DEV Community

Richard Minsoo Go
Richard Minsoo Go

Posted on

Motion Planning and Navigation — Ch.12: Industrial Navigation Case Studies [KR]

STATERA Library · Series 08 · Volume 15 · Chapter 12 · KR
Source: https://github.com/Statera-Library/08_Vol_15_Motion_Planning_and_Navigation/blob/main/Chapter_12_Industrial_Navigation_Case_Studies/Chapter_12_Industrial_Navigation_Case_Studies_KR.md

Volume 15. Motion Planning and Navigation

Chapter 12. Industrial Navigation Case Studies

12.01. Indoor AMR Warehouse Dense Fleet Navigation Case

고밀도 창고 자율이동로봇(Autonomous Mobile Robot, AMR) 구축에서는 내비게이션(Navigation)이 단일 로봇의 경로 계획(Path Planning) 문제에서 여러 로봇이 함께 움직이는 교통 관리(Traffic Management) 문제로 확장된다. 일반적인 환경에는 좁은 통로, 보관 랙, 작업 셀, 충전소, 교차로 및 공동 이송 구역이 존재한다. 로봇 밀도가 증가할수록 성공적인 운영은 충돌 없는 경로를 찾는 것뿐 아니라 제한된 공간 자원을 언제, 어떻게 점유하도록 제어하는가에 좌우된다.

내비게이션 아키텍처(Navigation Architecture)는 플릿 수준 계획(Fleet-Level Planning)과 로봇 수준 실행(Robot-Level Execution)으로 구분할 수 있다. 플릿 관리자(Fleet Manager)는 임무 할당, 경로 선택, 교통 우선순위 관리 및 공유 자원 조정을 수행하며, 각 AMR은 위치추정(Localization), 지역 경로 계획(Local Planning), 장애물 회피(Obstacle Avoidance), 궤적 추종(Trajectory Tracking), 안전 모니터링(Safety Monitoring)을 수행한다. 이러한 분리는 개별 로봇이 주변 상황에 신속하게 대응하면서도 창고 전체의 교통 흐름을 일관되게 조정할 수 있도록 한다.

창고 지도(Warehouse Map)는 일반적으로 하나의 점유 격자(Occupancy Grid)가 아니라 상호 보완적인 여러 계층으로 표현된다. 메트릭 지도(Metric Map)는 위치추정과 지역 충돌 검사에 사용되고, 위상 또는 그래프 표현(Topological or Graph Representation)은 통로, 교차로, 스테이션 및 허용된 교통 연결 관계를 기술한다. 의미론적 속성(Semantic Attribute)을 이용하면 일방통행 차선, 제한 구역, 대기 위치, 충전 구역, 속도 제한 영역 및 특수한 내비게이션 동작이 필요한 위치를 정의할 수 있다.

전역 경로 계획(Global Route Planning)은 기하학적 거리뿐 아니라 혼잡도(Congestion)까지 고려해야 한다. 창고에서 최단 경로가 존재하더라도 많은 로봇이 동시에 동일한 통로나 교차로를 선택하면 전체 효율은 오히려 감소할 수 있다. 따라서 그래프의 간선 비용(Edge Cost)에 예상 교통 밀도, 예약 상태, 이동 시간, 대기열 길이 및 작업 우선순위를 반영할 수 있다. 동적인 비용 조정(Dynamic Cost Adjustment)은 로봇을 대체 경로로 분산하여 수요가 높은 영역에 과도하게 집중되는 현상을 줄인다.

다중 로봇 조정(Multi-Robot Coordination)은 경로 계획에 시간 차원(Temporal Dimension)을 추가한다. 기하학적으로 충돌하지 않는 두 경로라도 로봇들이 같은 시간에 같은 위치를 점유하려 하면 충돌할 수 있다. 시공간 계획(Space-Time Planning), 우선순위 기반 계획(Priority-Based Planning), 예약 방식(Reservation Method), 충돌 기반 탐색(Conflict-Based Search, CBS)은 이러한 상호작용을 명시적으로 표현한다. 실제 생산 시스템에서는 전역 교통 규칙(Global Traffic Rules)과 국부적 충돌 해결(Local Conflict Resolution)을 결합하여 계산 복잡도를 제어하는 경우가 많다.

교차로(Intersection)는 소수의 교차 지점만으로도 전체 창고의 처리량(Throughput)이 결정될 수 있기 때문에 특히 중요하다. 로봇은 교차로에 진입하기 전에 해당 영역을 예약하거나 플릿 관리자로부터 통과 우선순위를 부여받거나 사전에 정의된 대기 지점(Holding Point)에서 기다릴 수 있다. 예약은 교차로 내부에서 로봇이 정지하여 다른 로봇을 차단하지 않도록 충분한 공간과 시간을 포함해야 하지만, 지나치게 긴 점유 시간으로 전체 교통 용량을 감소시키지 않도록 설계해야 한다.

교착상태(Deadlock)는 여러 로봇이 서로의 진행을 차단할 때 발생한다. 대표적인 사례에는 좁은 통로에서 마주 보는 로봇, 순환적인 대기 의존관계(Circular Waiting Dependency), 스테이션이나 교차로 근처에서 정지한 로봇이 포함된다. 예방 메커니즘은 출구가 보장되지 않은 영역으로의 진입을 제한하고, 탐지 알고리즘은 대기 시간이나 의존성 그래프(Dependency Graph)를 분석한다. 복구 과정에서는 양보, 안전 웨이포인트(Safe Waypoint)까지의 후진, 우회 경로 설정 또는 일시적인 우선순위 변경을 사용할 수 있다.

지역 내비게이션(Local Navigation)은 중앙집중식 계획만으로 효율적으로 처리하기 어려운 돌발 상황을 담당한다. 작업자, 지게차, 팔레트, 카트 및 예상하지 못한 위치에 놓인 물체는 수초 내에 주행 가능 공간을 변경할 수 있다. 지역 비용지도(Local Costmap)와 지역 플래너(Local Planner)는 장애물 정보를 지속적으로 갱신하고 속도 또는 궤적 명령을 수정한다. 그러나 지역 장애물 회피가 독립적으로 큰 경로 이탈을 발생시켜 플릿 수준의 교통 예약을 위반하거나 새로운 충돌을 만들어서는 안 된다.

내비게이션 파라미터(Navigation Parameter)는 AMR의 물리적 특성을 반영해야 한다. 로봇 외형(Footprint), 적재량에 따른 제동거리, 최대 속도, 가속도, 조향 제약조건, 위치추정 불확실성 및 센서 탐지 범위는 안전 여유 거리와 궤적 실행 가능성에 영향을 미친다. 고밀도 플릿에서는 공격적인 정지나 진동성 지역 계획(Oscillatory Local Planning)이 동일한 교통 통로를 따라 이동하는 후속 로봇에 지연을 전파할 수 있으므로 속도 평활화(Velocity Smoothing)와 가속도 제한(Acceleration Limiting)이 특히 중요하다.

창고 내비게이션은 운영 자원(Operational Resource)에 대한 명시적인 처리도 요구한다. 적재 스테이션, 컨베이어 인터페이스, 자동문, 엘리베이터, 충전기 및 도킹 지점은 일반적인 목적지가 아니라 용량이 제한된 자원(Capacity-Constrained Resource)으로 동작한다. 일반적으로 로봇은 해당 자원의 사용이 가능하거나 예약된 경우에만 접근해야 한다. 내비게이션과 자원 스케줄링(Resource Scheduling)을 조정하면 로봇들이 다른 교통을 방해하는 위치에서 물리적으로 대기열을 형성하는 현상을 방지할 수 있다.

따라서 임무 스케줄링(Mission Scheduling)과 내비게이션은 밀접하게 상호작용한다. 모든 작업에 가장 가까운 로봇을 할당한다고 해서 반드시 플릿 전체의 생산성이 극대화되는 것은 아니다. 이러한 방식은 이미 혼잡한 영역으로 로봇을 반복적으로 유도할 수 있기 때문이다. 보다 효과적인 할당은 예상 이동 시간, 교통 상황, 배터리 상태, 적재 능력, 스테이션 대기열 및 향후 작업 수요를 고려한다. 이에 따라 내비게이션은 로봇 이동과 창고 작업 흐름을 함께 다루는 더 큰 최적화 문제(Optimization Problem)의 일부가 된다.

실용적인 고밀도 플릿 시스템(Dense Fleet System)은 통신이 지연되거나 일시적으로 단절되는 상황에서도 점진적으로 안전 상태로 전환할 수 있어야 한다. 로봇에는 지속적인 플릿 서버 명령 없이도 안전하게 정지하고, 지역 장애물 회피를 유지하며, 제어 가능한 상태에 도달할 수 있는 충분한 온보드 자율성(Onboard Autonomy)이 필요하다. 동시에 오래된 예약(Stale Reservation)을 탐지하여 통신이 끊긴 로봇이 가상 교통 자원을 영구적으로 점유하지 않도록 해야 한다.

위치추정 신뢰성(Localization Reliability)은 과도한 불확실성이 더 큰 안전 여유 공간을 요구하기 때문에 플릿 효율에 직접적인 영향을 미친다. 반복적인 랙과 시각적으로 유사한 통로가 많은 창고에서는 지각 모호성(Perceptual Ambiguity)이 발생할 수 있으며, 재고 배치의 일시적인 변화도 센서 관측값을 변경할 수 있다. 따라서 강건한 위치추정(Robust Localization)은 적절한 센서 구성과 지도 관리 및 신뢰도 모니터링을 결합해야 한다. 위치추정 품질이 기준값 이하로 떨어지면 불확실한 위치에서 계속 주행하는 대신 속도를 낮추거나 정지해야 한다.

복구 동작(Recovery Behavior) 역시 독립된 단일 로봇이 아니라 플릿 운영을 기준으로 설계되어야 한다. 반복적인 회전, 후진 또는 재계획은 실험실 환경에서는 허용될 수 있지만 혼잡한 통로에서는 전체 교통을 방해할 수 있다. 실제 운영 환경의 복구 시스템은 장애가 지역적 문제인지, 경로 문제인지, 자원 문제인지 또는 플릿 수준의 문제인지 판단하고 이에 적절한 동작을 선택해야 한다. 지역 복구(Local Recovery)에서 플릿 재경로 설정(Fleet Rerouting)으로 단계적으로 전환하면 개별 로봇의 장애가 시스템 전체의 혼잡으로 확대되는 것을 방지할 수 있다.

성능 평가(Performance Evaluation)는 단순한 내비게이션 성공률만 측정해서는 안 된다. 중요한 플릿 수준 지표에는 임무 처리량, 평균 이동 시간, 대기 시간, 교차로 이용률, 혼잡 지속시간, 교착상태 발생 빈도, 재계획 빈도, 최소 로봇 간 거리, 비상정지 발생 횟수 및 완료된 임무당 에너지 소비량 등이 포함된다. 이러한 지표를 함께 평가해야 내비게이션의 안전성과 효율성뿐 아니라 플릿 규모 확장에 따른 시스템 수준의 영향을 분석할 수 있다.

대규모 플릿을 실제 배치하기 전에는 시뮬레이션(Simulation)이 특히 중요하다. 혼잡 효과는 소수의 로봇만 사용하는 시험으로 정확히 추론하기 어렵기 때문이다. 디지털 창고 모델(Digital Warehouse Model)은 통로 형상, 교통 수요, 스테이션 용량, 로봇 동역학 및 일시적 장애물을 재현할 수 있다. 시뮬레이션에서 플릿 규모를 점진적으로 증가시키면 로봇을 추가해도 처리량이 더 이상 증가하지 않고 대기열, 충돌 및 과도한 대기 때문에 오히려 생산성이 감소하는 포화점(Saturation Point)을 확인할 수 있다.

성숙한 창고 시스템에서는 궁극적으로 각각의 AMR을 분산형 운송 시스템(Distributed Transportation System)에 참여하는 하나의 이동 주체로 취급한다. 신뢰성 높은 운영은 그래프 계획(Graph Planning), 지역 궤적 제어(Local Trajectory Control), 동적 장애물 회피(Dynamic Obstacle Avoidance), 다중 로봇 조정(Multi-Robot Coordination), 교통 규칙(Traffic Rules), 자원 스케줄링(Resource Scheduling), 복구 관리(Recovery Management)의 통합을 통해 구현된다. 따라서 이 산업 사례는 고밀도 플릿 창고 환경을 중심으로 다양한 내비게이션 기술을 하나의 실제 운영 시스템으로 통합하는 방법을 보여준다.

12.02. Outdoor AMR Campus Multi Zone Navigation Case

대규모 캠퍼스에서 운용되는 실외 자율이동로봇(Autonomous Mobile Robot, AMR)은 실내 창고 내비게이션(Navigation)과는 상당히 다른 문제에 직면한다. 운용 영역에는 도로, 보도, 건물, 주차 구역, 적재 구역, 보행자 공간, 경사로, 교차로 및 제한 구역 등이 포함될 수 있다. 따라서 로봇은 지속적으로 변화하는 실외 환경에서 안전한 운용을 유지하면서 전역 경로 계획(Global Route Planning), 신뢰성 높은 위치추정(Localization), 지형 인지형 이동(Terrain-Aware Motion), 동적 장애물 회피(Dynamic Obstacle Avoidance), 그리고 구역별 내비게이션 정책(Zone-Specific Navigation Policy)을 결합해야 한다.

다중 구역 캠퍼스(Multi-Zone Campus)는 하나의 평면적인 내비게이션 지도(Navigation Map)가 아니라 계층적 지도(Hierarchical Map)로 표현하는 것이 적절하다. 전역 지리공간 계층(Global Geospatial Layer)은 절대 위치(Absolute Position)를 제공하고 건물, 도로, 출입구 및 주요 운영 영역을 연결한다. 지역 메트릭 지도(Local Metric Map)는 장애물 회피와 정밀 이동을 지원하며, 의미론적 정보(Semantic Information)는 보행자 구역, 차량 도로, 적재 영역, 제한 구역, 충전 스테이션 및 검사 지점을 식별한다. 이러한 계층적 표현을 통해 내비게이션 시스템은 대규모 지리적 일관성과 지역적인 기하학적 정확성을 동시에 유지할 수 있다.

위치추정(Localization)은 실외 AMR이 수백 미터 또는 수 킬로미터의 영역에서 운용될 수 있고 지역 SLAM만으로는 충분하지 않을 수 있기 때문에 특히 중요하다. GNSS 또는 RTK-GNSS는 절대적인 지리적 기준을 제공하고, LiDAR, 카메라, IMU, 휠 오도메트리(Wheel Odometry) 및 지역 지도가 상대적인 이동 정보를 제공할 수 있다. 센서 융합(Sensor Fusion)은 건물, 나무, 지붕이 있는 영역 또는 기타 구조물 주변에서 위성 신호 가시성이 저하될 때에도 위치추정의 연속성을 유지할 수 있다. 또한 내비게이션 시스템은 위치추정 신뢰도(Localization Confidence)를 지속적으로 모니터링하고 불확실성이 과도하게 증가하면 안전 운용 모드(Safe Operating Mode)로 전환해야 한다.

전역 경로 계획(Global Route Planning)은 단순히 기하학적 거리를 최소화하는 것이 아니라 서로 다른 캠퍼스 구역의 특성을 고려해야 한다. 특정 도로 구간은 보행자 경로보다 빠른 이동을 제공할 수 있으며, 제한 구역은 완전히 통행할 수 없을 수도 있다. 경로 비용(Route Cost)에는 거리, 예상 이동 시간, 지형 난이도, 교통 상황, 도로 접근 가능성, 운영 우선순위 및 구역 제한 조건을 반영할 수 있다. 이렇게 생성된 경로는 두 개의 지리적 좌표 사이의 수학적으로 최단인 경로가 아니라 실제 운용이 가능한 이동 통로(Operational Corridor)를 나타내야 한다.

캠퍼스의 교차로(Intersection)와 구역 경계(Zone Boundary)는 실외 AMR이 차량, 보행자, 자전거 및 다른 로봇과 공간을 공유할 수 있기 때문에 명시적인 교통 정책(Traffic Policy)을 필요로 한다. 우선순위 규칙(Priority Rule)은 로봇이 정지할지, 양보할지, 통과할지 또는 우회할지를 결정할 수 있다. 좁은 통로, 출입구, 적재 영역 및 기타 용량이 제한된 위치에서는 일시적인 예약(Temporary Reservation)이 유용할 수 있다. 이러한 메커니즘은 다중 로봇 조정(Multi-Robot Coordination)을 창고식 통로 관리에서 이기종 실외 운송 환경(Heterogeneous Outdoor Transportation Environment)으로 확장한다.

실외 동적 장애물 회피(Dynamic Obstacle Avoidance)는 일반적인 실내 창고보다 훨씬 다양한 종류의 객체와 움직임 패턴을 처리해야 한다. 보행자는 예측하기 어려운 방식으로 움직일 수 있고, 차량은 상당히 높은 속도로 접근할 수 있으며, 공사 바리케이드나 주차된 장비와 같은 임시 객체가 기존 지도에 표현되지 않은 상태로 나타날 수 있다. 지역 인지(Local Perception)는 주행 가능한 공간을 지속적으로 갱신하고 관련 객체의 움직임을 예측해야 한다. 이후 지역 플래너(Local Planner)는 전역 경로와 차량별 이동 제약조건을 준수하면서 속도와 궤적을 수정한다.

날씨와 환경 조건은 실외 내비게이션에 추가적인 불확실성을 발생시킨다. 비, 눈, 안개, 강한 햇빛, 젖은 노면, 진흙, 먼지 및 계절적 변화는 인지(Perception), 위치추정(Localization), 접지력(Traction) 및 제동 성능(Braking Performance)에 영향을 줄 수 있다. 따라서 강건한 시스템(Robust System)은 환경 상태와 차량 상태를 모니터링하고 그에 따라 내비게이션 동작을 조정해야 한다. 추정된 운용 위험이 사전에 정의된 한계값을 초과하는 경우 속도 감소, 안전 여유 거리 증가, 대체 경로 또는 일시적인 임무 중단이 필요할 수 있다.

지형(Terrain)과 차량 동역학(Vehicle Dynamics) 역시 경로의 실행 가능성에 포함되어야 한다. 경사, 불균일한 포장, 연석, 배수 구조물, 거친 노면 및 일시적인 지형 변화는 지도상으로는 유효한 경로를 특정 AMR이 실제로 주행하기 어렵게 만들 수 있다. 플래너는 최대 등판능력(Maximum Gradeability), 지상고(Ground Clearance), 회전 반경(Turning Radius), 적재량(Payload), 가속도(Acceleration), 제동 능력(Braking Capability) 및 노면 상태(Surface Condition)를 고려해야 한다. 특히 상당한 중량의 화물을 운반하는 실외 플랫폼에서는 차량 질량과 지형에 따라 제동거리와 접지력이 크게 달라질 수 있으므로 이러한 요소가 더욱 중요하다.

다중 구역 캠퍼스에서는 하나의 임무(Mission) 안에 서로 다른 운영 목적이 포함될 수 있다. AMR은 창고에서 제조 건물로 이동하고, 검사를 수행한 후 충전 스테이션을 방문하고, 다시 다른 운영 구역으로 이동할 수 있다. 따라서 내비게이션은 모든 목적지를 독립적인 목표로 처리하는 것이 아니라 임무 순서 결정(Mission Sequencing)과 통합되어야 한다. 웨이포인트(Waypoint), 의미론적 위치(Semantic Location), 구역 전환(Zone Transition), 작업 우선순위(Task Priority), 배터리 제약조건(Battery Constraint) 및 예상 서비스 시간(Expected Service Duration)을 결합하여 임무 수준의 경로와 실행 계획을 구성할 수 있다.

통신 가용성(Communication Availability) 역시 실외 캠퍼스 운용에서 중요한 고려사항이다. 일부 구역에서는 Wi-Fi가 통신 범위를 제공할 수 있지만 다른 구역에서는 사설 네트워크(Private Network), LTE 또는 5G가 필요할 수 있다. 일시적인 통신 손실(Communication Loss)이 발생했다고 해서 자율 운용이 즉시 종료되어서는 안 된다. 로봇은 지역 안전 기능(Local Safety Function)을 계속 수행하고, 통제된 상태 전환(Controlled Transition)을 수행하거나, 사전에 정의된 안전 위치(Safe Location)로 복귀할 수 있을 정도의 온보드 정보를 보유해야 한다. 플릿 수준(Fleet Level)에서도 원격 조정이 일시적으로 불안정해질 경우 통신 상태가 작업 할당(Task Assignment)과 경로 선택(Route Selection)에 영향을 미쳐야 한다.

운용 영역이 넓어질수록 충전과 에너지 관리(Energy Management)는 더욱 중요해진다. 충분한 에너지가 없는 상태에서 임무를 시작한 로봇은 먼 구역까지 도달한 뒤 복귀하거나 다음 작업을 완료하지 못할 수 있다. 따라서 임무 계획(Mission Planning)은 거리, 적재량, 지형, 경사, 속도 및 환경 조건을 기반으로 에너지 소비량을 추정해야 한다. 충전 스테이션은 운영 자원(Operational Resource)으로 모델링할 수 있으며, 이를 통해 플릿 관리자는 임무 우선순위와 충전 일정을 조정하고 잘못된 충전 계획으로 인해 불필요한 이동이 발생하는 것을 방지할 수 있다.

성능 평가(Performance Evaluation)는 내비게이션 품질과 운영 생산성(Operational Productivity)을 모두 측정해야 한다. 관련 지표에는 임무 완료율(Mission Completion Rate), 위치추정 신뢰성, 경로 효율성(Route Efficiency), 이동 시간, 대기 시간, 장애물 회피 이벤트, 비상정지(Emergency Stop), 통신 중단, 임무당 에너지 소비량 및 구역 간 전환 성공률이 포함된다. 시험은 정상적인 교통 상황뿐만 아니라 GNSS 성능 저하, 통신 손실, 임시 장애물, 악천후 조건 및 예상하지 못한 경로 차단 상황까지 포함해야 한다. 이러한 평가는 이 볼륨에서 다룬 기본 내비게이션 방법을 실제 실외 AMR 구축 요구사항과 연결한다.

성숙한 실외 캠퍼스 내비게이션 시스템은 궁극적으로 계층적 자율 운송 아키텍처(Hierarchical Autonomous Transportation Architecture)로 동작한다. 전역 지리공간 계획(Global Geospatial Planning)은 장거리 경로를 결정하고, 구역 인지형 계획(Zone-Aware Planning)은 운영상의 제한조건을 관리하며, 지역 내비게이션(Local Navigation)은 즉각적인 환경 변화를 처리하고, 차량 제어기(Vehicle Controller)는 물리적으로 실행 가능한 움직임을 수행한다. 여기에 다중 로봇 조정, 의미론적 지도(Semantic Map), 센서 융합, 에너지 관리, 안전 모니터링(Safety Monitoring) 및 복구 동작(Recovery Behavior)이 결합된다. 핵심적인 엔지니어링 목표는 단순히 AMR이 목적지에 도달하도록 만드는 것이 아니라, 로봇이 서로 다른 캠퍼스 구역을 지속적으로 이동하는 동안 예측 가능하고 안전하며 효율적인 자율 운용을 유지하는 것이다.

12.03. Mobile Manipulator Nav to Grasp Integration Case

이동형 매니퓰레이터(Mobile Manipulator)는 자율주행 내비게이션(Autonomous Navigation)과 로봇 조작(Robotic Manipulation)을 결합하여, 어디로 이동할 것인지와 어떻게 대상 물체와 상호작용할 것인지를 동시에 해결해야 하는 시스템이다. 일반적인 자율이동로봇(Autonomous Mobile Robot, AMR)과 달리 이동형 매니퓰레이터에서는 목표 위치에 도착했다고 해서 내비게이션이 완료되는 것이 아니다. 로봇은 충분한 여유 공간, 정확한 방향, 안정적인 위치추정(Localization), 그리고 매니퓰레이터가 작업할 수 있는 장애물 없는 공간을 확보한 조작 준비 자세(Manipulation-Ready Pose)로 도착해야 한다. 따라서 이 사례는 내비게이션, 인지(Perception), 파지 계획(Grasp Planning) 및 조작 실행(Manipulation Execution)을 하나의 시스템으로 연결한다.

전체 아키텍처는 전역 내비게이션(Global Navigation), 지역 모션 계획(Local Motion Planning), 객체 인지(Object Perception), 조작 계획(Manipulation Planning) 및 작업 실행(Task Execution)을 조정해야 한다. 하나의 임무는 선반, 작업대, 빈(Bin) 또는 기계와 같은 의미론적 목표(Semantic Target)에서 시작할 수 있다. 내비게이션 시스템은 이러한 목표를 접근 영역(Approach Region)으로 변환하고, 조작 시스템은 필요한 엔드 이펙터 자세(End-Effector Pose)를 결정한다. 두 플래너는 지속적으로 제약조건을 교환해야 하는데, 최적의 내비게이션 자세는 이동 베이스(Base)뿐만 아니라 매니퓰레이터의 도달 가능한 작업공간에 의해서도 결정되기 때문이다.

의미론적 지도(Semantic Map)는 내비게이션-파지(Navigation-to-Grasp) 작업에 필요한 상위 수준의 구조를 제공할 수 있다. 자유 공간과 점유 공간만 표현하는 대신, 지도는 선반, 테이블, 컨테이너, 작업장, 도킹 영역 및 조작 대상(Manipulation Target)을 식별할 수 있다. 이후 객체 수준 인지(Object-Level Perception)는 카메라, 깊이 센서 또는 LiDAR 정보를 이용하여 대상 위치를 정밀하게 보정한다. 이렇게 생성된 표현은 의미론적 위치(Semantic Location)와 기하학적 자세(Geometric Pose)를 연결하여, "작업대에서 물체를 집어라"와 같은 작업 설명을 실제로 실행 가능한 접근 및 파지 순서로 변환할 수 있도록 한다.

내비게이션은 임의의 웨이포인트(Waypoint)가 아니라 조작 준비가 완료된 자세에서 종료되어야 한다. 플래너는 매니퓰레이터의 도달 가능성(Reachability), 관절 한계(Joint Limits), 충돌 형상(Collision Geometry), 엔드 이펙터 방향, 객체 접근 가능성 및 필요한 접근 방향을 고려해야 한다. 대상 주변에서 여러 개의 후보 베이스 자세(Candidate Base Pose)를 생성하고, 도달 가능성, 충돌 여유 거리(Collision Margin), 위치추정 신뢰도 및 예상 조작 품질을 기준으로 평가할 수 있다. 이는 베이스 위치 결정과 조작을 완전히 독립된 두 문제로 처리하는 것이 아니라 결합된 계획 문제(Coupled Planning Problem)로 만든다.

내비게이션에서 조작으로 전환하려면 스캔 준비(Scan-Ready) 또는 파지 준비(Grasp-Ready) 검증 과정이 필요하다. 정지하기 전에 로봇은 대상이 시야에 들어오는지, 추정된 객체 자세가 충분히 정확한지, 베이스가 안정적인지, 그리고 매니퓰레이터의 접근 경로가 장애물 없이 확보되었는지를 확인해야 한다. 이러한 조건이 충족되지 않으면 조작을 즉시 시작하는 대신 내비게이션 플래너가 지역 위치 재조정(Local Repositioning)을 수행할 수 있다. 이러한 폐루프 전환(Closed-Loop Transition)은 기하학적으로는 내비게이션이 성공했지만 매니퓰레이터가 의도한 물체에 안전하게 도달하지 못하는 일반적인 실패를 방지한다.

인지와 위치추정은 조작 접근 과정에서도 계속 활성화되어야 한다. 객체가 지도에 기록된 위치에서 이동했거나, 일부가 가려져 있거나, 임시 장애물로 둘러싸여 있을 수 있기 때문이다. 로봇에 장착된 카메라 또는 깊이 센서는 베이스가 조작 영역에 접근하면서 객체 자세 추정(Object Pose Estimation)을 정밀하게 보정할 수 있다. 센서 융합(Sensor Fusion)은 전역 위치추정과 지역적인 시각 또는 기하학 정보를 결합하여, 이동 베이스, 매니퓰레이터, 대상 객체 및 주변 작업공간 사이의 일관된 관계를 유지하도록 한다.

충돌 회피(Collision Avoidance)는 AMR의 차체만이 아니라 로봇 전체를 고려해야 한다. 내비게이션 중에는 플래너가 주로 이동 베이스를 보호하지만, 조작 단계에서는 팔, 손목, 엔드 이펙터 및 운반 중인 물체가 기존의 자유 공간까지 확장될 수 있다. 따라서 계획 시스템은 통합된 충돌 모델(Combined Collision Model)을 필요로 하며, 매니퓰레이터의 변화하는 구성(Configuration)을 고려해야 한다. 베이스 자체에 충분한 여유 공간이 있더라도 팔의 도달 가능한 움직임으로 인해 충돌이 발생할 수 있으므로, 안전한 운용을 위해서는 베이스가 장애물에서 더 멀리 정지해야 할 수도 있다.

계획 파이프라인(Planning Pipeline)은 전역 내비게이션이 조작 영역까지의 경로를 제공하고, 지역 계획(Local Planning)이 실행 가능한 접근 궤적을 생성하며, 조작 계획이 팔과 그리퍼의 움직임을 생성하는 계층적 순서로 구성할 수 있다. 그러나 이러한 단계들을 완전히 독립적으로 분리해서는 안 된다. 현재 접근 방향에서 실행 가능한 파지가 존재하지 않는다면 조작 플래너가 새로운 베이스 자세 또는 대체 접근 방향을 요청할 수 있어야 한다. 반대로 원하는 베이스 자세가 장애물에 의해 차단되어 있다면 내비게이션 시스템은 다른 조작 호환 자세(Manipulation-Compatible Pose)를 탐색해야 한다.

실행은 고정된 명령 순서로 처리하기보다 폐루프 프로세스(Closed-Loop Process)로 모니터링해야 한다. 접근 자세에 도착한 후 로봇은 대상을 다시 관찰하고, 객체 추정값을 갱신하며, 파지 가능성을 검증하고, 팔 궤적을 실행할 수 있다. 파지 과정에서는 힘 센서(Force Sensor), 촉각 센서(Tactile Sensor), 시각 정보 또는 관절 상태(Joint State) 피드백을 이용하여 객체를 성공적으로 획득했는지를 판단할 수 있다. 파지가 실패하면 시스템은 재시도, 위치 재조정 또는 새로운 계획을 요청하기 전에 인지 오류, 도달성 실패, 충돌 위험, 객체 이동 및 그리퍼 고장 중 어떤 원인인지 구분해야 한다.

파지한 이후에도 동일한 통합 원칙이 적용된다. 객체를 집은 후에는 로봇의 형상, 질량 분포 및 조작 제약조건이 변경될 수 있다. 운반 중인 객체는 실질적인 로봇 외형(Effective Footprint)을 증가시키거나 장애물 주변에서 허용되는 움직임을 제한할 수 있다. 따라서 내비게이션 시스템은 이동 제약조건을 갱신하고 적재된 상태에 적합한 경로를 선택해야 한다. 목적지에서는 이 과정이 역으로 수행된다. 내비게이션은 배치 준비 자세(Placement-Ready Pose)를 제공하고, 조작 계획은 물체를 놓는 동작을 생성하며, 인지 시스템은 물체가 정확하게 배치되었는지를 검증한다.

생산 시스템에서는 내비게이션과 조작 사이에 명확한 인터페이스(Interface)를 정의해야 한다. 내비게이션은 후보 베이스 자세, 접근 방향, 경로 실행 가능성, 여유 거리 및 위치추정 신뢰도를 제공하고, 조작 시스템은 도달 가능성, 필요한 베이스 자세 제약조건, 충돌 요구사항 및 파지 상태를 반환해야 한다. 이러한 인터페이스를 통해 두 하위 시스템은 모듈성을 유지하면서도 협조적인 계획(Coordinated Planning)을 수행할 수 있다. 행동 트리(Behavior Tree) 또는 임무 수준 실행기(Mission-Level Executive)는 내비게이션, 인지, 접근 검증, 파지, 검증, 복구 및 완료 단계 사이의 전환을 감독할 수 있다.

성능 평가는 내비게이션이나 파지를 독립적으로 측정하기보다 전체 작업을 대상으로 수행해야 한다. 유용한 지표에는 내비게이션-파지 성공률(Navigation-to-Grasp Success Rate), 접근 자세 정확도(Approach Pose Accuracy), 파지 성공률(Grasp Success Rate), 작업 완료 시간(Task Completion Time), 재계획 빈도(Replanning Frequency), 충돌 이벤트(Collision Event), 복구 빈도(Recovery Frequency) 및 배치 정확도(Placement Accuracy)가 포함된다. 시험은 다양한 객체 위치, 가림 조건(Occlusion Condition), 접근 방향, 장애물 구성 및 위치추정 불확실성을 포함해야 한다. 따라서 이 산업 사례는 내비게이션을 단순한 지점 간 이동에서 확장하여, 로봇이 실제 작업 수행을 위해 도착하고, 인지하고, 조작하고, 검증한 후 임무를 계속 수행하는 통합 작업 실행(Integrated Task Execution)으로 발전시킨다.

12.04. Quadruped Multi Floor Building Inspection Case

다층 건물 검사(Multi-Floor Building Inspection)를 수행하는 사족보행 로봇(Quadruped Robot)은 이동, 내비게이션(Navigation), 인지(Perception), 위치추정(Localization) 및 검사 작업 실행(Inspection-Task Execution)을 하나의 운영 프레임워크 안에서 결합해야 한다. 바퀴형 자율이동로봇(AMR)과 달리 사족보행 로봇은 계단, 불균일한 바닥, 단차 및 경사로와 같은 다양한 지형 전환을 통과할 수 있지만, 내비게이션에서는 차체 안정성과 발 디딤점(Foothold)의 실행 가능성을 함께 고려해야 한다. 따라서 다층 건물에서의 임무는 단순히 두 지점 사이의 경로를 찾는 것을 넘어 위치추정, 지형 평가, 층간 전환, 검사 수행 및 복구를 통합적으로 처리하는 과정이 된다.

건물 환경은 기하학적 정보와 의미론적 정보(Semantic Information)를 모두 표현하는 여러 지도 계층(Map Layer)을 이용하여 구성해야 한다. 전역 건물 지도(Global Building Map)는 층, 방, 복도, 계단, 엘리베이터, 검사 지점, 제한 구역 및 비상 위치를 식별할 수 있으며, 지역 고도 또는 지형 지도(Local Elevation or Terrain Map)는 사족보행 로봇이 실제로 마주하는 상세한 지표면 상태를 표현한다. 이러한 표현을 결합하면 내비게이션 시스템은 로봇이 어디로 이동해야 하는지뿐만 아니라 선택한 경로가 사족보행 이동에 물리적으로 적합한지도 판단할 수 있다.

검사 임무가 여러 층에 걸쳐 수행될 경우 위치추정(Localization)은 특히 중요하다. 로봇은 LiDAR, 카메라, IMU, 관절 상태(Joint-State) 정보 및 다리 오도메트리(Leg Odometry)를 결합하여 자신의 위치와 자세를 추정할 수 있다. 실내 복도, 계단실 및 지하 시설과 같이 GNSS를 사용할 수 없는 영역에서는 지역 SLAM과 다중 센서 융합(Multi-Sensor Fusion)이 중요해진다. 내비게이션 시스템은 임무 전체에서 위치추정 신뢰도(Localization Confidence)를 유지하고, 누적 오차(Drift) 또는 모호한 관측으로 인해 추가적인 위치추정 동작이 필요한 상황을 인식해야 한다.

층간 전환(Floor Transition)은 로봇이 서로 다른 높이의 층 사이를 이동해야 하기 때문에 특별한 계획 문제를 발생시킨다. 계단, 경사로, 엘리베이터 및 기타 수직 연결 구조는 일반적인 웨이포인트가 아니라 주행 가능한 전환 요소(Navigable Transition)로 표현해야 한다. 계단 통과에는 적절한 발 디딤점 선택, 차체 자세, 균형 제어 및 속도 조절이 필요하며, 엘리베이터 이용에는 문, 엘리베이터 조작부 및 층 선택과의 상호작용이 추가된다. 따라서 내비게이션 아키텍처는 건물 수준 경로 계획과 특수한 층간 전환 행동을 함께 조정해야 한다.

지형 인지(Terrain Perception)는 안전한 사족보행 내비게이션에 필요한 정보를 제공한다. 고도 지도(Elevation Map), 깊이 관측(Depth Observation), LiDAR 측정값 및 시각 정보(Visual Information)를 이용하여 표면 높이, 경사, 불연속면, 단차, 틈 및 잠재적으로 불안정한 영역을 추정할 수 있다. 로봇은 지형을 주행 가능성(Traversability)에 따라 분류하고 충분한 안정성을 제공하는 경로를 선택할 수 있다. 실제 관측된 지형이 건물 지도와 다를 경우 지역 플래너(Local Planner)는 사전에 계산된 경로를 무조건 따라가기보다 주행 가능성 표현을 갱신해야 한다.

계단이나 불균일한 표면 또는 단순한 2차원 점유 공간으로 처리할 수 없는 장애물을 만날 때는 발 디딤점 계획(Footstep Planning)이 핵심 요소가 된다. 각각의 발 디딤점은 충분한 지지력을 제공하면서 전체 차체의 균형을 유지하고 다리 관절의 실행 가능한 순서를 보장해야 한다. 플래너는 도달 가능한 발 디딤점 위치, 충돌 제약조건, 차체 방향, 단차 높이, 지형 경사 및 다리 움직임의 타이밍을 고려해야 한다. 이에 따라 상위 수준 내비게이션과 하위 수준 이동 계획(Locomotion Planning)이 직접 연결된다.

검사 임무에서는 내비게이션을 센싱 활동(Sensing Activity)과 동기화하는 것도 필요하다. 사전에 정의된 검사 지점(Inspection Point)에서 사족보행 로봇은 정지하고, 차체를 안정화하며, 카메라 또는 다른 센서의 방향을 조정하고, 필요한 측정값을 획득한 후 계속 이동해야 할 수 있다. 따라서 원하는 검사 자세(Inspection Pose)는 최단 경로상의 일반적인 정지 위치와 다를 수 있다. 임무 플래너는 검사 위치를 내비게이션 요구사항과 센싱 요구사항을 모두 포함하는 작업 인지형 웨이포인트(Task-Aware Waypoint)로 취급하여 로봇이 신뢰성 높은 데이터 획득에 적합한 구성으로 도착하도록 해야 한다.

건물 내부에서는 임무 수행 중 동적 장애물(Dynamic Obstacle)을 지속적으로 처리해야 한다. 작업자, 유지보수 인력, 카트, 임시 장비, 열린 문 및 다른 로봇은 사용 가능한 내비게이션 공간을 변경할 수 있다. 지역 플래너는 이러한 변화를 탐지하고 사족보행 이동의 안정성 요구사항을 유지하면서 충돌 없는 움직임을 생성해야 한다. 좁은 복도나 계단에서는 안전한 통과에 필요한 대체 공간이 충분하지 않을 수 있으므로 즉시 우회하기보다 대기하는 것이 더 적절할 수 있다.

검사 신뢰성(Inspection Reliability)은 올바른 위치에 도착하는 것뿐만 아니라 반복 가능한 센싱 조건을 유지하는 것에도 좌우된다. 카메라 방향, 센서 높이, 검사 대상과의 거리, 조명 및 로봇 자세는 수집되는 데이터의 품질에 영향을 줄 수 있다. 따라서 시스템은 검사 대상과 선호되는 관측 시점(Viewpoint) 또는 센싱 자세(Sensing Pose)를 연결해야 한다. 필요한 관측 시점을 안전하게 확보할 수 없는 경우 로봇은 부적절한 구성에서 낮은 품질의 데이터를 수집하기보다 위치를 재조정하거나 대체 관측 자세를 선택해야 한다.

다층 검사 임무는 하나의 중단 없는 궤적으로 처리하기보다 내비게이션과 작업 상태(Task State)의 연속으로 관리해야 한다. 일반적인 임무는 복도를 따라 이동하고, 검사 지점에 도착하고, 사족보행 로봇을 안정화하고, 센서 데이터를 수집한 후 계단이나 엘리베이터로 이동하고, 다른 층으로 전환하고, 위치추정을 검증한 다음 검사 경로를 계속 진행하는 방식으로 구성될 수 있다. 이러한 접근 방식은 각 단계에서 발생한 실패를 탐지하고 복구할 수 있도록 하며, 개별 단계의 실패가 전체 임무의 즉각적인 종료로 이어지는 것을 방지한다.

복구 행동(Recovery Behavior)은 사족보행 검사에서 특히 중요하다. 초기 계획 과정에서 표현되지 않았던 지형이나 조건을 로봇이 만날 수 있기 때문이다. 발 디딤점이 안전하지 않게 변하거나, 위치추정 신뢰도가 감소하거나, 계단이 차단되거나, 검사 위치에 도달할 수 없는 경우 로봇은 적절한 복구 상태(Recovery State)로 진입해야 한다. 가능한 대응에는 정지, 지역 재계획, 다른 발 디딤점 순서 선택, 안전 위치로 복귀, 검사 관측 시점 변경 또는 자율 복구만으로 충분하지 않은 경우 작업자 개입 요청 등이 포함된다.

성능 평가는 내비게이션과 검사 결과를 모두 고려해야 한다. 중요한 지표에는 층간 전환 성공률, 위치추정 안정성, 지형 통과 성공률, 발 디딤점 계획 신뢰성, 검사 지점 도착 정확도, 센싱 성공률, 임무 완료 시간, 복구 빈도 및 충돌 또는 안전 이벤트가 포함된다. 시험은 일반적인 복도, 계단, 엘리베이터, 불균일한 지형, 동적 장애물, 위치추정 성능 저하 및 차단된 경로를 포함해야 한다. 이를 통해 앞서 개발된 사족보행 로봇 내비게이션 방법을 실제 다층 건물 검사 시나리오와 연결할 수 있다.

성숙한 다층 사족보행 검사 시스템은 궁극적으로 건물 수준 경로 계획(Building-Level Route Planning), 지형 인지형 내비게이션(Terrain-Aware Navigation), 발 디딤점 계획, 특수한 층간 전환 행동, 검사 인지형 위치 결정(Inspection-Aware Positioning) 및 지속적인 복구 기능을 결합한다. 전역 계획(Global Planning)은 검사 순서와 층간 전환을 결정하고, 지역 내비게이션과 이동 계획은 실제 물리적 환경에 대응한다. 인지와 위치추정은 건물에 대한 로봇의 이해를 지속적으로 갱신하며, 검사 실행(Inspection Execution)은 각각의 필수 관측이 성공적으로 완료되었는지를 판단한다. 결과적으로 이러한 아키텍처는 사족보행 로봇을 단순한 이동 플랫폼이 아니라 이동 안전성과 임무 목표를 동시에 유지하면서 복잡한 다층 환경을 자율적으로 탐색할 수 있는 자율 검사 시스템(Autonomous Inspection System)으로 발전시킨다.

12.05. Humanoid Office Navigation Task Execution Case

사무실에서 운용되는 휴머노이드 로봇(Humanoid Robot)은 인간을 중심으로 설계된 환경에서 내비게이션(Navigation)과 작업 실행(Task Execution)을 통합해야 한다. 일반적인 바퀴형 로봇과 달리 휴머노이드는 문, 계단, 엘리베이터, 책상, 선반 및 기타 인간 중심 시설을 사용할 수 있지만, 이러한 유연성은 추가적인 계획 요구사항을 발생시킨다. 로봇은 복도, 방, 공유 업무공간 및 기타 사무실 영역을 안전하게 이동하면서 자신의 위치, 자세, 도달 가능한 객체, 사람의 이동 및 작업 상황을 함께 판단해야 한다.

사무실 내비게이션(Office Navigation)은 기하학적 지도(Geometric Map)와 의미론적 정보(Semantic Information)를 결합하는 계층적 표현(Hierarchical Representation)을 사용해야 한다. 전역 지도(Global Map)는 층, 방, 복도, 문, 엘리베이터, 계단, 회의 공간, 작업 공간 및 제한 구역을 표현할 수 있으며, 지역 지도(Local Map)는 로봇 주변의 장애물과 자유 공간을 표현한다. 의미론적 라벨(Semantic Label)을 이용하면 작업 지시를 직접적인 기하학적 좌표로 지정하는 대신 "회의실로 이동하라", "책상에 문서를 전달하라", "프린터를 검사하라"와 같이 의미 있는 위치를 기준으로 표현할 수 있다.

휴머노이드가 시각적으로 유사한 사무실 영역 사이를 이동할 때에도 위치추정(Localization)은 안정적으로 유지되어야 한다. 로봇은 LiDAR, 카메라, IMU, 관절 상태(Joint-State) 정보 및 시각적 랜드마크(Visual Landmark)를 결합하여 자신의 위치와 방향을 추정할 수 있다. 사무실 환경에는 반복적인 복도, 이동 가능한 가구, 유리 표면, 임시 칸막이 및 변화하는 조명 조건이 존재할 수 있으며, 이러한 요소는 인지(Perception)에 영향을 줄 수 있다. 따라서 지속적인 위치추정 신뢰도(Localization Confidence) 모니터링이 중요하며, 특히 로봇이 상호작용 작업을 시작하거나 엘리베이터, 출입구 또는 좁은 통로와 같은 제약된 영역에 진입하기 전에 더욱 중요하다.

휴머노이드 내비게이션은 로봇을 단순한 고정 외형(Fixed Footprint)으로 취급하는 대신 신체 구성(Body Configuration)을 고려해야 한다. 로봇은 보행, 팔 뻗기, 몸 굽히기, 문 열기 또는 물체 운반 과정에서 자세를 변경할 수 있다. 따라서 유효 충돌 형상(Effective Collision Geometry)은 현재의 전신 구성(Whole-Body Configuration)에 따라 달라진다. 내비게이션과 전신 모션 계획(Whole-Body Motion Planning)은 제약조건을 서로 교환해야 하며, 선택된 경로가 의도된 이동 과정에서 몸통, 팔, 다리 및 운반 물체에 충분한 여유 공간을 제공하도록 해야 한다.

작업 실행(Task Execution)은 단순히 목적지 좌표에 도달하는 것이 아니라 작업에 적합한 위치(Task-Compatible Position)로 이동하면서 시작된다. 예를 들어 책상에 물체를 전달하려면 로봇이 특정 방향에서 접근하고, 팔 움직임을 위한 충분한 공간을 확보하며, 적절한 높이와 거리에서 정지해야 할 수 있다. 마찬가지로 문, 엘리베이터 조작 패널, 프린터 또는 작업 공간과 상호작용하려면 도달 가능한 조작 자세(Reachable Manipulation Pose)가 필요하다. 따라서 내비게이션 플래너(Navigation Planner)는 이동성 요구사항과 작업 제약조건을 모두 만족하는 접근 위치(Approach Position)를 생성해야 한다.

사무실에서는 보행자가 복도, 출입구, 회의 공간 및 공유 업무공간을 점유할 수 있기 때문에 사람 인지형 내비게이션(Human-Aware Navigation)이 필수적이다. 로봇은 적절한 거리를 유지하고, 갑작스러운 움직임을 피하며, 사람이 이동 방향을 변경할 때 자신의 궤적을 조정해야 한다. 좁은 공간에서는 강제로 우회하기보다 기다리거나 양보하는 것이 더 적절할 수 있다. 내비게이션 정책(Navigation Policy)은 정적인 시설물과 일시적인 사람의 활동을 구분하면서도 사람들이 로봇의 의도된 움직임을 이해할 수 있도록 예측 가능한 행동을 유지해야 한다.

사무실 작업 실행은 내비게이션, 인지, 조작(Manipulation) 및 상위 수준 추론(High-Level Reasoning) 사이의 조정을 필요로 한다. 문서를 전달하는 작업은 내비게이션, 객체 확인, 접근, 전달, 확인 및 복귀 동작의 순서로 표현할 수 있다. 대상 책상이 점유되어 있거나 수령자가 없는 경우 로봇은 기존의 동작 순서를 단순히 계속 실행해서는 안 된다. 대신 작업 실행기(Task Executive)는 현재 상태를 갱신하고 대체 행동을 선택하거나 추가 정보를 요청하면서 안전한 내비게이션 상태를 유지할 수 있어야 한다.

문과 엘리베이터는 내비게이션과 환경 조작(Environmental Manipulation)을 결합해야 하기 때문에 중요한 상호작용 지점이다. 휴머노이드는 문이 열려 있는지 탐지하고, 적절한 접근 자세를 결정하고, 손잡이나 버튼을 조작하며, 통과가 성공적으로 이루어졌는지를 확인해야 할 수 있다. 엘리베이터 운용 역시 엘리베이터를 찾고, 필요한 층을 선택하고, 충돌 없이 진입하고, 안전한 위치를 유지하며, 도착을 확인하는 과정을 필요로 한다. 이러한 행동은 일반적인 내비게이션 웨이포인트(Navigation Waypoint)로 처리하기보다 구조화된 작업 행동(Structured Task Action)으로 표현해야 한다.

동적인 사무실 환경에서는 지속적인 재계획(Replanning)이 필요하다. 의자, 카트, 상자, 열린 문, 사람 및 임시 장비는 이미 계획된 경로 이후에도 사용 가능한 공간을 변경할 수 있다. 지역 내비게이션(Local Navigation)은 이러한 변화에 대응하면서 작업 플래너(Task Planner)가 전체 임무 목표를 유지하도록 해야 한다. 복도가 차단되면 시스템은 다른 경로를 선택하거나, 접근 가능해질 때까지 기다리거나, 작업 순서를 변경할 수 있다. 따라서 복구(Recovery)는 내비게이션 수준과 작업 수준 모두에서 수행되어야 한다.

성능 평가는 내비게이션만이 아니라 전체 내비게이션-작업 파이프라인(Navigation-to-Task Pipeline)의 성공 여부를 측정해야 한다. 관련 지표에는 목적지 도착 정확도, 작업 완료율, 인간 상호작용 성공률, 조작 성공률, 내비게이션 시간, 대기 시간, 재계획 빈도, 충돌 이벤트, 복구 빈도 및 문이나 엘리베이터의 성공적인 운용이 포함된다. 시험에는 정상적인 사무실 교통뿐만 아니라 차단된 복도, 변화하는 가구 배치, 불확실한 위치추정, 사용할 수 없는 작업 대상 및 예상하지 못한 사람과의 상호작용도 포함해야 한다.

성숙한 휴머노이드 사무실 시스템은 궁극적으로 의미론적 내비게이션(Semantic Navigation), 사람 인지형 모션 계획(Human-Aware Motion Planning), 전신 제약조건(Whole-Body Constraints), 조작 인지형 위치 결정(Manipulation-Aware Positioning), 작업 순서 계획(Task Sequencing), 환경 상호작용(Environmental Interaction) 및 복구 기능을 결합한다. 전역 계획(Global Planning)은 로봇이 어디로 이동해야 하는지를 결정하고, 지역 계획(Local Planning)은 안전한 움직임을 유지하며, 인지(Perception)는 환경 모델을 갱신하고, 작업 실행은 각 의미 있는 위치에서 무엇을 수행해야 하는지를 결정한다. 따라서 이 사례는 내비게이션을 단순한 지점 간 이동에서 확장하여, 휴머노이드가 사무실 환경을 이해하고 안전하게 이동하며 시설 및 사람과 상호작용하고 작업을 완료하고, 원래 계획과 조건이 달라졌을 때 적절하게 복구하는 통합 작업 실행(Integrated Task Execution)으로 발전시킨다. 이 사례는 내비게이션 볼륨(Navigation Volume)에서 정의된 산업 내비게이션 사례 연구(Industrial Navigation Case Study) 구조에 해당한다.

12.06. Cargo UAV Waypoint Navigation Obstacle Avoidance Case

자율적으로 운용되는 화물 무인항공기(Cargo Unmanned Aerial Vehicle, UAV)는 웨이포인트 내비게이션(Waypoint Navigation), 비행 궤적 계획(Flight Trajectory Planning), 장애물 회피(Obstacle Avoidance) 및 임무 실행(Mission Execution)을 하나의 내비게이션 아키텍처(Navigation Architecture) 안에서 결합해야 한다. 지상 로봇과 달리 화물 UAV는 3차원 환경에서 이동하므로 고도, 대기속도, 진행 방향, 상승률 및 하강률, 이용 가능한 비행 통로를 지속적으로 고려해야 한다. 따라서 내비게이션 문제는 단순히 지리적 지점의 순서를 선택하는 것을 넘어 변화하는 환경에서도 안전성을 유지하면서 동적으로 실행 가능한 궤적을 생성해야 하는 문제로 확장된다.

화물 UAV 임무는 실행 가능한 비행 구간으로 연결된 의미론적 웨이포인트(Semantic Waypoint)의 순서로 표현할 수 있다. 웨이포인트는 출발 위치, 적재 영역, 배송 목적지, 검사 지점, 중간 고도 변경 지점 또는 비상 우회 위치를 나타낼 수 있다. 각각의 웨이포인트에는 지리적 좌표, 목표 고도, 원하는 진행 방향, 속도 제약조건, 도착 조건 및 임무별 요구사항을 포함할 수 있다. 경로 플래너(Route Planner)는 이러한 제약조건을 이용하여 임무 경로를 구성하고, 환경이 변화할 경우 지역 재계획(Local Replanning)을 수행할 수 있도록 충분한 유연성을 유지한다.

전역 경로 계획(Global Route Planning)은 웨이포인트 사이의 최단 지리적 거리만 고려해서는 안 된다. 지형 고도, 제한 공역(Restricted Airspace), 비행 금지 구역(No-Fly Zone), 건물, 송전 시설, 예상 기상 조건, 통신 커버리지 및 임무 우선순위가 경로 선택에 영향을 줄 수 있다. 화물 임무에서는 탑재 화물의 질량과 에너지 소비도 중요하다. 지리적으로 실행 가능한 경로라도 배터리 잔량, 상승 요구량 또는 화물에 따른 비행 성능을 고려하면 실제 운용에 적합하지 않을 수 있기 때문이다.

내비게이션 시스템은 비행 환경을 계층적으로 표현해야 한다. 전역 지리공간 지도(Global Geospatial Map)는 지형, 공역, 기반시설 및 임무 구역 정보를 제공하고, 지역 3차원 표현(Local Three-Dimensional Representation)은 장애물 탐지와 즉각적인 궤적 조정을 지원한다. 의미론적 정보(Semantic Information)는 제한 영역, 배송 통로, 비상 착륙 위치, 충전 또는 급유 시설 및 기타 운영 자원을 식별할 수 있다. 이러한 분리를 통해 장거리 경로 계획의 계산 부담을 관리하면서도 지역 내비게이션(Local Navigation)은 새롭게 관측된 상황에 신속하게 대응할 수 있다.

장애물 회피는 원래 지도에 존재하지 않는 객체를 UAV가 만날 수 있기 때문에 핵심적인 요구사항이다. 건물, 크레인, 타워, 전력선, 다른 항공기, 조류, 임시 구조물 및 예상하지 못한 비행 물체가 계획된 경로에서 충돌 위험을 발생시킬 수 있다. 인지 센서(Perception Sensor)와 추적 알고리즘(Tracking Algorithm)은 관련 장애물의 위치와 움직임을 지속적으로 추정해야 한다. 이후 지역 플래너(Local Planner)는 차량 동역학, 최소 분리 거리(Minimum Separation) 요구사항 및 상위 수준의 임무 경로를 준수하면서 궤적을 수정할 수 있다.

3차원 장애물 회피(Three-Dimensional Obstacle Avoidance)는 UAV가 장애물을 회피할 때 측면 이동뿐 아니라 고도 변경도 사용할 수 있기 때문에 평면 내비게이션과 근본적으로 다르다. 그러나 수직 기동이 항상 가능하거나 바람직한 것은 아니다. 공역 제한, 지형, 기상, 에너지 소비, 항공기 성능 및 주변 장애물이 사용 가능한 고도 범위를 제한할 수 있다. 따라서 플래너는 상승이나 하강이 항상 가장 안전한 대응이라고 가정하기보다 다양한 3차원 궤적을 평가해야 한다.

궤적 생성(Trajectory Generation)은 화물 UAV의 물리적 제약조건을 준수해야 한다. 최대 속도, 가속도, 상승률, 하강률, 선회 반경, 자세 한계, 탑재 화물 질량 및 이용 가능한 추진력은 후보 궤적을 실제로 실행할 수 있는지를 결정한다. 수학적으로 유효한 경로라도 곡률이 지나치게 크거나 필요한 기동이 항공기의 동적 능력을 초과하면 실제로 추종할 수 없다. 따라서 계획된 경로를 실행하기 전에 내비게이션 계층과 비행 제어 계층(Flight Control Layer)은 궤적 실행 가능성(Trajectory Feasibility) 정보를 서로 교환해야 한다.

화물 UAV에서는 화물과 비행 거리가 가용 비행시간(Endurance)에 직접적인 영향을 미치기 때문에 에너지 인지형 계획(Energy-Aware Planning)이 특히 중요하다. 더 높은 고도로 상승하거나, 맞바람에 대응하거나, 더 무거운 화물을 운반하거나, 반복적인 회피 기동을 수행하면 에너지 소비가 증가할 수 있다. 임무 계획(Mission Planning)은 후보 경로의 에너지 요구량을 추정하고 우회, 기지 복귀 또는 비상 착륙을 위한 적절한 예비 에너지(Reserve)를 유지해야 한다. 따라서 웨이포인트 순서는 이동 거리와 시간뿐 아니라 예상 에너지 수요를 기준으로도 평가해야 한다.

기상 조건은 임무 실행이 이미 시작된 이후에도 계획된 비행의 실행 가능성을 변화시킬 수 있다. 풍향과 풍속은 지상 속도, 에너지 소비 및 궤적 추종 요구사항을 변경할 수 있으며, 비, 안개, 결빙 또는 가시성 저하는 인지와 항공기 성능에 영향을 줄 수 있다. 내비게이션 시스템은 관련 환경 정보를 지속적으로 모니터링하고 필요할 경우 경로 또는 속도 제약조건을 갱신해야 한다. 조건이 정의된 운용 한계를 초과하면 임무 관리자(Mission Manager)는 임무를 지연하거나 우회하거나 복귀하거나 적절한 안전 상태(Safe State)로 전환할 수 있어야 한다.

통신 및 내비게이션 무결성(Navigation Integrity) 역시 임무 전체에서 고려해야 한다. 화물 UAV는 신뢰할 수 있는 지역 네트워크 범위를 벗어날 수 있으므로 온보드 자율 운용(Onboard Autonomous Operation)이 필수적이다. 항공기는 일시적인 통신 손실(Communication Loss) 상황에서도 안전한 비행을 지속할 수 있도록 충분한 임무 정보를 유지하면서 현재 경로가 여전히 유효한지를 모니터링해야 한다. 선회 대기(Loitering), 기지 복귀(Return to Base), 안전 웨이포인트로의 우회 또는 비상 착륙과 같은 사전에 정의된 행동은 통신 또는 내비게이션 신뢰도가 충분하지 않을 때 구조화된 대응을 제공할 수 있다.

웨이포인트 실행(Waypoint Execution)은 단순한 지점 간 명령이 아니라 폐루프 프로세스(Closed-Loop Process)로 처리해야 한다. UAV가 웨이포인트에 접근하면 내비게이션 시스템은 도착을 확인하기 전에 위치, 고도, 진행 방향, 속도 및 임무 조건을 검증해야 한다. 바람이나 장애물 회피로 인해 상당한 편차가 발생하면 기존 경로를 무조건 따라가기보다 현재 상태에서 다음 궤적을 다시 계산해야 한다. 이를 통해 실제 비행 조건이 임무 계획 당시의 가정과 달라지더라도 웨이포인트 내비게이션의 강건성을 유지할 수 있다.

장애물 회피와 임무 계획은 서로 연계되어야 한다. 지역적인 기동이 이후 임무의 실행 가능성에 영향을 줄 수 있기 때문이다. 예를 들어 일시적인 고도 변경은 추가적인 에너지를 소비하거나 항공기를 제한 공역 방향으로 이동시킬 수 있다. 따라서 지역 플래너는 중요한 궤적 변경 사항을 임무 수준 플래너(Mission-Level Planner)에 전달해야 하며, 임무 수준 플래너는 남은 경로, 에너지 예비량 및 배송 요구사항을 다시 평가할 수 있어야 한다. 이러한 계층적 상호작용은 지역 장애물 회피 행동이 새로운 임무 수준의 실패를 발생시키는 것을 방지한다.

UAV가 일반적인 지역 재계획만으로 해결할 수 없는 상황에 직면할 경우 복구 행동(Recovery Behavior)이 필수적이다. 비행 통로 차단, 심각한 기상 변화, 내비게이션 불확실성, 통신 손실, 추진 계통 성능 저하 또는 부족한 에너지 예비량은 임무 상태의 변경을 요구할 수 있다. 복구 과정에서는 대체 웨이포인트 순서를 선택하거나, 안전한 위치로 우회하거나, 기지로 복귀하거나, 일시적으로 선회 대기하거나, 비상 착륙 절차를 실행할 수 있다. 복구 아키텍처는 예측 가능한 대응을 제공할 수 있을 정도로 결정론적이어야 하며, 적절한 경우 이후 임무를 계속 수행할 수 있도록 기존 임무 정보도 보존해야 한다.

성능 평가는 전체 내비게이션과 임무 실행 과정을 측정해야 한다. 관련 지표에는 웨이포인트 도착 정확도, 경로 완료율, 장애물 회피 성공률, 최소 분리 거리, 궤적 추종 오차, 에너지 소비량, 통신 가용성, 복구 빈도, 임무 완료 시간 및 화물 배송 성공률이 포함된다. 시험은 정상적인 경로뿐 아니라 동적 장애물, 제한 구역 진입, 기상 변화, 통신 손실, 내비게이션 불확실성 및 비상 우회 시나리오도 포함해야 한다. 따라서 이 사례는 볼륨에서 정의한 산업 내비게이션 사례 연구(Industrial Navigation Case Study) 구조 안에서 웨이포인트 내비게이션, 3차원 궤적 계획, 장애물 회피 및 자율 화물 임무 실행을 하나의 시스템으로 연결한다.

12.07. 100 Robot Fleet CBS Multi Robot Planning Case

100대 로봇 플릿(100-Robot Fleet)은 개별 로봇 내비게이션에서 대규모 다중 로봇 계획(Multi-Robot Planning)으로 전환되는 중요한 단계이다. 이 환경에서는 각각 독립적으로 생성된 경로가 개별적으로는 국부적으로 충돌이 없더라도 공유 통로, 교차로, 스테이션 및 좁은 통로에서 충돌을 발생시킬 수 있다. 따라서 이 사례는 경로 선택(Route Selection), 시간적 조정(Temporal Coordination), 충돌 해결(Conflict Resolution), 교착상태 방지(Deadlock Prevention) 및 교통 관리(Traffic Management)를 함께 운영하여 확장 가능하고 예측 가능한 플릿 행동을 유지하는 통합 플릿 내비게이션(Fleet Navigation)에 초점을 둔다.

플릿 아키텍처(Fleet Architecture)는 전역 임무 조정(Global Mission Coordination)과 개별 로봇 실행(Robot Execution)을 구분해야 한다. 플릿 관리자(Fleet Manager)는 임무를 할당하고, 우선순위를 설정하며, 공유 자원을 조정하고, 로봇 상태에 대한 전역 표현을 유지할 수 있다. 반면 각 로봇은 위치추정(Localization), 지역 장애물 회피(Local Obstacle Avoidance), 궤적 추종(Trajectory Tracking) 및 안전 모니터링(Safety Monitoring)을 수행한다. 이러한 분리는 중앙집중식 계획의 계산 부담을 줄이면서도 지역 환경 변화에 신속하게 대응할 수 있는 충분한 온보드 자율성(Onboard Autonomy)을 유지하도록 한다.

충돌 기반 탐색(Conflict-Based Search, CBS)은 개별 로봇의 경로 사이에 발생하는 충돌을 명시적으로 표현하기 때문에 다중 로봇 조정을 위한 유용한 프레임워크를 제공한다. 상위 수준 탐색(High-Level Search)은 두 개의 계획된 궤적 사이에서 충돌을 식별하고, 관련 로봇들이 서로 다른 공간적 또는 시간적 자원을 사용하도록 만드는 대체 제약조건(Alternative Constraints)을 생성한다. 이후 하위 수준 계획(Low-Level Planning)은 이러한 제약조건을 만족하는 경로를 탐색한다. 100대 로봇 플릿에서 실질적인 과제는 충돌이 없는 해를 찾는 것뿐 아니라 로봇과 상호작용의 수가 증가함에 따라 발생하는 계산량의 증가를 제어하는 것이다.

시공간 계획(Space-Time Planning)은 일반적인 경로 계획에 위치와 시간 정보를 함께 표현한다. 두 로봇은 동일한 통로를 사용하더라도 점유 시간이 겹치지 않으면 안전하게 통과할 수 있지만, 동일한 기하학적 경로라도 이동 시간이 겹치면 충돌이 발생할 수 있다. 따라서 Space-Time A* 또는 이와 유사한 시간 기반 플래너(Temporal Planner)는 예약(Reservation), 대기 동작(Waiting Action) 및 제한된 영역에서의 예정된 통과(Scheduled Passage)를 계획에 포함할 수 있다. 이러한 표현은 교차로, 좁은 통로, 도킹 영역 및 공간 용량이 제한된 기타 위치에서 특히 유용하다.

우선순위 기반 계획(Priority-Based Planning)은 조정 복잡도를 줄이는 또 다른 방법을 제공한다. 로봇은 임무 긴급성, 운영 역할, 마감시간, 위치 또는 사전에 설정된 교통 규칙을 기준으로 우선순위를 부여받을 수 있다. 우선순위가 높은 로봇은 계획된 경로를 유지하고 우선순위가 낮은 로봇은 경로를 변경하거나 대기할 수 있다. 그러나 고정된 우선순위는 불공정한 지연이나 지속적인 차단을 발생시킬 수 있으므로 우선순위 규칙은 신중하게 설계해야 한다. 따라서 대규모 플릿에서는 우선순위 정책(Priority Policy)을 충돌 탐지 및 동적 재계획(Dynamic Replanning)과 결합하는 것이 유용하다.

플릿 규모가 증가할수록 교착상태 탐지(Deadlock Detection)는 더욱 중요해진다. 여러 로봇이 서로가 점유한 자원이나 위치를 기다리면서 어느 로봇도 진행할 수 없는 순환 의존관계(Circular Dependency)가 형성되면 교착상태가 발생할 수 있다. 플릿 관리자는 로봇 간 의존관계, 대기 시간, 예약 상태 및 차단된 경로를 분석하여 이러한 상황을 탐지할 수 있다. 복구 과정에서는 우선순위를 변경하거나, 예약을 해제하거나, 선택된 로봇의 경로를 재설정하거나, 하나의 로봇을 사전에 정의된 안전 대기 위치(Safe Holding Position)로 이동시킬 수 있다.

교통 관리 규칙(Traffic Management Rule)은 형식적인 다중 로봇 계획과 실제 창고 운영 사이를 연결하는 실용적인 계층을 제공한다. 교차로, 일방통행 통로, 적재 스테이션, 충전 영역 및 좁은 통로는 명시적인 진입 및 이탈 조건을 가진 제어 자원(Controlled Resource)으로 취급할 수 있다. 로봇은 진입하기 전에 이러한 자원을 예약하고 통과한 후 해제할 수 있다. 이러한 규칙은 불필요한 쌍별 충돌(Pairwise Conflict)을 줄이고, 전역 플래너가 모든 상호작용을 개별적으로 해결하는 대신 구조화된 교통 정책(Traffic Policy)을 사용하여 수요가 높은 위치를 처리할 수 있도록 한다.

약 100대 규모의 로봇 플릿에서는 확장성(Scalability)이 핵심적인 엔지니어링 요구사항이 된다. 모든 로봇을 동시에 최적화하려는 중앙집중식 플래너는 충돌의 수가 증가하면서 계산 비용이 급격하게 증가할 수 있다. 계층적 계획(Hierarchical Planning)은 임무 할당, 지역 교통 조정 및 지역 경로 계획을 분리함으로써 이러한 부담을 줄일 수 있다. 먼저 로봇을 운영 영역이나 교통 통로별로 분산한 다음 실제 상호작용이 발생하는 영역에서만 상세한 충돌 해결을 수행할 수 있다.

이기종 플릿(Heterogeneous Fleet)에서는 AMR, 지게차, AGV 또는 기타 이동 플랫폼이 동일한 환경을 공유할 때 추가적인 제약조건이 발생한다. 서로 다른 차량의 크기, 속도, 회전 능력, 제동거리 및 운영 우선순위를 계획 모델에 표현해야 한다. 소형 AMR에는 실행 가능한 경로가 지게차에는 적합하지 않을 수 있으며, 느린 차량은 빠른 로봇과 상당한 시간적 충돌을 발생시킬 수 있다. 따라서 플릿 계획은 기하학적 호환성(Geometric Compatibility)과 차량별 이동 및 교통 제약조건을 함께 고려해야 한다.

내비게이션 스택(Navigation Stack)은 플릿 수준 조정과 로봇 수준 실행 사이의 일관성을 유지해야 한다. 전역에서 할당된 경로는 지역 장애물이 나타나면 더 이상 유효하지 않을 수 있으며, 독립적으로 생성된 지역 우회 경로는 다른 로봇의 예약과 충돌할 수 있다. 따라서 지역 플래너가 중요한 경로 변경을 보고하고 플릿 관리자가 관련 예약을 갱신하거나 영향을 받은 경로를 재계획할 수 있는 인터페이스가 필요하다. 이러한 피드백 루프(Feedback Loop)는 지역 내비게이션 행동이 새로운 플릿 수준의 충돌을 조용히 발생시키는 것을 방지한다.

100대 로봇이 운용되는 창고는 정상적인 조건뿐 아니라 교통 수요가 증가하는 상황에서도 평가해야 한다. 중요한 지표에는 임무 완료율(Mission Completion Rate), 평균 이동 시간, 대기 시간, 충돌 빈도, 교착상태 빈도, 재계획 비율, 교차로 이용률, 경로 효율성, 계산 지연시간(Computational Latency) 및 자원 이용률(Resource Utilization)이 포함된다. 시험에서는 로봇 밀도와 작업 수요를 단계적으로 증가시켜 혼잡이 플릿 성능을 지배하기 시작하는 지점을 확인하고, 로봇을 추가했을 때 운영상의 추가 효과가 점차 감소하는 상황을 분석할 수 있다.

복구(Recovery)와 안전(Safety)은 최적화 목표와 독립적으로 유지되어야 한다. 통신이 지연되거나 위치추정 신뢰도가 낮아지거나 로봇이 예상하지 못한 장애물을 만났을 때, 해당 로봇은 완전한 전역 해를 기다리지 않고 안전 상태(Safe State)로 진입할 수 있어야 한다. 플릿 수준에서는 오래된 예약(Stale Reservation)과 사용할 수 없는 로봇을 현재 계획의 가정에서 제거해야 한다. 이를 통해 플릿은 지역적인 장애가 발생하더라도 주변에서 계속 운용하면서 이후 해당 로봇을 다시 플릿에 통합할 수 있는 가능성을 유지할 수 있다.

전체적인 100대 로봇 CBS 사례는 중앙집중식 또는 계층적 플릿 조정, 충돌 기반 탐색(Conflict-Based Search), 시공간 계획, 우선순위 관리(Priority Management), 교착상태 탐지, 교통 규칙, 이기종 로봇 제약조건 및 확장 가능한 지역 내비게이션을 결합한다. 원본 구조에서는 이러한 방법들을 다중 로봇 내비게이션(Multi-Robot Navigation) 장에 배치하고 있으며, 전용 100대 로봇 창고 플릿 사례와 연결하고 있다. 따라서 이 산업 사례는 내비게이션을 플릿 수준의 조정 문제로 확장하며, 참여하는 로봇의 수가 증가하더라도 공간 계획(Spatial Planning), 시간 스케줄링(Temporal Scheduling), 충돌 해결 및 지역 자율성(Local Autonomy)이 서로 일관성을 유지해야 하는 시스템을 보여준다.

12.08. Semantic Navigation Hospital Service Robot Case

병원 서비스 로봇(Hospital Service Robot)은 환자실, 간호사 스테이션(Nurse Station), 약국, 검사실, 엘리베이터 및 치료 구역과 같은 인간 중심의 개념을 통해 내비게이션 목표가 자연스럽게 표현되는 환경에서 운용된다. 의미론적 내비게이션(Semantic Navigation)은 이러한 개념을 단순한 기하학적 좌표에만 의존하지 않고 로봇의 내비게이션 표현에 포함할 수 있도록 한다. 따라서 로봇은 서비스 요청을 실행 가능한 내비게이션 목표로 변환하기 전에 의미 있는 목적지, 운영 구역, 객체 및 상황적 관계(Contextual Relationship)의 관점에서 해석할 수 있다.

내비게이션 아키텍처(Navigation Architecture)는 메트릭 표현(Metric Representation), 위상 표현(Topological Representation) 및 의미론적 표현(Semantic Representation)을 결합해야 한다. 메트릭 지도(Metric Map)는 위치추정(Localization)과 충돌 회피에 필요한 기하학적 정보를 제공하며, 위상 그래프(Topological Graph)는 복도, 방, 엘리베이터 및 층 사이의 연결 관계를 표현한다. 의미론적 계층(Semantic Layer)은 이러한 위치를 이름, 기능, 접근 정책 및 작업 관련 속성과 연결한다. 이러한 구조는 언어 지시(Language Instruction), 의미론적 지도, 장면 상황(Scene Context) 및 인간-로봇 공유 표현(Human-Robot Shared Representation)을 물리적 내비게이션과 연결하는 보다 광범위한 의미론적 내비게이션 프레임워크를 따른다.

"이 물품을 503호실로 전달하라"와 같은 요청은 먼저 언어에서 내비게이션 및 서비스 목표(Navigation and Service Objective)로 변환되어야 한다. 시스템은 목적지를 식별하고 해당 층과 구역을 결정하며, 관련 접근 정보를 검색한 다음 적절한 의미론적 웨이포인트 순서(Semantic Waypoint Sequence)를 생성할 수 있다. 플래너는 503호실을 고립된 하나의 좌표로 처리하는 대신 현재 복도, 엘리베이터, 간호사 스테이션 및 주변 병실과의 관계를 이해할 수 있다. 이를 통해 작업 지정(Task Specification)을 보다 직관적으로 수행하면서 실제 실행에 필요한 기하학적 정밀성을 유지할 수 있다.

의미론적 지도(Semantic Map)는 위치의 이름뿐만 아니라 운영상의 의미(Operational Meaning)도 표현해야 한다. 복도는 일반 구역, 직원 전용 구역, 혼잡 구역 또는 일시적 제한 구역으로 지정될 수 있으며, 특정 병실은 진입 전에 권한 확인이 필요할 수 있다. 엘리베이터는 층간 전환 자원(Floor-Transition Resource)으로, 충전 스테이션은 에너지 자원(Energy Resource)으로 표현할 수 있다. 이러한 속성을 공간 개체(Spatial Entity)에 연결함으로써 경로 계획은 단순히 이동 거리를 최소화하는 것이 아니라 병원 정책과 작업 요구사항을 만족하는 경로를 선택할 수 있다.

장면 상황(Scene Context)은 기하학적 지도가 변경되지 않더라도 내비게이션 동작에 영향을 줄 수 있다. 응급실 근처의 복도는 조용한 입원 병동과 다른 속도 및 양보 정책(Yielding Policy)을 요구할 수 있다. 혼잡한 대기실, 치료 활동, 청소 작업 또는 임시 의료 장비 역시 로봇이 해당 위치를 이동하는 방식을 변경할 수 있다. 상황 인지형 내비게이션 정책(Context-Aware Navigation Policy)은 현재의 운영 상황에 따라 의미론적 정보를 활용하여 속도, 안전 여유 거리, 경로 선호도 및 상호작용 행동을 조정할 수 있도록 한다.

병원에는 환자, 방문객, 의료진, 카트, 병상, 휠체어 및 서로 다른 이동 특성을 가진 다양한 이동 객체가 존재하기 때문에 사람 인지형 내비게이션(Human-Aware Navigation)이 특히 중요하다. 로봇은 주변의 사람과 장비를 탐지하고 추적하면서 적절한 분리 거리를 유지하고 예측 가능한 움직임을 수행해야 한다. 좁은 복도나 출입구에서는 공격적인 지역 장애물 회피보다 기다리거나 양보하는 것이 더 안전할 수 있다. 따라서 동적 장애물 처리(Dynamic Obstacle Handling)는 의미론적 상황과 함께 작동하여 내비게이션 행동이 기하학적 조건뿐만 아니라 주변 활동의 의미까지 반영하도록 해야 한다.

다층 병원 임무(Multi-Floor Hospital Mission)는 엘리베이터, 복도 및 목적지 영역을 의미론적으로 조정해야 한다. 다른 층으로 이동하도록 할당된 로봇은 적절한 엘리베이터를 식별하고, 대기 위치까지 이동하고, 이용을 요청하거나 접근을 조정하며, 안전하게 진입하고, 필요한 층을 선택하고, 도착을 확인한 후 목적지로 계속 이동해야 한다. 따라서 엘리베이터는 단순한 웨이포인트가 아니라 여러 상태, 전환 및 검증 단계를 포함하는 구조화된 내비게이션 자원(Structured Navigation Resource)으로 취급해야 한다.

객체 목표 내비게이션(Object-Goal Navigation)은 로봇이 고정된 좌표가 아니라 객체로 정의된 목적지를 찾아야 할 때 의미론적 내비게이션을 확장할 수 있다. 예를 들어 약품 카트, 물품 공급 스테이션, 충전 도크 또는 기타 인식 가능한 객체를 찾는 요청이 있을 수 있다. 인지 시스템(Perception)은 후보 객체를 식별하고, 장면 상황과 의미론적 관계를 이용하여 어떤 후보가 작업에 해당하는지를 판단할 수 있다. 이를 통해 모든 목적지를 지도에 영구적으로 좌표화할 필요 없이 객체 탐지(Object Detection)와 장면 이해(Scene Understanding)를 내비게이션 목표 생성과 연결할 수 있다.

3차원 장면 그래프(3D Scene Graph)는 층, 병실, 복도, 객체, 사람 및 서비스 자원 사이의 관계를 구조적으로 표현할 수 있다. 노드(Node)는 의미론적 개체를 나타내고, 간선(Edge)은 연결됨(Connected-To), 내부에 위치함(Inside), 가까이에 있음(Near), 접근 가능함(Accessible-From) 또는 특정 층에 위치함(Located-On-Floor)과 같은 관계를 표현할 수 있다. 내비게이션 시스템은 이 그래프를 이용하여 상위 수준의 서비스 요청으로부터 물리적으로 도달 가능한 위치들의 순서를 추론할 수 있다. 이는 의미론적 내비게이션을 3D 장면 그래프 및 공유 의미 공간(Shared Semantic Space)과 명시적으로 연결하는 볼륨의 구조를 반영한다.

서비스 실행(Service Execution)은 목적지에 도착한 이후에도 내비게이션과 연결된 상태를 유지해야 한다. 환자실 근처에 도착했다고 해서 반드시 배송 작업이 완료된 것은 아니다. 로봇은 병실을 확인하고, 적절한 전달 위치(Handover Position)에 접근하며, 수령자에게 알리고, 확인을 기다리거나, 이후 다른 서비스 위치로 복귀해야 할 수 있다. 따라서 임무 실행기(Mission Executive)는 의미론적 내비게이션과 도착 검증(Arrival Verification), 서비스 상호작용(Service Interaction), 완료 확인(Completion Confirmation) 및 후속 작업 선택을 조정할 수 있다.

복구(Recovery)에서도 의미론적 정보를 활용해야 한다. 특정 복도를 사용할 수 없게 되면 로봇은 기하학적으로 열려 있는 아무 경로나 선택하는 대신 다른 허용된 복도를 통과하는 대체 경로를 탐색할 수 있다. 엘리베이터를 사용할 수 없다면 임무 플래너(Mission Planner)는 다른 유효한 층간 전환 자원을 식별하거나 작업을 연기할 수 있다. 목적지에 접근할 수 없는 경우 주변 대기 구역, 간호사 스테이션 또는 대체 서비스 지점에 대한 의미론적 지식을 활용하여 단순한 기하학적 재계획보다 의미 있는 복구 전략을 수립할 수 있다.

성능 평가는 내비게이션 품질과 의미론적 작업 성공(Semantic Task Success)을 모두 측정해야 한다. 관련 지표에는 의미론적 목표 해석 정확도, 목적지 도착 성공률, 경로 효율성, 사람 인지형 내비게이션 성능, 엘리베이터 전환 성공률, 서비스 완료율, 재계획 빈도, 대기 시간 및 복구 성공률이 포함된다. 시험에는 모호한 지시, 변화하는 복도 접근성, 동적인 군중, 이동된 객체, 다층 작업 및 일시적으로 접근할 수 없는 목적지를 포함하여 의미론적 추론(Semantic Reasoning)이 신뢰성 높은 물리적 실행과 계속 연결되는지를 평가해야 한다.

성숙한 병원 서비스 로봇은 궁극적으로 의미론적 지도, 언어-목표 변환(Language-to-Goal Interpretation), 객체 목표 내비게이션, 장면 상황 추론(Scene-Context Reasoning), 3D 장면 그래프, 사람 인지형 이동(Human-Aware Motion), 다층 내비게이션 및 서비스 작업 실행을 통합한다. 전역 의미론적 추론(Global Semantic Reasoning)은 로봇이 어디로, 왜 이동해야 하는지를 결정하고, 기하학적 계획(Geometric Planning)은 선택된 목적지에 어떻게 안전하게 도달할 것인지를 결정한다. 결과적으로 이 시스템은 내비게이션을 단순한 좌표 기반 이동에서 상황 인지형 서비스 자율성(Context-Aware Service Autonomy)으로 확장하며, 원본 볼륨에서 정의된 의미론적 내비게이션 및 산업 사례 연구 구조와 연결된다.

12.09. AI Navigation Policy Sim2Real Transfer Case

시뮬레이션(Simulation)에서 실제 물리 로봇으로 전이되는 AI 내비게이션 정책(AI Navigation Policy)은 학습된 유용한 행동을 유지하면서 시뮬레이션 환경과 실제 환경 사이의 차이에 대해 강건해야 한다. 시뮬레이션은 하드웨어를 충돌이나 과도한 마모에 노출하지 않고도 대규모 학습 경험을 제공할 수 있지만, 시뮬레이션된 센싱, 동역학, 장애물 및 상호작용은 현실을 완벽하게 재현하지 못한다. 따라서 시뮬레이션-현실 전이(Sim2Real) 내비게이션은 실제 환경에 배치할 때 안전성, 안정성 및 예측 가능한 행동을 유지하면서 이러한 현실 격차(Reality Gap)를 줄이는 데 초점을 둔다.

개발 파이프라인(Development Pipeline)은 로봇 동역학, 센서, 지도, 장애물, 내비게이션 목표 및 작업 조건을 포함하는 시뮬레이션 환경에서 시작한다. AI 정책은 LiDAR 스캔, 깊이 영상(Depth Image), 점유 정보(Occupancy Information), 로봇 상태, 목표 방향 또는 의미론적 특징(Semantic Feature)과 같은 표현을 관측하고 내비게이션 행동을 생성한다. 아키텍처에 따라 이러한 행동은 속도 명령, 지역 목표(Local Goal), 궤적 또는 기존 제어 계층에서 이후 실행되는 상위 수준의 내비게이션 의사결정을 나타낼 수 있다.

강화학습(Reinforcement Learning)은 시뮬레이션 환경과 반복적으로 상호작용하면서 내비게이션 행동을 학습할 수 있다. 보상 함수(Reward Function)는 일반적으로 목표를 향한 진행, 성공적인 도착, 충돌 회피, 부드러운 움직임 및 효율적인 궤적을 장려하고, 안전하지 않거나 불안정한 행동에는 페널티를 부여한다. 다양한 지도와 장애물 구성에서 학습함으로써 정책이 특정 환경 하나를 암기하는 것을 방지할 수 있다. 목표는 학습 과정에서 명시적으로 경험하지 않은 환경 조건에서도 일반화(Generalization)할 수 있는 내비게이션 행동을 학습하는 것이다.

시뮬레이션-현실 격차(Simulation-to-Reality Gap)는 여러 형태로 나타난다. 센서 모델은 노이즈, 지연시간(Latency), 누락된 측정값, 반사 및 보정 오차(Calibration Error)로 인해 실제 LiDAR, 카메라 또는 깊이 센서와 다를 수 있다. 로봇 동역학은 휠 슬립(Wheel Slip), 액추에이터 지연, 적재량 변화, 마찰 또는 불완전한 제어로 인해 달라질 수 있다. 환경 형상과 장애물의 행동 역시 시뮬레이션과 다를 수 있다. 따라서 이상적인 관측값에 지나치게 의존하는 정책은 실제 하드웨어에 배치되었을 때 성능이 크게 저하될 수 있다.

도메인 랜덤화(Domain Randomization)는 학습 과정에서 시뮬레이션 파라미터를 변화시킴으로써 이러한 의존성을 줄인다. 센서 노이즈, 지연시간, 로봇 질량, 마찰, 액추에이터 응답, 장애물 크기, 조명, 텍스처, 객체 위치 및 환경 배치를 의미 있는 범위 안에서 무작위로 변경할 수 있다. 이에 따라 정책은 하나의 결정론적 시뮬레이터 구성만 경험하는 것이 아니라 다양한 형태의 내비게이션 문제를 경험한다. 실제 시스템이 학습 과정에서 경험한 분포(Distribution) 안의 또 다른 변형처럼 동작할 수 있을 때 성공적인 전이가 가능해진다.

관측 설계(Observation Design) 역시 전이 가능성(Transferability)에 매우 중요하다. 시뮬레이터에 특화된 정보에 지나치게 의존하는 정책은 시뮬레이션에서는 뛰어난 성능을 보일 수 있지만 실제 센서에서 동일한 측정값을 신뢰성 있게 얻을 수 없다면 실패할 수 있다. 따라서 학습 입력은 실제 로봇에서 사용할 수 있는 관측값과 최대한 밀접하게 대응해야 한다. 정규화(Normalization), 필터링, 시간 이력(Temporal History), 불확실성 처리 및 센서 전처리(Sensor Preprocessing)는 시뮬레이션과 실제 배치 환경에서 일관되게 유지하여 학습 정책이 두 환경에서 유사한 표현을 입력받도록 해야 한다.

내비게이션 정책 전이(Navigation Policy Transfer)에서는 일반적으로 학습 모델과 독립적인 안전 계층(Safety Layer)을 유지해야 한다. AI 정책이 속도 또는 궤적을 제안하면 결정론적 안전 기능(Deterministic Safety Function)이 충돌 여유 거리, 비상정지(Emergency Stop), 속도 제한, 지오펜싱(Geofencing) 및 액추에이터 제약조건을 강제할 수 있다. 이러한 분리는 학습 정책이 유일한 안전 메커니즘이 되는 것을 방지한다. 또한 기존 내비게이션 및 제어 구성요소가 물리 플랫폼을 계속 보호하는 상태에서 실험적인 정책을 단계적으로 평가할 수 있도록 한다.

실용적인 아키텍처에서는 전체 내비게이션 스택(Navigation Stack)을 학습 기반 방식으로 대체하기보다 학습형 내비게이션(Learned Navigation)과 전통적인 계획(Classical Planning)을 결합할 수 있다. 전역 플래너(Global Planner)가 장거리 경로를 결정하고 AI 정책은 지역 장애물 회피, 지역 궤적 선택 또는 상황 의존적 내비게이션 행동을 담당할 수 있다. 위치추정(Localization), 매핑(Mapping), 안전 모니터링(Safety Monitoring) 및 저수준 제어(Low-Level Control)는 결정론적인 방식으로 유지할 수 있다. 이러한 하이브리드 통합(Hybrid Integration)은 학습 정책의 책임 범위를 제한하고 Sim2Real 배치 과정에서 실패 원인을 보다 쉽게 진단할 수 있도록 한다.

커리큘럼 학습(Curriculum Learning)은 학습 과정에서 내비게이션 난이도를 점진적으로 증가시킬 수 있다. 정책은 먼저 개방된 공간에서 목표 도달을 학습한 다음 정적 장애물, 좁은 통로, 동적 객체, 센서 교란 및 점점 더 복잡한 환경을 경험할 수 있다. 이후 단계에서는 무작위화된 동역학(Randomized Dynamics)과 성능이 저하된 관측값을 추가할 수 있다. 이러한 진행 방식은 정책이 강건한 실제 환경 전이에 필요한 불확실성에 노출되기 전에 기본적인 내비게이션 행동을 안정화할 수 있도록 한다.

실제 환경 배치(Real-World Deployment)는 즉시 제한 없는 운용을 수행하기보다 단계적인 검증(Staged Validation)을 통해 진행해야 한다. 초기 시험에서는 낮은 속도, 개방된 환경, 안전 작업자 및 단순한 경로를 사용할 수 있으며, 이후 복잡한 공간과 동적 장애물이 존재하는 환경으로 확장할 수 있다. 기록된 관측값, 행동, 위치추정 상태, 근접 충돌 이벤트(Near-Collision Event) 및 작업자 개입을 시뮬레이션 결과와 비교할 수 있다. 이러한 시험에서 발견된 차이는 센서 모델, 동역학 랜덤화, 보상 설계 또는 정책 제약조건을 개선하는 데 활용할 수 있다.

실제 환경 데이터(Real-World Data)는 이후 개발 루프에 다시 통합할 수 있다. 기록된 센서 스트림과 차량 응답을 이용하여 시뮬레이션 모델을 개선하거나 실제 환경에서 발생한 어려운 조건을 재현하는 리플레이 시나리오(Replay Scenario)를 만들 수 있다. 제한적인 실제 환경 미세조정(Real-World Fine-Tuning)을 통해 랜덤화만으로 해결하지 못한 잔여 차이를 정책에 적응시킬 수도 있다. 그러나 특정 배치 환경에서의 개선이 기존에 학습된 일반적인 내비게이션 행동을 손상시키거나 예상하지 못한 성능 회귀(Regression)를 발생시키지 않도록 적응 과정은 통제되어야 한다.

일반화 성능은 하나의 시연 경로가 아니라 다양한 환경에서 평가해야 한다. 강건한 정책(Robust Policy)은 의도된 운용 영역 내에서 서로 다른 복도 폭, 장애물 배치, 바닥 조건, 조명, 적재량, 센서 노이즈 및 이동 객체 패턴을 처리할 수 있어야 한다. 평가는 일반적인 작업 성공과 분포 변화(Distribution Shift) 상황에서의 강건성을 구분해야 한다. 이는 심층 강화학습(Deep Reinforcement Learning), 모방학습(Imitation Learning), 트랜스포머 정책(Transformer Policy), 월드 모델(World Model), 범용 내비게이션(Generalist Navigation) 및 Sim2Real 전이를 포함하는 보다 광범위한 AI 기반 계획(AI-Based Planning) 구조를 반영한다.

정책이 학습 분포 밖의 조건을 만날 경우 실패 탐지(Failure Detection)와 폴백 행동(Fallback Behavior)이 필수적이다. 불확실한 관측값, 반복적인 진동(Oscillation), 과도한 명령 변화, 진행 정체 또는 위험한 수준의 장애물 접근은 학습된 행동의 신뢰성이 저하되고 있음을 나타낼 수 있다. 시스템은 속도를 줄이거나 정지하고, 전통적인 플래너를 호출하거나, 알려진 안전 상태(Known-Safe State)로 복귀하거나, 지원을 요청할 수 있다. 따라서 정책 모니터링(Policy Monitoring)은 외부 진단 기능이 아니라 내비게이션 아키텍처 자체의 일부가 된다.

성능 평가는 가능한 경우 비교 가능한 시나리오를 이용하여 시뮬레이션과 실제 환경의 지표를 함께 측정해야 한다. 관련 지표에는 목표 도달 성공률, 충돌률, 최소 장애물 거리, 궤적 효율성, 이동 시간, 작업자 개입 빈도, 명령 평활성(Command Smoothness), 위치추정 강건성 및 정책 추론 지연시간(Policy Inference Latency)이 포함된다. 시뮬레이션과 실제 환경 사이의 성능 차이는 중요한 전이 성능 지표(Transfer Metric)가 되며, 반복적인 시험을 통해 환경 변화에서도 학습된 행동이 안정적으로 유지되는지를 확인할 수 있다.

성숙한 Sim2Real 내비게이션 시스템은 궁극적으로 시뮬레이션, 정책 학습(Policy Learning), 검증, 실제 환경 배치, 데이터 수집 및 모델 개선이 연결된 지속적인 순환 구조를 형성한다. 시뮬레이션은 확장 가능한 학습 경험을 제공하고, 도메인 랜덤화는 강건성을 향상시키며, 실제 환경 시험은 남아 있는 현실 격차를 발견하고, 결정론적 안전 메커니즘은 배치 위험을 제한한다. 최종 목표는 단순히 시뮬레이션에서 얻은 성능을 실제 하드웨어에서 재현하는 것이 아니라, 실제 환경의 불확실성 속에서도 안전하고 일관되게 작동하면서 학습된 유용한 지능을 유지하는 AI 내비게이션 정책을 구축하는 것이다.

12.10. Future Navigation and Planning Roadmap

미래의 로봇 내비게이션(Robot Navigation)은 위치추정(Localization), 전역 계획(Global Planning), 지역 계획(Local Planning), 장애물 회피(Obstacle Avoidance) 및 제어(Control)를 각각 독립적으로 해결하는 파이프라인에서 벗어나 기하학(Geometry), 의미론(Semantics), 동역학(Dynamics), 작업(Task) 및 불확실성(Uncertainty)을 함께 추론하는 통합 시스템으로 발전할 것이다. 전통적 계획(Classical Planning)은 예측 가능한 구조와 명시적인 제약조건을 제공하므로 계속 중요하며, 학습 기반 구성요소(Learning-Based Component)는 인지 조건 기반 의사결정, 예측, 적응 및 정책 선택을 점차 향상시킬 것이다. 결과적으로 미래 아키텍처는 순수한 모델 기반 또는 학습 기반 방식이 아니라 하이브리드(Hybrid) 형태로 발전할 것이다.

전역 계획은 정적인 최단 경로 최적화를 넘어 점진적으로 발전할 것이다. 미래의 플래너는 동적 교통(Dynamic Traffic), 예측된 장애물 움직임, 의미론적 제한(Semantic Restriction), 에너지 소비, 임무 긴급성, 자원 가용성 및 위험을 경로 생성에 통합할 것이다. 따라서 경로는 고정된 기하학적 경로가 아니라 지속적으로 평가되는 운영 계획(Operational Plan)을 의미하게 된다. 그래프 탐색(Graph Search), 샘플링 기반 방법(Sampling-Based Method), 궤적 최적화(Trajectory Optimization) 및 모델 예측 기법(Model Predictive Technique)은 환경 규모, 로봇 동역학 및 계획 범위에 따라 선택되는 상호 보완적인 도구로 계속 활용될 것이다.

지역 내비게이션(Local Navigation)은 점점 더 예측 중심으로 발전할 것이다. 기존의 반응형 플래너(Reactive Planner)는 주로 주변 장애물의 현재 상태에 대응하지만, 미래 시스템은 보행자, 차량, 로봇 및 환경 조건이 향후 수 초 동안 어떻게 변화할지를 추정하게 될 것이다. 움직임 예측(Motion Prediction)은 궤적 최적화, 모델 예측 경로 적분(Model Predictive Path Integral, MPPI), 속도 장애물(Velocity Obstacle) 기법 또는 학습된 정책(Learned Policy)과 결합되어 충돌이 발생하기 전에 미래의 상호작용을 평가할 수 있다. 이러한 반응 중심에서 예측 중심으로의 전환은 밀집되고 동적이며 사람이 많은 환경에서 내비게이션 성능을 향상시킬 것이다.

안전(Safety)은 단순히 최종 비상 계층으로 처리되는 것이 아니라 명시적인 계획 제약조건(Planning Constraint)으로 점차 표현될 것이다. 제어 장벽 함수(Control Barrier Function), 충돌 경계(Collision Envelope), 불확실성 인지형 여유 거리(Uncertainty-Aware Margin), 속도 제한 및 독립적인 안전 모니터(Safety Monitor)는 전통적 내비게이션 명령과 학습 기반 내비게이션 명령을 모두 제한할 수 있다. AI 정책이 더욱 정교한 행동을 제안하더라도 결정론적 메커니즘(Deterministic Mechanism)은 생성된 움직임이 운영 안전 요구사항을 만족하는지 계속 검증할 것이다. 이러한 분리는 내비게이션 시스템의 자율성과 적응성이 증가할수록 더욱 중요해질 것이다.

다중 로봇 내비게이션(Multi-Robot Navigation)은 단순한 충돌 회피에서 협력적 플릿 지능(Coordinated Fleet Intelligence)으로 확장될 것이다. 충돌 기반 탐색(Conflict-Based Search), 우선순위 계획(Priority Planning), 시공간 계획(Space-Time Planning), 교착상태 해결(Deadlock Resolution) 및 교통 규칙(Traffic Rules)은 공유 공간 조정의 기반을 제공하지만, 더 큰 규모의 플릿에서는 계층적 및 분산형 계획(Hierarchical and Distributed Planning)이 필요하다. 플릿 시스템은 경로, 임무, 충전, 교차로, 스테이션 및 기타 공유 자원을 동시에 조정하게 될 것이다. 결과적으로 내비게이션은 개별 로봇의 이동과 시스템 수준 생산성을 함께 다루는 더 광범위한 최적화 문제의 일부가 될 것이다.

의미론적 내비게이션(Semantic Navigation)은 로봇이 목표를 전달받고 해석하는 방식을 변화시킬 것이다. 모든 작업을 좌표로 표현하는 대신 로봇은 점차 방, 객체, 사람, 활동, 운영 구역 및 이들 사이의 관계를 기반으로 추론하게 될 것이다. 언어 지시(Language Instruction), 의미론적 지도(Semantic Map), 객체 목표 내비게이션(Object-Goal Navigation), 비전-언어 내비게이션(Vision-Language Navigation), LLM 생성 웨이포인트(LLM-Generated Waypoint), 상황 인지형 정책(Contextual Policy) 및 3차원 장면 그래프(3D Scene Graph)는 원본 구조에서 이미 이러한 발전 방향의 주요 구성요소로 정의되어 있다. 미래의 내비게이션은 이러한 표현을 신뢰성 높은 기하학적 실행(Geometric Execution)과 더욱 긴밀하게 연결할 것이다.

AI 기반 계획(AI-Based Planning)은 학습된 지역 정책에서 더욱 범용적인 계획 지능(General Planning Intelligence)으로 내비게이션을 확장할 것이다. 원본 구조는 모방학습(Imitation Learning), 강화학습(Reinforcement Learning), 신경망 모션 계획(Neural Motion Planning), 확산 정책(Diffusion Policy), 트랜스포머 기반 계획(Transformer-Based Planning), LLM 기반 작업 및 모션 계획(LLM-Based Task and Motion Planning), 범용 내비게이션 정책(Generalist Navigation Policy)을 서로 연결한다. 이러한 방법들은 각각의 플랫폼이나 환경마다 독립된 정책을 학습하는 방식에서 벗어나 여러 로봇과 작업에서 학습된 내비게이션 지식을 재사용할 수 있는 시스템으로 발전하는 방향을 보여준다.

범용 내비게이션 정책은 로봇의 신체성(Embodiment)을 더욱 강하게 표현해야 한다. AMR, 사족보행 로봇(Quadruped), 휴머노이드(Humanoid), 이동형 매니퓰레이터(Mobile Manipulator) 및 UAV는 동일한 의미론적 목표를 공유하더라도 동일한 움직임을 실행할 수 없다. 따라서 미래 모델은 플랫폼 형상, 운동학(Kinematics), 동역학, 센싱, 탑재량, 이동 능력 및 사용 가능한 행동을 조건으로 계획을 수행해야 한다. 공유 표현(Shared Representation)은 공통적인 추론을 제공하고, 신체별 플래너와 제어기(Embodiment-Specific Planner and Controller)는 이러한 추론을 각각의 로봇 유형에 물리적으로 실행 가능한 움직임으로 변환할 수 있다.

내비게이션과 조작(Manipulation) 역시 더욱 긴밀하게 결합될 것이다. 이동형 매니퓰레이터와 휴머노이드는 베이스 이동을 팔 뻗기, 파지, 운반, 문 열기 또는 장비와의 상호작용과 항상 독립적으로 계획할 수 없다. 미래의 작업 및 모션 계획(Task and Motion Planning) 시스템은 로봇이 어디에 서야 하는지, 신체를 어떻게 구성해야 하는지, 어떤 객체를 조작해야 하는지, 그리고 그 이후 어떤 내비게이션 행동을 수행해야 하는지를 통합적으로 추론할 것이다. 이에 따라 내비게이션은 목적지 도달에서 더 긴 물리적 행동 순서 안에서 지속적으로 작업에 적합한 위치를 결정하는 작업 인지형 위치 결정(Task-Aware Positioning)으로 발전할 것이다.

다족보행 내비게이션(Legged Navigation)은 계획을 2차원 점유 표현(2D Occupancy Representation) 이상으로 확장할 것이다. 원본 볼륨 구조에는 이미 발 디딤점 계획(Footstep Planning), 고도 지도 기반 지형 분석(Elevation-Map Terrain Analysis), 계단 통과, 간격 횡단(Gap Crossing), 전신 계획(Full-Body Planning), GPS 비가용 환경 내비게이션, 바퀴-다리 하이브리드 전략(Hybrid Wheeled-Legged Strategy) 및 휴머노이드 내비게이션이 포함되어 있다. 이러한 기술은 지형 주행 가능성, 접촉점 선택, 신체 구성, 안정성 및 경로 목표를 함께 추론하는 플래너로 발전하는 방향을 보여준다. 미래 시스템에서는 전역 임무 계획이 이동 가능성(Locomotion Feasibility)과 더욱 직접적으로 연결될 것이다.

계산 가속(Computational Acceleration) 역시 중요한 발전 축이 될 것이다. 원본 구조의 최적화 기반 계획(Optimization-Based Planning)에는 이미 GPU 가속 궤적 최적화(GPU-Accelerated Trajectory Optimization)가 포함되어 있으며, 지역 계획에는 GPU 병렬 MPPI 롤아웃(GPU-Parallel MPPI Rollout)이 포함되어 있다. 병렬성이 향상되면 플래너는 실시간 제약조건 안에서 더 많은 후보 궤적, 불확실성 샘플, 예측된 미래 상태 및 다중 로봇 상호작용을 평가할 수 있으며, 이를 통해 제어 주기의 응답성을 유지하면서 더욱 복잡한 추론을 수행할 수 있다.

시뮬레이션(Simulation)은 단순한 배치 이전 시험 환경을 넘어 내비게이션 엔지니어링의 지속적인 구성요소가 될 것이다. 학습 정책은 대규모 무작위 시나리오에서 학습될 수 있으며, 전통적인 플래너 역시 혼잡, 센서 성능 저하, 동적 장애물 및 비정상적인 지형 조건에서 스트레스 테스트(Stress Test)를 수행할 수 있다. 시뮬레이션-현실 전이 검증(Sim2Real Validation)은 시뮬레이션 결과와 실제 로봇 로그를 연결하여 현실에서 발생한 어려운 상황을 재현하고 이후 개발 주기에 다시 통합할 수 있도록 한다. 따라서 내비게이션 개선 과정은 점차 데이터 기반(Data-Driven)이며 반복적인 형태로 발전할 것이다.

생산용 내비게이션 스택(Production Navigation Stack)은 지능이 증가하더라도 모듈성(Modularity)을 유지해야 한다. 원본 구조는 Navigation2 아키텍처, 행동 트리(Behavior Tree), 코스트맵 플러그인(Costmap Plugin), 사용자 정의 전역 플래너(Custom Global Planner), 컨트롤러 플러그인(Controller Plugin), 복구 행동(Recovery Behavior), API, 파라미터 튜닝(Parameter Tuning), 지속적 통합(Continuous Integration) 및 생산 배치를 하나의 전체 장으로 구성하고 있다. 이는 미래의 지능이 분리할 수 없는 단일 거대 모델(Monolithic Model)이 되기보다 명시적인 인터페이스, 시험 가능한 모듈, 모니터링, 복구 로직 및 반복 가능한 소프트웨어 엔지니어링 프로세스를 통해 실제 시스템에 배치되어야 함을 보여준다.

성능 평가(Evaluation) 역시 성공률과 경로 길이를 넘어 확장될 것이다. 미래 벤치마크(Benchmark)는 안전성, 불확실성 처리, 사회적 규범 준수(Social Compliance), 에너지 사용량, 계산 지연시간, 복구 품질, 일반화(Generalization), 플릿 확장성(Fleet Scalability), 의미론적 작업 완료 및 분포 변화(Distribution Shift) 상황에서의 성능을 측정해야 한다. 서로 다른 플랫폼에는 공통적인 시스템 수준 지표와 신체 특성별 지표(Embodiment-Specific Metric)가 함께 필요하다. 또한 지도, 교통 패턴, 센서, 환경 및 로봇 상태가 변화하더라도 신뢰성 있는 내비게이션이 안정적으로 유지되어야 하므로 장기간 운용(Long-Duration Operation)에 대한 평가가 점점 중요해질 것이다.

따라서 장기적인 로드맵(Long-Term Roadmap)은 전통적인 내비게이션을 하나의 AI 플래너로 대체하는 것이 아니다. 그래프 계획(Graph Planning), 샘플링(Sampling), 최적화(Optimization), 예측형 지역 제어(Predictive Local Control), 동적 장애물 회피, 다중 로봇 조정, 의미론적 추론(Semantic Reasoning), 학습 기반 정책, 생산용 내비게이션 프레임워크 및 신체성 인지형 이동(Embodiment-Aware Locomotion)이 서로 융합되는 방향이다. 원본 볼륨은 이러한 주제를 순차적인 장으로 구성한 후 산업 사례 연구와 미래 로드맵으로 마무리하도록 설계되어 있다. 미래의 내비게이션 시스템은 단순히 어떻게 이동할 것인지만 판단하는 것이 아니라, 그 움직임이 무엇을 위한 것인지, 다음에 어떤 상황이 발생할 수 있는지, 어떤 제약조건이 중요한지, 그리고 안전한 물리적 실행을 유지하면서 어떻게 적응해야 하는지까지 점차 이해하게 될 것이다.


저자: Richard Minsoo Go

LinkedIn: Richard Minsoo Go

Top comments (0)