMR)은 막힌 복도에 진입하기 전에 충분한 감속 거리가 필요하며, 조향 제약이 있는 플랫폼은 정렬을 위해 추가적인 공간이 필요할 수 있다. 최대 가속도, 제동 능력, 최소 회전 반경, 제어 지연(Control Latency) 및 휠 구성은 접근 속도와 로봇이 통로 진입을 최종 결정하는 시점에 영향을 주어야 한다.
매우 좁은 통로에 진입한 이후에는 과도한 재계획(Replanning) 자체가 바람직하지 않을 수 있다. 작은 인지 변화로 인해 반복적인 조향 수정이 발생하면 불안정하거나 불편한 움직임이 만들어질 수 있다. 복도 추종(Corridor Following) 또는 출입문 통과 모드(Doorway-Traversal Mode)를 사용하여 일시적으로 중심선 추종, 자세 안정성, 저속 주행 및 통제된 여유 거리를 우선하면서도 비상 장애물 감지 기능은 유지할 수 있다. 제한 영역을 벗어난 이후에는 정상적인 지역 계획으로 복귀할 수 있다.
예방적 조정에도 불구하고 여러 에이전트가 서로를 차단하는 경우를 처리하려면 교착 상태 복구(Deadlock Recovery)가 필요하다. 시스템은 장시간 진행하지 못하는 상태를 감지하고 어떤 로봇이 실행 가능한 후퇴 경로를 갖는지 판단해야 한다. 이전의 넓은 구역까지 후진하거나, 예약을 해제하거나, 임시 우선순위를 부여하거나, 플릿 수준 개입(Fleet-Level Intervention)을 요청할 수 있다. 환경의 구조적인 제한 때문에 발생한 충돌 상황에서는 무작위적인 지역 움직임이 일반적으로 효과적이지 않다.
전역 계획(Global Planning)은 병목 충돌이 발생하기 전에 이를 줄일 수 있다. 복도 폭, 예상 교통량, 이동 방향성 또는 예측 혼잡도에 따라 경로에 서로 다른 비용을 부여할 수 있다. 사용 빈도가 높은 좁은 통로에는 일방통행 규칙(One-Way Traffic Rule)을 도입할 수 있으며, 대체 경로를 이용하여 시설 전체에 로봇 흐름을 분산할 수도 있다. 이후 지역 회피는 구조적으로 어려운 상호작용 자체를 줄이도록 설계된 교통 체계 안에서 단기적인 충돌을 처리한다.
우선순위 및 예약 논리를 사용하는 경우에도 안전 감시(Safety Monitoring)는 계속 필요하다. 통신 지연, 사람의 갑작스러운 진입, 로컬라이제이션 오차 또는 다른 로봇의 고장으로 인해 예상된 통로 점유 상태가 달라질 수 있다. 따라서 독립적인 충돌 감시, 보호 정지(Protective Stop), 속도 제한 및 안전 여유는 통과 과정 전체에서 활성 상태로 유지되어야 한다. 조정 메커니즘은 효율을 높일 수 있지만 지역적인 물리 안전 메커니즘을 대체해서는 안 된다.
평가에는 출입문 진입, 복도 교행, 대향 교통(Opposing Traffic), 보행자의 갑작스러운 출현, 막힌 출구, 로컬라이제이션 오차, 통신 손실 및 다중 로봇 교착 상태 등의 시나리오가 포함되어야 한다. 주요 평가 지표에는 통과 성공률, 최소 여유 거리, 대기 시간, 병목 처리량(Bottleneck Throughput), 정지 횟수, 후퇴 빈도, 교착 지속 시간, 경로 부드러움 및 안전 개입 횟수 등이 포함된다. 정상 동작뿐만 아니라 조정에 사용된 가정이 실패하는 상황도 함께 시험해야 한다.
따라서 좁은 복도와 출입문에서의 회피는 기존의 반응형 장애물 회피(Reactive Obstacle Avoidance)만으로 해결할 수 있는 문제가 아니다. 로봇 풋프린트를 고려한 기하 구조, 병목 감지, 예측, 양보, 우선순위, 예약, 동역학적 실행 가능성, 가시성 기반 속도 제어 및 교착 상태 복구를 통합해야 한다. 측면 회피가 물리적으로 불가능한 상황을 인식함으로써 내비게이션 시스템은 지역적인 기동에서 조정된 시공간 관리(Coordinated Space-Time Management)로 전환하여 제한된 환경에서 더욱 안전하고 효율적인 통과를 실현할 수 있다.
![Motion Planning and Navigation — Ch.06: Dynamic Obstacle Avoidance [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%2Fmbgqt1fikes5d9684vg8.png)







![Motion Planning and Navigation — Ch.08: Semantic Navigation [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%2Fjq2h442hn45tjle363x9.png)
![Motion Planning and Navigation — Ch.09: AI Based Planning [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%2Fa3n4x28z3pnqiurylhlw.png)