MEKAWIRE
중급arXiv

OpenSpace Lab, IROS 2026 실내 탐사 대회 단일 로봇 공개 1위, MapEx와 LaMa로 귀환 제약 해결

Yuxuan Zhang, Dong Li, Zezhou Sun, Yuxuan Xu, Siyu Teng, Yuchen Li, Jianjian Yang, Long Chen
30초 요약

OpenSpace Lab은 IROS 2026 단일, 다중 로봇 정보 수집 워크숍의 실내 탐사 경진대회에 참가해 단일 로봇 공개 트랙에서 평균 커버리지 61.04%로 1위를 기록했다고 이 프리프린트에서 밝혔다. 비공개 트랙에서는 단일 로봇 39.53%, 다중 로봇 39.91%로 각각 3위를 차지했다. 사전 학습된 LaMa 기반 MapEx 맵 완성 예측과 남은 시간 기반 귀환 제약을 결합해 제한된 스텝 예산 안에서 미탐사 영역을 우선 탐색한 점이 핵심이다.

연구 질문

제한된 스텝 예산과 기지국 복귀 요구 아래에서 단일 및 다중 로봇이 미탐사 영역 커버리지를 최대화하려면 실시간 목표 선택과 귀환 계획을 어떻게 결합해야 하는가?

문제

기존 탐사 알고리즘은 실행 시간이나 경로 길이를 임무 종료 후 평가 지표로만 사용하고, 실시간 의사결정에서 하드 시간 제약으로 다루지 않는다. 경진대회는 지도 규모별 스텝 예산을 부여하고 기지국 통신 범위로 복귀해 지도 데이터를 업로드하도록 요구해, 로봇이 유한 시간 안에 탐사 이득과 귀환 비용을 동시에 계산해야 한다.

기존 접근

기존 자율 탐사는 프런티어 기반 정보 이득으로 다음 목표를 고르고 실행 시간이나 경로 길이를 사후 평가하는 방식이 일반적이다. 그러나 남은 예산을 목표 평가에 적극 반영하거나, 통신 가능 지점과 기지국 복귀 오버헤드를 프런티어 평가와 경로 계획에 통합하지 않아 시간 제약 임무에서 비효율적이거나 복귀 실패가 생길 수 있다.

새 접근

단일 로봇은 사전 학습된 LaMa 기반 MapEx 맵 완성 예측을 전역 계획에 사용한다. 초기 목표 선택 때 예측을 수행하고 8스텝마다 갱신하되 관측된 자유, 점유 격자는 유지한다. 후보 프런티어를 최대 7개 매크로 영역 과제로 묶고, 빔 폭 36, 최대 길이 6인 빔 서치로 S(π)=Σ0.92^k U(q_k)-λ_phaseΣR(q_{k-1},q_k)를 최대화한다. 빔 확장 중 누적 이동, 영역 탐사 추정, 귀환 오버헤드가 남은 스텝 예산을 넘지 않는지 확인한다. 지역 계획은 관측 기반 기준선과 비교해 목표를 검증하고 잦은 목표 전환을 막는다. 귀환은 남은 예산이 추정 복귀 비용+안전 마진 10스텝 아래로 떨어지면 시작하며, 귀환 비용은 H=max(H_path, max(0,H_base-c_core))+1로 계산한다. 기지국과 시선이 닿으면 물리적으로 기지국 격자에 도달하기 전에 지도 데이터를 올릴 수 있다. 예산별 휴리스틱은 1,000스텝에서 경로 중복 75% 넘으면 대체 목표를 찾고, 1,500스텝에서는 중복 기준 16%와 초반 30% 구간 이후 측면 분기 탐색, 2,000스텝에서는 후반 정렬에 거리 이점 가중치 0.18을 적용한다. 다중 로봇은 공유 지도, 의도, 궤적을 이용해 후보 시점의 정보 이득 G(q)와 A* 경로 비용 C(q)를 평가하고, 팀원 의도점, 과거 궤적과의 근접도를 페널티로 줘 중복 탐사를 줄인다. 초기 출발 시 기지국 중심 각도 섹터로 분산시키고, τ(q)≤R-H-M을 만족하는 후보만 남긴다. 통신은 이벤트 트리거 릴레이와 동적 핸드오프로 유지하며, 기지국에 더 가까운 연결된 팀원을 만나면 릴레이 임무를 넘기고 곧바로 탐사를 재개한다. 다중 로봇 귀환 추정은 H=max(H_comm,H_base-20)+δ이고, 알려진 자유 공간 경로면 δ=0, 미지 셀 횡단 경로면 δ=80이다.

결과

공개 지도 7개에서 평균 커버리지 61.04%로 1위를 기록했고, 2위 HeRoLab의 60.12%보다 0.92%p 높았다. 대형 지도에서는 49.81%로 2위 46.28%보다 3.53%p 높았다. 비공개 지도 10개에서는 단일 로봇 트랙 39.53%로 3위(1위 MobilityAI 40.26%), 다중 로봇 트랙 39.91%로 3위(1위 HeRoLab 42.64%)를 기록했다. 단일 로봇 중형 지도 부문에서는 42.53%로 1위를 차지했다. 평가는 지도 규모 소형, 중형, 대형별로 시작 위치 4곳, 단일 로봇 스텝 예산 1,000, 1,500, 2,000, 다중 로봇은 로봇 수 2, 3, 4, 5대에 예산 500, 1,000, 1,500으로 평균했다. 평가가 실물 로봇인지 시뮬레이션인지 여부는 논문에 보고되지 않았다.

한계

저자들은 전체 알고리즘 설계와 정식 원고를 준비 중이며, 코드는 원고 채택 후 공개하겠다고 밝혔다. 이 보고서는 경진대회 해법을 정리한 프리프린트로 동료 심사를 거치지 않았다. 방법의 상당 부분이 1,000, 1,500, 2,000스텝별로 수동 설정한 임계값과 휴리스틱에 의존해 다른 환경이나 예산 체계에서는 재조정이 필요할 수 있다. 실물 로봇 검증 여부, 센서 노이즈나 통신 불확실성에 대한 별도 실험은 보고되지 않았다.

업계 영향

이 방식은 시간 제약이 있는 실내 점검, 창고 재고 탐색, 재난 현장 정찰 등에서 지도 작성과 데이터 수집 임무를 맡은 로봇 시스템에 바로 적용할 후보가 될 수 있다. 특히 기지국 복귀와 통신 업로드를 의사결정에 포함한 점은 배터리 교체 주기가 정해진 유인, 무인 혼합 현장이나 통신 음영 지역 운용에 유용하다. 다만 현재는 경진대회 평가 환경에 맞춘 휴리스틱이 많고 코드가 공개되지 않아, 제품화 전에 다양한 실내 환경과 실제 로봇 센서, 통신 조건에서 검증하고 임계값을 자동화하는 작업이 필요하다. 1~3년 안에 물류, 보안 로봇의 탐사 경로 계획 모듈로 활용될 여지가 있다.

이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.