Learned Perceptive Forward Dynamics Model for Safe and Platform-aware Robotic Navigation

저자: Pascal Roth, Jonas Frey, Cesar Cadena, Marco Hutter · RSS 2025

라이선스

오픈 액세스
논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

학습된 모델이 높이 스캔과 고유 감각 이력으로부터 ANYmal의 미래 자세와 실패 위험을 예측하므로, MPPI 플래너는 목표 항과 위험 항만으로 안전하게 계획할 수 있다.

중요한 이유

충돌과 주행 불가능한 지형이 모델에 학습되어 있으므로, 플래너 보상은 두 항으로 줄어들고 수작업으로 만든 주행 가능성 지도가 필요 없다. 모델은 특정 로봇과 보행 정책에 맞춰 학습되므로 그 예측은 해당 플랫폼을 반영하며, Jetson Orin AGX 탑재 환경에서 2048개의 샘플링된 궤적으로 7 Hz로 실행된다.

문제

거친 지형에서의 안전한 내비게이션에는 특정 로봇과 그 보행 정책이 할 수 있는 것에 비추어 실시간으로 주행 가능성을 평가하는 것이 필요하다. 단순화된 동역학에 기반한 플래너는 수작업으로 설계된 환경별 비용 함수를 필요로 하며, 사족 로봇을 위한 이전의 학습된 순방향 동역학 모델은 2D LiDAR 스캔만 사용했고, 2D 장애물이 있는 평탄한 장면에서만 작동했으며, 실제 로봇으로 전이되지 않았다.

제안 방법

지각형 Forward Dynamics Model은 과거 상태와 고유 감각 측정의 이력을 GRU로, 현재 높이 스캔을 CNN으로 인코딩한다. 그다음 두 번째 GRU가 속도 명령 시퀀스를 받아, 0.5 s 스텝 열 개에 대해 명령 속도에 대한 보정(SE(2) 자세로 적분됨)과 실패 확률을 예측한다. 모델은 충돌과 넘어짐을 포함한 Isaac Lab의 시뮬레이션 데이터로 사전 학습되고, 실제 ANYmal 데이터로 미세 조정된다. MPPI 플래너는 행동 시퀀스를 샘플링하여 모델로 롤아웃하고, 목표 거리 보상과 실패 위험 페널티로 선택한다.

핵심 통찰

시뮬레이션은 하드웨어로는 수집할 수 없는 넘어짐이나 충돌 같은 위험한 기동을 제공하고, 실제 데이터는 눈 위에서의 미끄러짐이나 식생에 엉키는 것처럼 강체 시뮬레이션 밖의 효과를 다룬다.
자세를 직접 예측하는 대신 속도 보정을 예측하고 이를 적분하는 것은 명령된 행동에 대한 잔차 정식화를 따른다.
높이 스캔이 결정적이다. 이를 제거하면 위치 오차가 평균 110% 증가하고 F1이 0.13 낮아졌다(Appendix D).
플래너에 위험 항을 유지하면 성공률이 2D 환경에서 2.5%, 3D 환경에서 4.6% 높아졌지만, 그 대가로 경로가 더 느리고 신중해졌다.
2D-LiDAR 기준선은 계단과 벽을 구분하지 못해 충돌을 너무 자주 예측한다. 재현율은 더 높지만 정밀도와 F1은 더 낮다.

주요 결과

모든 환경 평균으로, 최종 스텝 위치 오차가 Kim et al.의 지각형 기준선보다 41.28%, 등속 모델보다 70.57% 낮다(초록에서는 이를 41%로 반올림한다).
실패 예측 F1은 2D 환경에서 0.90, 2D-3D 및 3D 환경에서 0.85이다(Table II). Section VI는 정확도가 최소 89%라고, 결론은 최소 89.20%라고 하지만, Table II의 최저 정확도는 89.13%(2D)이다.
계획 성공률(Table III): 2D에서 88.33%로 78.33%(Kim et al.)와 82.50%(휴리스틱 주행 가능성)보다 높고, 3D에서 73.75%로 48.75%와 33.13%보다 높다. 초록은 이를 거친 시뮬레이션 환경에서 27% 더 높은 성공률로, 결론은 평균 목표 성공률 81%로 보고한다.
실제 데이터로 미세 조정하자 평균 위치 오차가 숲에서 34.38%, 눈에서 30.55%, 포장도로에서 30.30% 줄었다.
Jetson Orin AGX 탑재: 2048개 궤적에서 반복당 모델 추론 40.6 ms, 플래너 7 Hz. 모델은 116만 개의 매개변수를 가지며 RTX 4090 한 대에서 약 8시간 만에 학습된다.
시뮬레이션에서 ANYmal, Barry, ANYmal-on-Wheels용으로 각각 학습한 모델은 같은 행동 시퀀스에 대해 서로 다른, 플랫폼별 예측을 내놓았다.

한계

모델은 주로 기하학적 영역에 머물며 보행 정책에 의해 제한된다. 나선형 계단, 동굴, 터널처럼 학습에서 보지 못한 형상이나 얼음이나 깊은 진흙 같은 극한 조건에서는 실패할 수 있다.
시뮬레이션의 실패 상태가 실제 실패로 완벽하게 옮겨지지 않으며, 하드웨어 손상 위험 때문에 실제 데이터에는 충돌이 포함되어 있지 않다.
MPPI는 여전히 행동 분포, 명령 범위, 시간 상관 계수의 조정이 필요하며, 시뮬레이션과 학습 설정에도 나름의 설계 선택이 추가된다.
저자들은 학습 영역을 넘어선 일반화를 기대하지 않으며, 이 방법은 사회적 규범이나 빠르게 움직이는 다수의 동적 에이전트를 고려하지 않는다.
평면 환경에서는 실패가 드물고(0.042%) 시뮬레이션 불안정성으로 인한 것일 가능성이 높아, 그곳의 실패 예측 F1은 낮다(0.10).

분야에 미친 영향

이 논문은 RSS 2025 Outstanding Systems Paper Award 최종 후보였으며 인용 횟수는 35회이다. 코드와 모델은 github.com/leggedrobotics/fdm 에 공개되어 있다.

초록

복잡한 환경에서 안전한 내비게이션을 보장하려면 정확한 실시간 주행 가능성 평가와, 로봇의 능력에 비추어 환경과의 상호작용을 이해하는 것이 필요하다. 단순화된 동역학을 가정하는 전통적 방법은 경로나 행동을 목표로 안전하게 유도하기 위해 비용 함수를 설계하고 조정해야 하는 경우가 많다. 이 과정은 번거롭고, 환경에 의존적이며, 일반화되지 않는다. 이러한 문제를 극복하기 위해 우리는 주변 형상과 고유 감각 측정 이력을 조건으로 로봇의 미래 상태를 예측하는 새로운 학습 기반 지각형 Forward Dynamics Model(FDM)을 제안하며, 더 확장 가능하고 더 안전하며 휴리스틱이 필요 없는 해법을 제시한다. FDM은 고위험 기동을 포함한 수년 분량의 시뮬레이션 내비게이션 경험과 실제 상호작용으로 학습되어, 강체 시뮬레이션을 넘어서는 전체 시스템 동역학을 반영한다. 우리는 지각형 FDM을 제로샷 Model Predictive Path Integral(MPPI) 계획 프레임워크에 통합하여, 행동, 미래 상태, 실패 확률 사이의 학습된 매핑을 활용한다. 이를 통해 단순화된 비용 함수를 최적화할 수 있어, 안전을 보장하기 위한 광범위한 비용 조정이 필요 없어진다. 다리형 로봇 ANYmal에서 제안한 지각형 FDM은 경쟁 기준선 대비 위치 추정을 평균 41% 개선하며, 이는 거친 시뮬레이션 환경에서 27% 더 높은 내비게이션 성공률로 이어진다. 또한 우리는 효과적인 sim-to-real 전이를 입증하고, 합성 데이터와 실제 데이터로 학습하는 것의 이점을 보여 준다. 코드와 모델은 https://github.com/leggedrobotics/fdm 에 공개되어 있다.

링크

arXiv 2504.19322: https://arxiv.org/abs/2504.19322
DOI 10.48550/arXiv.2504.19322: https://doi.org/10.48550/arXiv.2504.19322
PDF: https://arxiv.org/pdf/2504.19322v1
코드: https://github.com/leggedrobotics/fdm