PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20743v1cs.RO

장애물 회피를 위한 자기지도 생물 모방 로봇 궤적 계획

Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance

궤적 계획(trajectory planning)은 로봇공학의 근본적인 문제로, 잠재적으로 복잡한 환경에서 충돌 없고 효율적인 궤적을 생성해야 한다. 샘플링 기반 플래너가 여전히 지배적인 접근법이지만, 특히 고차원 공간과 장애물이 풍부한 환경에서는 계산 비용이 크다. 모델 학습 기반 방법은 신경망 궤적 플래너에 대한 제한된 횟수의 순전파(forward pass)를 통해 효율적인 계획을 가능하게 하는 유망한 대안을 제공하지만, 탐험 또는 전문가 시연에 의존하기 때문에 낮은 샘플 효율성(sample efficiency)이나 제한된 일반화 문제를 흔히 겪는다. 본 후속 연구는 장애물이 포함된 환경에서 순방향 모델(forward model)과 역방향 모델(inverse model)을 내부 감독 메커니즘으로 활용하는 궤적 계획을 위한 신경-생물학적 영감(neuro-inspired) 자기지도 학습(self-supervised learning) 프레임워크를 검증한다. 실험 결과는 이 접근법의 실현 가능성을 보여주면서, 우리 플래너가 순방향 모델과 역방향 모델이 제공하는 학습 신호를 악용하는 경향을 드러낸다. 이 문제를 해결하기 위해 추가적인 학습 체계와 완화(mitigation) 전략을 제안하고 평가한다.

arXiv:2508.19186v2cs.RO

폐루프 로봇 반응형 계획을 위한 실시간 모델 체킹

Real-Time Model Checking for Closed-Loop Robot Reactive Planning

반응형 장애물 회피 방법은 종종 한 단계 앞만(즉, 현재 상태에 기반한 다음 행동만) 추론할 수 있기 때문에 에이전트가 국소 최솟값(local minima)에 갇히게 한다. 본 논문에서는 자율 로봇에서 반응형 다단계 계획과 장애물 회피를 달성하기 위해 모델 체킹을 사용한다. 우리의 소규모 맞춤형 모델 체킹 알고리즘은 생물학적 에이전트에서 발견되는 '핵심(core)' 지식과 어텐션에 기반하여 로봇 코드 내 현장(in situ)에서 계획을 생성한다. 이는 사전 계산된 데이터 없이 저전력 장치에서 실시간으로 달성된다. 우리의 접근법은 자율 에이전트가 선호하는 행동(또는 안정 상태)을 방해하는 국소 환경의 교란에 대응하기 위해 생성되는 임시 제어 시스템들을 연쇄적으로 연결하는 것에 기반한다. 우리는 즉각적 환경의 임시 스냅샷에 의존하고 상태 수를 제한함으로써 상태 공간 폭발(state-space explosion)을 완화한다. 깊이 우선 탐색(depth-first search)과 부정된 LTL(Linear Temporal Logic) 경로 속성에 의해 생성된 반례(counter-examples)를 사용한 다단계 계획은 막다른 골목(cul-de-sac)과 독립형 장애물 시나리오에 적용된다. 실험 결과와 두 가지 기본 속성에 대한 비공식 증명은 국소 장애물 회피를 위한 효율적인 다단계 계획 생성에서 우리 접근법의 효과를 보여준다. 우리는 한 단계 앞만 계획할 수 있는 순수 반응형 에이전트와 비교하여 성능을 크게 개선한다. 우리의 접근법은 자율 주행 차량 맥락에서 안전하고 신뢰할 수 있는 내비게이션 개발을 위한 교육적 사례 연구이다. 또한 임무에 중요한(mission-critical) 이동 로봇의 내비게이션에도 일반적으로 적용될 수 있다고 우리는 믿는다.

arXiv:2607.07885v1cs.RO

비정형 환경에서 로봇을 위한 사전학습 비전 모델 기반 충돌 시간(TTC) 동적 장애물 회피

Time-to-Collision Based Dynamic Obstacle Avoidance Using Pretrained Vision Models for Robots in Unstructured Environments

UniDepth 기반 단안 깊이 추정과 SuperPoint/SuperGlue 키포인트 대응을 결합해 각 키포인트의 충돌 시간(TTC)을 기하학적으로 계산하고, 최소 TTC 키포인트로부터 로봇을 회피시키는 해석 가능한 동적 장애물 회피 방법을 제안한다. M3ED 데이터셋 실험에서 모델 학습 없이 74초 분량의 데이터만으로 하이퍼파라미터를 조정하면서도 22개 장애물 중 20개를 탐지하고, 참양성의 84%에서 올바른 회피 방향을 생성하는 높은 데이터 효율성을 달성했다.