H2INT라는 로봇 내비게이션 시스템은 보행자의 시선, 신체 방향, 속도 추정치, 또는 누가 로봇에 반응하고 있는지를 나타내는 명시적 라벨 없이도, 보행자와의 상대적 위치 정보만으로 밀집한 군중 사이를 이동한다. 2단계 게이티드 트랜스포머와 순환 메모리는 사람 간 상호작용과 사람-로봇 상호작용을 함께 처리하며, 반응성 커리큘럼은 학습 안정성을 높인다. LiDAR를 장착한 로봇은 실내 공간에서 실제로 목표 지점에 도달했다.
목차
연구진이 만든 것
H2INT는 행동을 예측하기 어려운 사람들 사이에서 작동하는 로봇용 내비게이션 정책이다. 모든 보행자가 로봇을 알아보고 똑같이 반응한다고 가정하는 대신, 이 시스템은 여러 행동 양식을 모델링한다. 어떤 사람은 로봇 때문에 이동 경로를 바꾸지만, 다른 사람은 로봇과 무관하게 계속 걸어간다. 각 보행자의 반응 성향은 로봇이 직접 관측할 수 없고 시간에 따라 지속되므로, 이 문제는 실제 군중의 움직임에 더 가깝다.
로봇은 센서로부터 상대적 위치 정보를 받는다. 사람의 시선 방향, 신체 방향, 주의 여부에 대한 라벨, 추정 속도는 입력으로 사용하지 않는다. 따라서 정책은 시간이 흐르며 군중이 어떻게 변하는지를 바탕으로 상호작용 패턴을 추론해야 한다.
핵심 모델은 두 개의 게이티드 트랜스포머 단계로 구성된다. 첫 번째 단계는 로봇과 주변 보행자 사이의 관계를 초기 표현으로 만든다. 두 번째 단계는 이미 추출된 상호작용 특징을 결합해 그 표현을 한층 정교하게 다듬는다. 고정된 잔차 연결에 의존하는 대신, GRU 방식의 게이트가 각 층에 새 정보가 얼마나 유입될지를 조절한다.
이후 순환 정책 코어가 시간 단계 사이에서 정보를 전달한다. 트랜스포머와 순환 메모리를 함께 사용하면 보행자 수가 달라지는 군중에서도 곧바로 행동을 선택할 수 있다. 시스템은 PPO로 학습한 액터-크리틱 강화학습 정책을 통해 이동 명령을 출력한다.
주요 결과
H2INT는 CrowdNav Circle Crossing 환경에서 평가되었으며, 학습에 사용하지 않은 세 가지 구조적으로 다른 군중 흐름 모드에서도 테스트되었다. 평가는 보행자의 반응성과 군중 밀도가 달라졌을 때 로봇이 내비게이션 성능을 유지할 수 있는지에 초점을 맞췄다.
완전한 H2INT 모델은 테스트한 반응 조건과 군중 규모 전반에서 가장 일관된 성공률 추이를 보였다. 단일 단계 트랜스포머는 모든 테스트 조건에서 더 낮은 성능을 기록했으며, 이는 상호작용 특징을 두 단계로 정제하는 방식의 가치를 뒷받침한다. 어텐션을 평균 풀링으로 바꾸자 보행자의 반응성이 가장 낮은 조건에서 성능이 가장 크게 떨어졌다. 단순한 특징 평균만으로는 군중 내부의 중요한 관계를 포착하기 어렵다는 뜻이다.
표준 트랜스포머의 잔차 연결 역시 군중 밀도가 가장 높을 때 신뢰성이 떨어졌다. 게이티드 업데이트는 상호작용이 복잡해질수록 네트워크가 정보 흐름을 조절하는 데 도움을 줬다.
학습 커리큘럼을 적용하자 난이도를 고정한 채 갑자기 학습하는 경우보다 평균 리턴이 더 빠르게 상승했고 분산도 낮았다. 이 커리큘럼은 로봇을 무시하는 보행자의 비율을 점진적으로 높여, 정책이 협조적인 상황에서 더 불확실한 상황으로 단계적으로 적응하도록 했다.
실세계 테스트에서는 LiDAR로 보행자를 감지하는 모바일 로봇에 정책을 이식했다. 사람들이 로봇의 경로를 가로지르는 동안에도 로봇은 충돌 없이 목표에 도달했다. 다만 이는 광범위한 현장 통계 벤치마크라기보다 실제 배치 가능성을 보여 준 결과다.
작동 방식
H2INT는 관측된 각 보행자 관계를 하나의 토큰으로 변환한다. 토큰은 장면의 한 요소를 나타내는 압축된 특징 벡터다. 로봇에는 전용 토큰이 할당되고, 주변 사람은 로봇을 기준으로 한 상대 위치 같은 기하 정보를 담은 로봇-상대 엣지 토큰으로 표현된다. 타입 임베딩은 로봇 토큰과 보행자 관계 토큰을 구분하며, 위치 인코딩은 구조적 정체성을 보존한다.
셀프 어텐션을 사용하면 각 보행자 토큰이 다른 토큰과 정보를 주고받을 수 있다. 따라서 한 사람의 표현은 그를 고립된 장애물로 다루는 대신 주변 군중을 반영할 수 있다. 이 방식은 보행자의 속도를 명시적으로 추정하지 않고도 사람 간 상호작용을 간접적으로 모델링한다.
첫 번째 게이티드 트랜스포머 단계는 초기 관계 업데이트를 수행한다. 어텐션과 피드포워드 네트워크를 거친 뒤, GRU 방식의 잔차 게이트가 새 특징이 이전 표현을 어느 정도 대체하거나 수정할지 결정한다. 두 번째 단계는 이미 풍부해진 특징에 같은 과정을 반복해, 더욱 정교한 로봇 중심 상호작용 요약을 만든다.
마스킹 메커니즘은 실제 보행자 수가 모델의 설정상 최대 인원보다 적을 때 패딩된 항목이 존재하지 않는 보행자를 나타내지 않도록 한다. 다만 계산량은 패딩된 시퀀스 길이에 따라 늘어나므로, 매우 넓은 감지 범위나 큰 군중 한도를 설정하면 실행 시간이 증가할 수 있다.
정제된 맥락 벡터는 순환 액터-크리틱 네트워크로 전달된다. 이 네트워크의 GRU는 시간 정보를 저장해 연속적인 위치 관측으로부터 움직임의 추세를 추론하도록 돕는다. 액터는 이동 행동에 대한 확률 분포를 출력하고, 크리틱은 기대 보상을 추정한다. PPO와 일반화 어드밴티지 추정법을 사용해 트랜스포머와 순환 정책을 함께 학습한다.
궤적 예측 플래너와 달리 H2INT는 먼저 모든 보행자의 미래 경로를 전개하지 않는다. 현재의 로봇 중심 관측을 행동 분포로 직접 변환하므로, 온라인 의사결정 과정을 비교적 간결하게 유지할 수 있다.
로보틱스에서 중요한 이유
로봇이 모든 사람을 똑같이 예측 가능한 존재로 취급하면 군중 내비게이션은 실패한다. 역, 전시장, 병원, 창고에서는 어떤 사람은 비켜 주고, 어떤 사람은 로봇을 알아채지 못하며, 또 어떤 사람은 다른 보행자 때문에 방향을 바꾼다. H2INT는 시선이나 신체 방향을 추정하는 카메라 없이도 이런 변동성을 다룬다.
이처럼 센서 입력을 제한한 구조는 실제 배치에 유리하다. LiDAR 시스템은 얼굴이나 자세를 해석할 때 발생하는 개인정보 보호, 조명, 보정 문제를 피하면서 상대적 위치를 제공할 수 있다. 실제 로봇 실험은 시뮬레이션에 없던 움직임, 잡음이 섞인 감지, 부분적인 가림이 있는 상황에서도 정책이 작동할 수 있음을 보여 준다.
이 접근법은 작업자와 통로나 작업 구역을 공유하는 창고 로봇에 특히 관련성이 높다. 학습된 정책 주변에 안전 한계를 적용할 수 있다면, 공공장소를 이동하는 서비스 로봇과 배송 플랫폼에도 활용할 수 있다.
가장 중요한 설계상의 교훈은 인식과 행동을 함께 검증해야 한다는 점이다. 모든 보행자가 똑같이 반응한다고 가정하는 시뮬레이터는 네트워크 용량을 키우는 것만으로 해결할 수 없다.
한계와 남은 과제
보고된 실세계 평가는 광범위한 통계 연구가 아니라 시연에 가깝다. 한 곳의 실내 공간에서 충돌 없이 한 번 성공적으로 주행한 결과만으로는 다양한 건물, 군중 밀도, 센서 배치, 보행 문화에서의 신뢰성을 입증할 수 없다.
행동 모델은 의도적으로 간결하게 설계되었다. 보행자가 로봇에 반응하는지를 표현하지만, 거리, 상대 속도, 신체 방향, 집단 소속, 목적지 같은 더 복잡한 원인은 다루지 않는다. 이런 신호를 추가하면 예측력이 향상될 수 있지만, 센싱과 모델링의 복잡성도 커진다.
아키텍처는 패딩된 군중 표현에 대해 밀집 어텐션을 사용한다. 군중이 매우 크거나 온보드 컴퓨터의 성능이 제한적이면 실행 시간과 메모리가 병목이 될 수 있다. 앞으로는 통과 여유 거리, 보행자 체감 편안함, 개입 횟수, 계산 시간, 센서 누락 상황에서의 성능을 반복 측정할 수 있는 평가가 필요하다.
자주 묻는 질문
H2INT는 무엇을 관측하나요? 시선, 신체 방향, 속도 추정치, 명시적 주의 라벨이 아니라 시간에 따른 로봇 중심의 보행자 상대 위치를 관측합니다.
H2INT는 사람이 로봇을 인식하고 있는지 판단하나요? 아니요. 시스템은 보행자의 반응성을 잠재 변수로 두고, 움직임 피드백에 나타나는 행동 결과를 통해 이를 학습합니다.
H2INT는 왜 트랜스포머 단계를 두 개 사용하나요? 첫 번째 단계가 상호작용 특징을 만들고 두 번째 단계가 이를 정제하기 때문입니다. 테스트한 단일 단계 대안보다 성능이 좋았습니다.
H2INT는 실제 로봇에서 테스트되었나요? 네. LiDAR를 장착한 모바일 로봇이 실내 전시 공간에서 이 정책을 사용했으며, 보고된 실험에서 충돌 없이 목표에 도달했습니다.
결론
H2INT는 게이티드 관계형 어텐션과 순환 메모리를 결합해, 보행자의 반응이 서로 다르고 그 성향이 직접 드러나지 않는 군중 속에서 로봇이 이동하도록 돕는다. 시뮬레이션 비교, 학습에 없던 군중 흐름에 대한 테스트, 실제 로봇 시연은 제한된 센서로 사회적 내비게이션을 구현하는 실용적 방향을 보여 준다. 다만 더 폭넓은 현장 평가가 필요하다.