SafeStreamingFlow가 샘플링과 실행 역학을 정렬한 안전 스트리밍 플래너
이 논문은 생성형 플래너가 전체 궤적을 한 번에 샘플링하면서 안전 제약을 반복 적용하던 구조를 버리고, 물리 시간에 맞춰 한 스텝씩 상태를 생성하는 SafeStreamingFlow를 제안했다. Maze2D, F1TENTH, 호퍼, 창고 내비게이션 시뮬레이션에서 실행 단계 안전 위반과 지연 시간을 크게 줄이면서 목표 도달 성공률을 유지했다. 동료 심사 없이 공개된 프리프린트다.
생성형 로봇 플래너의 샘플링 동역학과 실제 실행 동역학을 일치시키면 안전 제약 적용과 실시간 재계획을 동시에 개선할 수 있는가?
확산 및 플로 매칭 기반 플래너는 전체 지평선을 한 번에 생성하며 중간 샘플링 상태에 안전 제약을 반복 적용한다. 이 과정은 계산량이 H 곱하기 K 제약 최적화로 늘어나고, 샘플링 상태가 실제로 실행되지 않아 생성 궤적의 동역학 일관성이 깨지며 국부 트랩이 생길 수 있다.
Diffuser, SafeDiffuser, SafeFM, SafeFlowMatcher 같은 궤적 수준 안전 생성 플래너는 궤적 전체를 K번 정제하면서 각 단계에서 H개 상태를 모두 갱신하고, CBF 기반 안전 필터를 중간 샘플 상태에 적용한다. 이 때문에 H 곱하기 K회 QP를 풀어야 하고, 중간 샘플이 실행되지 않아 안전 인증이 실제 동역학과 어긋난다. 기존 스트리밍 방식은 주로 행동 모방 정책으로 개발되어 시작 목표 조건 상태 계획과 시스템 실행 동역학을 직접 다루지 않았다.
SafeStreamingFlow는 학습한 상태 벡터장을 물리 시간에 적분해 한 스텝 앞 상태 참조를 만들고, PD 제어기로 추종한 뒤 이산 시간 고차 제어 배리어 함수(HOCBF)로 실행 입력만 보정한다. 계층적 상태 예측기(HSP)를 도입해 위치를 먼저, 속도를 나중에 순차 예측함으로써 이차 시스템에서 속도를 그대로 이월하는 운동학적 지름길을 막았다. 안전 필터는 실행되는 한 스텝에만 적용되어 최적화 풀이 수를 O(H)로 줄인다.
Maze2D에서 SafeStreamingFlow 폐루프 성공률은 Umaze 98%, Medium 95%, Large 88%였고 실행 위반율은 각각 0%, 0%, 4%였다. 안전 장치 없는 StreamingFlow 폐루프 성공률은 100%, 94%, 91%였다. F1TENTH 부다페스트에서는 성공률 73%, 위반율 20%, 카탈루냐에서는 성공률 99%, 위반율 0%를 기록했다. 호퍼 과제 점수는 51.4±3.4로 StreamingFlow 57.4 대비 90% 수준이었고 실행 위반율 0%, 총 지연 7.30ms였다. SafeDiffuser는 호퍼 점수 16.6, 위반율 85%, 총 지연 1012.4ms였다. Gazebo 창고 내비게이션 폐루프에서 성공률 51%, 위반율 1%, 최적화 시간 0.07초였다. 모든 평가는 시뮬레이션 100회 롤아웃 평균이다.
저자들은 SafeStreamingFlow가 데이터를 데이터로 수송해 기존 플로 매칭보다 풍부한 시연 데이터가 필요하다고 밝혔다. CBF의 고전적 한계로 이차 배리어가 다루는 장애물 기하가 제한되고 배리어 함수와 이득을 미리 지정해야 하며, 재귀적 실현 가능성을 증명하지 못했다. Maze2D Large에서는 필터가 해를 찾지 못하는 경우가 있었고 일부 폐루프 롤아웃에서 배리어 위반이 발생했다. 평가는 모두 시뮬레이션이며 실물 로봇 검증은 보고되지 않았다.
물류 로봇 내비게이션, 자율주행 레이싱, 보행 로봇의 안전 제어에 적용 가능하다. 특히 창고 AMR이나 실내 배송 로봇에서 지도 정보 없이 시연 데이터로 학습한 생성형 플래너에 실행 안전 필터를 붙이고 수 밀리초 수준 지연으로 폐루프 운용하는 용도에 적합하다. 다만 현재는 시뮬레이션 검증 단계이므로 실물 배치에는 1~3년 내 실물 로봇 실증, 배리어 함수 설계 자동화, 재귀적 안전 보장 이론이 선행되어야 한다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.