BLT*: 디지털 트윈에서 불확실성 인지 경로 계획을 위한 Informed Belief Localization Trees

큰 실외 디지털 트윈에서 점군 기반 위치추정 품질을 반영하면서 확률적 충돌, 목표 제약을 만족하는 belief space 최단 경로를 샘플링 기반으로 효율적으로 찾을 수 있는가?

기존 샘플링 기반 BSP는 저차원 환경이나 해석적 관측 모델에서 평가되어, 점군 지오메트리에서 위치추정 품질을 추론해야 하는 디지털 트윈에서는 계산 비용이 크다. 동적 객체, 식생, 재구성 아티팩트 등으로 관측 신뢰도가 낮아지고, 새 경로를 생성할 때마다 관측을 다시 전파해야 해 대규모 환경으로 확장하기 어렵다.

Belief-A, RRBT, B-RRT, B-SST 등은 belief space에서 직접 샘플링하거나 nominal 그래프 위에서 uncertainty를 전파한다. 그러나 Belief-A는 W2를 근접성 지표로만 쓰고 별도 trajectory cost를 유지하며, 제어 입력을 샘플링해 상태를 생성하므로 점군 관측 비용이 큰 디지털 트윈에서는 계산 부담이 커진다. 다른 perception-aware planner는 공간 localizability나 photometric 정보를 쓰지만 점군 기반 대규모 디지털 트윈에 직접 적용하기 어렵다.

Informed BLT*는 RRT*와 Informed RRT*를 W2 경로 목적 아래 belief space로 확장했다. 등방성 가우시안 belief와 holonomic 운동 모델에서 belief 도달 가능성을 폐형으로 유도해, 관측 전파 없이 steering과 rewiring을 수행하고 기존 노드의 점군 ICP 정보 행렬을 재사용한다. convex goal set에 대한 prolate hyperspheroid informed sampling 영역을 하나로 근사하고, SAM3 기반 의미론적 라벨링과 ICP Hessian을 정보 행렬로 쓰는 디지털 트윈 전처리 파이프라인을 만들었다.

3개 커스텀 2D 맵, 10개 랜덤 2D 맵, 3개 드론 사진측량 디지털 트윈에서 5개 플래너를 50회 시행하고 W2와 ell2 두 목적으로 총 8000회 실행했다. 제안한 두 플래너는 Narrow를 제외한 모든 맵에서 가장 빠른 초기 해를 찾았다. Random 10개 맵(총 500회)에서 Informed BLT*의 W2 기준 평균 첫 해 시간은 3.30 ms, BLT*는 3.27 ms로 B-RRT 6.56 ms, B-SST 4.98 ms, RRBT 45.32 ms보다 빨랐다. 100초 평균 비용은 Random에서 Informed BLT* 66.40 m, BLT* 68.81 m였고, 가장 낮은 최종 비용 대비 1.34% 이내였다. 디지털 트윈에서는 Campus 첫 해 0.09 s, 최종 102.70 m, Office 첫 해 3.37 s, 최종 445.92 m, Rural 첫 해 0.01 s, 최종 130.80 m(W2 기준)였고 BLT* 변형은 모든 시행에서 성공했다. Office에서 B-RRT와 B-SST는 10초, 100초 성공률 0%, RRBT는 100초 성공률 24%였다. 실물 로봇 없이 시뮬레이션과 사진측량 재구성 디지털 트윈에서 수행됐다.

저자들은 최적성 특성과 informed region의 containment 보장을 확립하지 못했다고 밝혔다. Narrow 맵에서는 rewiring 반경과 partial information 처리에 민감했다. 등방성 가우시안 belief와 holonomic 운동 모델 가정으로 제한되며 실물 로봇 실험은 보고되지 않았다. 의미 클래스 선택이 사용자 지정이라 일반화에 한계가 있을 수 있고, 코드 공개 여부는 논문에 명시되지 않았다.