손목 카메라 능동 인식으로 UR10 모바일 매니퓰레이터, 혼잡 공간 주행 9회 모두 성공…기존 방식은 최대 6회 (토론토대, 엡손캐나다, 뮌헨공대)

모바일 매니퓰레이터가 주행 중 팔에 단 카메라로 현재 경로를 가장 위험하게 만드는 지도 오류 지점을 골라 보면, 어수선하고 조금씩 바뀌는 공간에서 더 안전하게 주행할 수 있는가.

물류센터와 공장, 사무실은 로봇이 다시 올 때마다 상자가 옮겨지고 기둥이 생기는 등 조금씩 바뀐다. 주행 소프트웨어는 대개 지도가 고정돼 있다고 가정하고, 시야가 좁은 본체 카메라는 사각지대 뒤 장애물을 가까이 가서야 알아챈다. 그 결과 충돌이나 정지, 불필요한 경로 재계획이 생긴다.

손목 카메라를 고정하거나, 경로 앞쪽을 보게 하거나, 무작위로 보거나, 경로와 무관하게 지도 정보량만 키우는 차선 시점(NBV) 계획을 쓴다. 물체 단위로 변화를 다루는 지도 기술은 있지만 카메라 시점 제어와 결합된 경우는 드물다.

확률적 차선 시점 목표가 지도 불확실성에 경로와의 거리, 물체가 움직였을 가능성을 가중해 '과제 의존 지도 엔트로피'를 계산한다. 이 시점 목표를 주행을 인식보다 우선하는 계층형 모델예측제어에 넣어, 팔의 남는 자유도로 카메라를 돌리면서도 본체 경로 추종은 해치지 않는다. 충돌 회피는 로봇을 감싼 여러 개의 구(球)에 제어 장벽 함수 제약을 건다. 하드웨어는 클리어패스 리지백 이동 플랫폼 위의 유니버설로봇 UR10과 오비벡 펨토 볼트 RGB-D 카메라 두 대이며, 계산은 탑재 노트북이 맡는다.

장면 3곳에서 3회씩 모두 9회 연속 주행에서 제안 방식은 100%를 완주했다. 경로 앞 보기 방식은 66.7%, 고정과 NBV-Map, 무작위는 각 33.3%였다. 쉬운 장면에서는 정밀도 87.4%, 재현율 70.9%, 오검출률 1.7%로 모두 가장 좋았다. L자 벽 장면에서 재현율은 73.0%로 기존 방식(28.4~31.2%)을 크게 앞섰고 기존 방식은 모두 세 번 충돌했다. 사무실 장면 재현율은 70.0%로 최고 기존 방식(58.3%)보다 높았다. 대신 어려운 장면에서는 정밀도가 낮고 오검출률이 8.4%와 8.6%로 높아졌다.

프리프린트다. 실제 시험은 실내 장면 3곳, 방식별 9회로 작고, 충돌하면 지도를 초기화했다. 저자들은 어려운 장면의 낮은 정밀도를 위치 추정 오차와 센서 잡음 탓으로 본다. 장면 변화 대응은 통제된 시뮬레이션과 시연 위주로 보였을 뿐 대규모로 측정하지 않았고, 일반 AMR에는 없는 카메라 달린 팔이 필요하다.