.svg)
AI 솔루션 문의하기
자율주행 로봇이 인간의 개입 없이 목표 위치에 도달하려면 경로 계획과 네비게이션 능력이 필수적입니다. 경로 계획은 로봇의 현재 위치에서 목표 위치까지 최적의 경로를 찾는 작업입니다. 네비게이션은 그 경로를 따라가면서 장애물을 피하고 환경 변화에 대응하는 작업입니다. 기존의 로봇 경로 계획은 명시적 알고리즘(A* 알고리즘, RRT 등)에 의존했습니다.
그러나 현실의 복잡한 환경(사람이 지나가는 통로, 예측 불가능한 장애물, 동적 환경)에서는 사전 정의된 알고리즘이 충분하지 않습니다. AI 기반의 경로 계획을 위해서는 다양한 환경에서 수집된 이동 경로 데이터가 필요합니다. 로봇이 어떻게 장애물을 피했는지, 어떤 경로를 선택했는지, 왜 그 경로를 선택했는지를 학습 데이터로 만들어야 합니다. 다양한 환경과 상황에서 수집된 경로 데이터로 로봇의 자율주행 능력이 크게 향상될 것으로 예상됩니다.
로봇의 이동 경로를 기록하려면 여러 종류의 센서 데이터를 동시에 수집합니다. 환경 정보, 로봇의 상태, 제어 신호가 시간 동기화되어 기록되면, 로봇이 환경을 어떻게 인지하고 어떻게 행동했는지를 완전히 추적할 수 있을 것으로 기대됩니다.
로봇이 이동하는 환경은 크게 실내와 실외로 나뉩니다. 실내 환경은 좁은 복도, 사무실, 창고 등으로 제약된 공간입니다. 벽이 있고, 가구가 있으며, 사람이 이동합니다. 실외 환경은 공원, 도로, 언덕 등 개방된 공간입니다. 실내 경로 데이터는 정교한 장애물 회피(복도에서의 좁은 지나감, 가구 회피)를 학습합니다. 실외 경로 데이터는 지형 변화(오르막, 내리막), 표면 특성(흙, 자갈, 포장도로)에 대응하는 방법을 학습합니다.
또한 시간대에 따른 환경 변화(낮과 밤의 조명 차이), 계절에 따른 환경 변화(눈, 낙엽, 물웅덩이)도 데이터에 포함되어야 합니다. 동일한 경로도 시간과 계절에 따라 다르므로, 다양한 조건에서 반복적으로 수집합니다. 실내·실외 환경의 다양한 조건에서 수집된 경로 데이터로 로봇의 환경 적응력이 향상될 것으로 예상됩니다.
로봇이 만나는 장애물은 정적 장애물(건설 중인 벽, 새로 놓인 물체)과 동적 장애물(사람, 다른 로봇, 이동하는 물체)로 나뉩니다. 정적 장애물은 위치가 고정되어 있으므로 사전에 지도에 반영하거나 센서로 감지하면 회피할 수 있습니다. 동적 장애물은 위치가 계속 변하므로 실시간으로 감지하고 예측해야 합니다.
경로 데이터 수집 시 동적 장애물의 이동 패턴(사람의 걷는 속도, 방향)을 기록합니다. 로봇이 사람을 피하는 방식(언제 속도를 낮출지, 어느 방향으로 피할지)이 데이터로 남습니다. 또한 로봇 간의 상호작용(두 로봇이 만났을 때 어느 것이 양보하는지)도 중요한 학습 신호입니다. 동적 장애물의 다양한 상황을 포함한 경로 데이터로 로봇이 예측 불가능한 상황에 더 잘 대응할 수 있을 것으로 기대됩니다.
로봇의 이동 경로는 한 가지만 있는 것이 아닙니다. 같은 출발점과 목표점에 도달하는 경로는 여러 개입니다. 가장 짧은 경로, 가장 안전한 경로(많은 사람이 있는 곳을 피하는), 에너지 효율적인 경로(가파른 언덕을 피하는) 등이 있습니다. 경로 데이터 수집 시 다양한 선택 기준으로 경로를 수집합니다. 한 경로는 시간 최적화 기준으로, 다른 경로는 안전성 기준으로, 또 다른 경로는 에너지 효율 기준으로 선택합니다.
이렇게 다양한 선택 기준의 경로들을 기록하면, 로봇이 상황에 맞춰 경로를 선택하는 방법을 학습할 수 있습니다. 또한 경로 선택의 이유(왜 이 경로를 선택했는가)를 메타정보로 기록하면, 로봇이 목표와 제약조건을 이해하고 경로를 결정하는 능력을 갖출 수 있습니다. 다양한 선택 기준의 경로 데이터로 로봇의 의사결정 유연성이 향상될 것으로 예상됩니다.
로봇의 이동 경로 데이터는 센서 오류의 영향을 받습니다. GPS는 실내에서 작동하지 않고, IMU는 시간이 지나면서 누적 오차가 발생합니다. 따라서 SLAM(Simultaneous Localization and Mapping) 기술을 사용하여 로봇의 위치와 환경 지도를 동시에 추정합니다. SLAM은 여러 센서의 정보(LIDAR, 카메라, 휠 인코더)를 융합하여 더 정확한 위치와 지도를 생성합니다.
경로 데이터 수집 후, SLAM으로 생성된 정확한 위치 정보를 사용하여 원본 데이터를 보정합니다. 또한 사후 처리(post-processing) 단계에서 이웃한 경로들을 정렬하여 일관성을 확보합니다. 이렇게 정제된 데이터만 학습에 사용하면 로봇이 정확한 경로를 학습할 수 있습니다. 센서 퓨전과 SLAM을 통한 경로 데이터의 정정으로 로봇 네비게이션의 신뢰도가 크게 높아질 것으로 기대됩니다.
로봇이 사람과 함께 이동하는 환경에서는 인간의 보행 패턴을 이해하는 것이 중요합니다. 사람들이 복도에서 어떻게 이동하는지, 혼잡한 공간에서 어떻게 경로를 선택하는지를 학습하면 로봇도 자연스러운 이동이 가능합니다. 경로 데이터 수집 시 사람의 보행 데이터(위치 궤적, 속도 변화)도 함께 기록합니다. 로봇이 사람의 행동을 예측할 수 있으면, 충돌을 미리 방지하고 사람에게 불쾌감을 주지 않는 경로를 선택할 수 있습니다.
특히 보행 속도가 느린 사람(노약자, 어린이)을 만났을 때 어떻게 대응하는지도 중요한 데이터입니다. 인간-로봇 상호작용 데이터는 로봇의 사회적 네비게이션(Social Navigation) 능력을 향상시킵니다. 사람의 보행 패턴을 포함한 경로 데이터로 로봇의 사회성과 안전성이 함께 향상될 것으로 기대됩니다.
수집된 경로 데이터는 라벨링 단계를 거쳐야 합니다. 각 경로 세그먼트마다 "성공 이동", "실패 이동(충돌 발생)", "비효율적 이동" 같은 라벨을 붙입니다. 또한 환경 복잡도("혼잡", "일반", "개방")를 라벨링합니다. 센서 품질도 라벨링하여, 센서가 제대로 작동했는지 여부를 기록합니다.
자동 라벨링 알고리즘으로 기본적인 라벨을 붙인 후, 인간 검증자가 샘플링을 통해 정확성을 확인합니다. 이상적인 경로(최단 경로, 가장 안전한 경로)를 별도로 계산하여, 실제 로봇 경로와 비교하고 편차를 기록합니다. 라벨링의 일관성과 정확성이 높을수록 경로 데이터 학습의 품질이 향상될 것으로 예상됩니다.
.svg)
.svg)
