변화하는 환경에서 정보성 모니터링을 위한 외란 고려 로봇 계획

변화하는 환경에서 정보성 모니터링을 위한 외란 고려 로봇 계획

Kaleb Ben Naveed, Haejoon Lee, Anouck Girard, Dimitra Panagou

3 분 읽기•2026년 11월 16일

자율 로봇은 온도, 수질, 지형 특성과 같은 관심 대상 물리량을 측정하며 환경 모니터링에 널리 활용됩니다. 시공간 환경에서는 이러한 물리량이 시간에 따라 변하면서 정보가 감쇠합니다. 따라서 정보성 계획은 로봇 궤적을 최적화할 때 정보 획득과 감쇠를 모두 고려해야 합니다. 또 다른 과제는 로봇의 움직임과 측정 위치에 영향을 줄 수 있는 외부 외란의 불확실성입니다. 이 때문에 공칭 동역학을 사용해 최적화한 궤적은 실행 중 예상보다 적은 정보를 획득할 수 있습니다.

후속 모니터링을 개선할 외란 측정 지점을 선택하려면 외란 불확실성의 감소가 향후 계획 결정에 미치는 영향을 고려해야 합니다. 이는 즉각적인 성능과 학습 사이의 균형을 맞추는 이중 제어, 그리고 과업 성능에 미치는 영향을 기준으로 학습의 우선순위를 정하는 과업 최적 탐색과 밀접한 관련이 있습니다. 하지만 이러한 이점을 직접 평가하는 일은 계산적으로 어렵습니다. 가능한 측정 결과와 그 결과가 외란에 대한 믿음에 미치는 영향, 그리고 그에 따라 이후의 정보성 궤적이 어떻게 달라지는지를 고려해야 하기 때문입니다.

2단계 접근법

이 문제를 해결하기 위해 온라인 2단계 접근법을 개발합니다. 첫 번째 단계에서는 모니터링 과업과 관련된 영역에서 외란을 측정합니다. 해당 영역의 불확실성이 충분히 줄어들면, 두 번째 단계에서는 학습된 외란에 대한 믿음을 이용해 정보성 궤적을 최적화합니다. 두 단계 모두에서 관심 대상 물리량과 외란을 계속 측정합니다.

외란 고려 모니터링을 위해 제안된 시나리오

외란 추정

기하학적 경로와 모니터링 관련성 점수를 활용해 외란 측정의 우선순위를 정할 위치를 결정합니다.

결론

모니터링 정보를 반영한 외란 학습과 외란 고려 궤적 최적화를 결합한 2단계 프레임워크를 제시했습니다. 보고된 네 번의 실행에서 모니터링 정보 기반 샘플링은 전역 추정에 비해 전용 학습 시간을 명시되지 않은 하한-상한 백분율 범위만큼 줄이고, 외란으로 인해 센싱 위치에 접근하기 어려운 경우 모니터링 성능을 개선합니다. 대체로 잔잔한 시나리오에서는 불필요한 학습에 따르는 비용도 드러납니다.

시뮬레이션 및 비교 프로토콜

시뮬레이션에서는 공칭 동역학으로 이중 적분기 모델을 사용하고, 상대 공기 속도 힘 모델을 통해 바람의 영향을 반영합니다. 바람은 공간에 따라 달라지지만 시간에 따라서는 변하지 않습니다. 각 방법은 시나리오별 기하 구조, 초기 상태와 명료도, MBD 예산을 동일하게 사용합니다. 계획 구간은 명시되지 않은 시간이며, 실행 구간은 명시되지 않은 개수입니다. 바람 추정은 측정값 없이 시작하고, 실행 중 수집한 관측값을 바탕으로 POAM을 온라인으로 갱신합니다.

경로 가중 외란 불확실성이 명시되지 않은 임계값 아래로 내려가면 전용 학습을 종료합니다. 반면 B4는 자유 작업공간 전체의 외란 불확실성을 평가합니다. 이 사후 불확실성 기준은 모델에 의존하며 실제 바람 추정 오차의 상한을 보장하지 않습니다.

비교 방법

B1은 계획 단계에서 바람이 없다고 가정하고, 안전 필터링 없이 MBD 궤적을 실행합니다.

평가된 방법으로 생성한 궤적

자주 묻는 질문

이 프레임워크는 어떤 문제를 다루나요? 환경 물리량이 시간에 따라 변하고 외부 외란이 로봇의 움직임과 측정 위치에 영향을 줄 수 있을 때의 정보성 로봇 계획을 다룹니다.

2단계 접근법은 어떻게 작동하나요? 먼저 과업 관련 영역에서 외란을 측정한 다음, 학습된 외란에 대한 믿음을 이용해 정보성 궤적을 최적화합니다.

이 접근법은 외란 측정의 우선순위를 어디에 두나요? 기하학적 경로와 모니터링 관련성 점수를 사용해 외란 측정의 우선순위를 정할 위치를 파악합니다.

외란 불확실성 기준에는 어떤 한계가 있나요? 사후 불확실성 기준은 모델에 의존하며 실제 바람 추정 오차의 상한을 보장하지 않습니다.