서론
이러한 한계를 극복하기 위해 NeSAM(Neuro-Symbolic Soil Adaptive Mobility)을 제안한다. NeSAM은 학습된 지형 표현, 미분 가능한 Bekker–Wong 지반역학, Transformer 기반 잔차 모델을 결합한다. 지반역학 구성 요소는 변형 가능한 토양의 구조와 조정 가능한 물리 파라미터를 제공하며, 학습된 잔차는 해석적 예측과 실제 관측된 차량 운동 사이에 존재하는 체계적인 오차를 보정한다. 본 연구의 주요 기여는 다음과 같다.
- 변형 지형에서 차량의 6자유도 운동을 장기간 예측하기 위해, 미분 가능한 Bekker–Wong 지반역학, 학습된 지형 표현, Transformer 기반 잔차 운동역학을 통합한 신경-기호 운동역학 프레임워크를 제시한다.
- 예측된 차량 운동과 측정된 차량 운동의 차이를 활용해 물리적으로 해석 가능한 지반역학 파라미터를 갱신하는 EKF 기반 온라인 토양 적응 기법을 개발한다.
- Chrono 기반 시뮬레이션과 실제 차량 궤적에서 장기 자기회귀 예측을 평가하고, 지형 정보를 활용하는 학습 모델 및 지형 정보를 사용하지 않는 학습 모델과 비교한다.
- 시뮬레이션과 실제 Verti-4-Wheeler 플랫폼에서 폐루프 주행을 수행해 온라인 토양 적응을 검증한다.
관련 연구
이 절에서는 지반역학 및 토양 식별, 학습 기반 오프로드 이동성 모델링, 차량 운동역학의 온라인 적응에 관한 선행 연구를 검토한다.
학습 기반 오프로드 운동역학
학습 기반 오프로드 이동성 연구는 역모델과 종단 간 제어 정책에서 출발해 예측 계획에 활용할 수 있는 순방향 운동역학 모델로 발전해 왔다. 역 운동역학 모델은 차량 운동 데이터로부터 제어 보정값을 학습하는 반면, 모방학습은 차량에 탑재된 관측값을 조향 및 스로틀 명령으로 직접 변환한다. 이에 비해 학습된 순방향 모델은 미래 차량 상태를 예측하므로 모델 예측 제어기에 통합할 수 있다.
이러한 방법들은 상태 표현, 지형 데이터 양식, 예측 구조에서 서로 다르지만, 모두 지형을 강체 표면으로 취급하며 지형 의존적 효과를 주로 처음부터 학습한 특징으로 표현한다. 따라서 변형 지형에서 침하와 전단을 좌우하는 하중 의존적 토양 변수를 명시적으로 고려하지 않으며, 온라인 토양 적응에 사용할 해당 물리 파라미터도 제공하지 않는다.
온라인 적응과 하이브리드 운동역학
미분 가능한 시뮬레이터는 물리 모델과 학습을 통합하는 또 다른 방법을 제공하며, 강체 및 연성체 시스템의 시스템 식별, 제어, 잔차 모델링에 활용되어 왔다. 그러나 기존 연구에서는 오프로드 계획 프레임워크 안에서 지형 조건을 반영한 6자유도 예측, 미분 가능한 변형 토양 역학, 해석 가능한 토양 파라미터의 적응을 함께 다루지 않았다.
방법
NeSAM은 학습된 지형 조건부 상호작용 모델과 미분 가능한 지반역학을 결합해 차량 운동을 예측한다. Transformer는 최근의 차량-지형 상호작용 이력을 인코딩한다. 침하 예측 헤드는 지반역학 모델에 필요한 각 바퀴의 침하량을 예측하고, 상태 잔차 헤드는 물리 기반 상태 증가량에 적용할 섀시 수준의 단일 보정값을 예측한다.
예측된 침하량은 모델이 이용할 수 있는 각 바퀴의 각속도 및 현재 토양 추정값과 함께 미분 가능한 지반역학을 통해 바퀴-지형 상호작용력을 결정한다. 이렇게 계산된 힘은 Newton–Euler 운동역학을 통해 전파되며, 학습된 상태 잔차가 그 결과로 얻은 차량 상태 예측을 보정한다.
NeSAM 학습 및 적응
NeSAM의 학습 구성 요소는 다단계 자기회귀 예측을 통해 최적화된다. 초기 차량 상태와 이용 가능한 입력 이력에서 시작해, 여러 미래 시간 단계에 대한 롤아웃을 NeSAM 상태 전이 모델을 반복 적용하는 방식으로 생성한다.
이때 모델이 사용하는 지형 관측값은 예측된 차량 상태에 맞춰 정렬된 지형 관측값이며, 이에 대응하는 토양 정보는 해당 의미론적 토양 사전정보이다. 따라서 각 예측 상태는 미래의 실제 정답 상태를 참조하지 않고 다음 모델 입력을 구성하는 데 사용된다.
모델은 다단계 롤아웃 목적 함수를 사용해 학습된다. 여기서 가중 차량 상태 예측 오차가 예측 오차를 측정하고, 롤아웃 단계 가중 계수는 각 롤아웃 단계가 기여하는 정도를 조절한다. 그래디언트는 토양 예측기, Transformer 예측 헤드, 미분 가능한 지반역학, Newton–Euler 운동역학 모델을 거쳐 전파되며, 사전 학습된 지형 인코더의 가중치는 고정된다.
실험
NeSAM은 상호 보완적인 두 가지 관점에서 평가한다. 첫째, 시뮬레이션과 실제 실험에서 학습 기반 최신 기준 모델과 비교해 장기 운동역학 모델링 정확도를 평가한다. 둘째, EKF 기반 토양 적응을 적용한 NeSAM과 적용하지 않은 동일한 NeSAM 모델을 비교해 폐루프 궤적 추종에서 온라인 토양 적응의 효과를 평가한다. 후자의 실험은 다른 운동역학 기준 모델과의 비교가 아니라 적응 기능에 대한 절제 실험이다.
실험은 Verti-Bench 시뮬레이터와 실제 오프로드 테스트베드인 Verti-Arena에서 수행한다.
NeSAM은 고도 및 의미론 관측값을 함께 사용하는 순수 종단 간 Transformer 예측기와 TAL에 대해 비교한다. 이 모델은 TAL Elevation and Semantics로 부르며, 각 관측 양식을 단독으로 사용하는 경우도 함께 평가한다. 또한 두 가지 NeSAM 절제 모델을 평가한다.
- 상태 잔차가 없는 NeSAM: 학습된 상태 잔차 분기를 제거한다.
- 침하가 없는 NeSAM: 나머지 신경-기호 파이프라인은 유지하면서 예측된 바퀴 침하량의 사용을 억제한다.
결론
NeSAM은 변형 지형에서의 오프로드 이동성을 위한 신경-기호 기반 운동역학 모델링 프레임워크다. 학습된 지형 표현, 물리적으로 의미 있는 바퀴-지형 상호작용 변수의 예측, 미분 가능한 Bekker–Wong 지반역학, 학습된 상태 잔차를 결합함으로써 NeSAM은 시뮬레이션과 실제 실험 모두에서 장기 차량 운동 예측 성능을 향상한다.
MPPI와 통합하면 EKF 기반 온라인 토양 적응은 지형 조건이 변할 때 관측된 차량 운동으로부터 토양 파라미터를 정교화해 폐루프 궤적 추종 성능을 추가로 향상한다.
현재 NeSAM의 한계는 바퀴-지형 상호작용을 기본 Bekker–Wong 지반역학 정식화로 충분히 표현할 수 있다고 가정한다는 점이다. 온라인 적응을 통해 관련 토양 파라미터를 조정할 수는 있지만, 압력–침하 및 전단 관계 자체를 수정할 수는 없다. 따라서 이러한 가정에서 크게 벗어나는 지형 거동은 파라미터를 적응시킨 뒤에도 모델링하기 어려울 수 있다.
향후 연구에서는 이러한 구조적 가정을 완화하면서도 신경-기호 프레임워크의 해석 가능성과 적응성을 유지할 수 있는, 더욱 풍부한 미분 가능한 지형 모델과 학습 기반 물리 보정 기법을 연구할 예정이다.
자주 묻는 질문
NeSAM이란 무엇인가? NeSAM은 변형 지형에서 오프로드 차량의 운동을 예측하는 신경-기호 기반 운동역학 프레임워크다.
NeSAM은 토양과의 상호작용을 어떻게 모델링하는가? 예측된 바퀴 침하량, 토양 추정값, 바퀴 각속도, 미분 가능한 Bekker–Wong 지반역학을 결합해 바퀴-지형 상호작용력을 계산한다.
온라인 토양 적응은 무엇을 하는가? EKF가 예측된 차량 운동과 측정된 차량 운동의 차이를 이용해 물리적으로 해석 가능한 지반역학 파라미터를 갱신한다.
NeSAM은 어디에서 평가되었는가? NeSAM은 Verti-Bench 시뮬레이터, 실제 차량 궤적, 실제 Verti-Arena 오프로드 테스트베드에서 평가되었다.