PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.15275v2cs.RO

학습 기반 자율 오버스티어 제어 및 충돌 회피

Learning-based Autonomous Oversteer Control and Collision Avoidance

오버스티어는 차량의 뒷바퀴가 접지력을 잃어 의도하지 않은 과도한 요 회전을 유발하는 현상으로, 중대한 안전 문제를 야기한다. 오버스티어를 제어하지 못하면 심각한 교통사고로 이어지는 경우가 많다. 최근 자율주행 연구는 안정화 기동을 통해 오버스티어를 다루려 했으나, 대부분 전문가가 정의한 궤적에 의존하거나 장애물이 없는 환경을 가정하여 실제 적용성이 제한된다. 본 논문은 오버스티어 제어와 충돌 회피를 동시에 해결하는 새로운 종단간(E2E) 자율주행 접근법을 제안한다. 모방 학습(IL), 강화학습(RL), 하이브리드 학습(HL)을 포함한 기존 E2E 기법은 일반적으로 거의 최적에 가까운 시연이나 방대한 경험을 필요로 한다. 그러나 숙련된 인간 운전자조차 오버스티어 상황에서 완벽한 시연을 제공하기 어렵고, 높은 전이 분산은 충분한 데이터의 축적을 방해한다. 이에 본 연구는 미숙한 시연 데이터로부터 효과적으로 학습하고 새로운 조건에 빠르게 적응하는 새로운 HL 알고리즘인 Q-Compared Soft Actor-Critic(QC-SAC)을 제시한다. QC-SAC를 평가하기 위해, 실제 운전자 훈련에서 착안한 벤치마크를 도입한다. 이 벤치마크에서 차량은 미끄러운 노면에서 갑작스러운 오버스티어를 겪으며 전방에 무작위로 배치된 장애물을 피해야 한다. 실험 결과 QC-SAC는 거의 최적에 가까운 주행 정책을 달성하여 최신 IL, RL, HL 기준 모델을 크게 능가한다. 물리적 조향 하드웨어를 사용한 하드웨어 인 더 루프 시뮬레이션(HILS) 검증은 QC-SAC가 소프트웨어 전용 시뮬레이션을 넘어 작동할 수 있음을 추가로 보여 주며, 실제 차량 구현을 향한 중간 단계의 검증을 제공한다. 우리가 아는 한, 본 연구는 오버스티어 상태에서 장애물을 동시에 회피하면서 차량의 안전한 자율 제어를 달성한 최초의 연구이다.

arXiv:2607.08948v1cs.RO

SplatCtrl: 가우시안 장면 표현과 반응형 로봇 제어를 통한 인지-행동 결합

SplatCtrl: Perception-Action Coupling via Gaussian Scene Representations and Reactive Robot Control

로봇 매니퓰레이터는 구조화된 환경에서 뛰어난 성능을 발휘하지만, 비구조적이고 동적인 환경에서는 상당한 어려움에 직면한다. 본 논문은 기존에 경험하지 못한 환경과 지속적으로 변화하는 환경에서 충돌 없는 로봇 팔 제어를 가능하게 하는 실시간 장면 재구성 및 반응형 로봇 동작 생성을 위한 통합 프레임워크인 SplatCtrl을 제안한다. 3D 가우시안 스플래팅(3D-GS)을 기반으로, RGB-D 스트림으로부터의 효율적인 장면 재구성을 지원하면서 환경 변화를 수용하는 하이브리드 복셀 기반 필터링 및 동적 가우시안 재배치 전략을 도입한다. 안전하고 반응적인 제어를 위해, 등방성 가우시안으로부터 연속적인 부호 있는 거리 함수(signed distance function)를 유도하는 방법을 추가로 제안하며, 이는 고전적인 거리 필드와 현대적인 암묵적 표현을 연결하는 안정적이고 미분 가능한 충돌 확률 추정값을 제공한다. 이러한 연속적인 거리 메트릭은 제어 배리어 함수(control barrier function)에 통합되어, 장면 변화에 대응하는 부드럽고 신뢰할 수 있는 실시간 동작 생성을 지원하는 통합 인지-행동 결합 프레임워크를 구성한다. 시뮬레이션, 실제 로봇, 그리고 인간-로봇 공유 작업 공간에서의 실험적 검증을 통해 프레임워크의 효과성을 입증하며, 불확실하고 동적인 환경에서 통합된 장면 재구성과 반응형 제어를 달성함을 보인다.