PAPERS

논문 트래커

arXiv cs.RO 신규 논문을 매일 수집해 한국어 요약을 붙입니다. 학회 채택 정보는 저자 코멘트에서 자동으로 추출합니다.

725건학회 채택 1건

2609.18881v12026.09.16

1인칭 시점 기반 시뮬레이션 공중 군집 로봇의 신체 동작 제어

Body-Motion Control of a Simulated Aerial Swarm from a First-Person View

Yang Chen, Darius Giannoli, Dario Floreano

본 연구는 공중 군집 로봇의 1인칭 시점(FPV) 원격 조종을 위한 상체 인터페이스를 제안한다. 해당 인터페이스는 몸통 기울기, 손 위치, 머리 회전을 5개의 연속 명령 차원에 매핑하며, 각 참가자별로 중립 자세와 동작 범위를 보정한다. 14명의 참가자가 시뮬레이션 환경에서 15기 군집을 3차원 장애물 코스로 조종하는 피험자 내 실험(within-subject study)을 수행했다. 신체 동작 제어는 기존 조종기 대비 완료 시간을 19.4%, 무게중심 이동 경로 길이를 7.0% 단축했으며, 경로 직진성도 향상되었다. 다만 게이트 통과 오차, 수집 성공률, 충돌 횟수, 전체 작업 부하, 사용성에서는 유의한 차이가 없었고, 모든 참가자가 신체 동작 제어 시 더 높은 신체적 부담을 보고했다.

2609.18869v12026.09.16

KINO: 휴머노이드 로코-매니퓰레이션에서 VLM 계획과 전신 제어를 위한 키프레임 인터페이스

KINO: A Keyframe Interface for VLM Planning and Whole-Body Control in Humanoid Loco-Manipulation

Sitong Chen, Fatemeh Zargarbashi, Jin Cheng, Tianxu An, Stelian Coros

KINO는 휴머노이드 로코-매니퓰레이션(loco-manipulation)을 위한 계층적 프레임워크로, 시각-언어 모델(VLM) 계획과 강화학습(RL) 제어 사이에 모션 키프레임(motion keyframe)을 중간 표현으로 활용한다. VLM은 언어 지시·장면 관찰·실행 피드백을 바탕으로 사전 정의된 라이브러리에서 작업 관련 키프레임을 순차적으로 선택하고, 선택된 키프레임은 현재 장면의 물체 위치와 크기에 맞게 재타깃팅된다. 키프레임에 조건화된 전신 정책(whole-body policy)이 관절 수준의 행동을 생성하며, 희소한 VLM 키프레임 환경에서 현저성 기반(saliency-based) 키프레임 샘플링 전략을 적용해 종단 간 작업 성공률이 44%에서 92%로 향상됐다. 물체 집기·이동·배치 과제를 시뮬레이션과 Unitree G1 휴머노이드 실기 환경 모두에서 평가했으며, 한 손 및 두 손 조작을 수행하고 학습 참조 데이터 밖의 배치 위치에도 일반화됨을 확인했다.

2609.18853v12026.09.16

자유에너지 최소화를 통한 인간 피드백 기반 상호작용 조절을 향하여

Towards Interaction Regulation from Human Feedback via Free Energy Minimization

Maria Paula Diaz Monfort, Cinzia Tomaselli, Michael Richardson, Giovanni Russo

이 논문은 계산신경과학의 자유에너지 원리(free energy principle)에서 영감을 받아, 인간의 선호도를 자율 에이전트 정책에 온라인으로 통합하는 제어이론 프레임워크를 제안한다. 프레임워크는 개방형 제어 아키텍처로 구현되며, 온보드 센서로 주행하는 로버(rover)와 원격 인간 참여자를 결합한 인간 참여 루프(human-in-the-loop) 실험 환경에서 검증됐다. 원격 참여자는 가상현실(VR) 헤드셋을 통해 로버와 동일한 감각 정보를 공유하고, 제스처로 선호도를 전달한다. 실험은 에이전트 목표와 인간 선호 간 협력적·경쟁적 상호작용을 모두 포함하며, 두 경우 모두 상호작용이 제안된 프레임워크로 조절됨이 확인됐다.

2609.18819v12026.09.16

SEAM: 궤적 변형 환경에서의 장기 LiDAR 매핑을 위한 서브맵 앵커 기반 증거 모델

SEAM: Submap-Anchored Evidence for Lifelong LiDAR Mapping under Trajectory Deformation

Kyuwon Kim

SEAM은 LiDAR 기반 장기(lifelong) 매핑 프레임워크로, 세션 전체를 단일 앵커에 의존하는 기존 방식 대신 서브맵 수준의 앵커로 최적화된 궤적을 기반으로 증거를 생성하고 동적 객체 제거 및 변화 탐지를 수행한다. 서브맵 수준 재투영(submap-level reprojection)을 통해, 이후 세션이 궤적을 수정하더라도 기존에 생성된 증거를 재사용할 수 있어 전체 과정을 처음부터 재계산할 필요가 없다. DOP(Dilution of Precision) 기반 신뢰도 지표를 적용해 기하학적으로 불안정한 세션 간 루프 엣지를 억제함으로써 정합 오차를 줄인다. 방향 인식 복셀 단위 증거 모델(directional voxel-wise evidence model)은 광선 방향에 따라 달라지는 점유 패턴을 반영해 동적 객체와 환경 변화를 더 정밀하게 구분한다. 실제 건설 현장 데이터셋과 장기 다중 세션 데이터셋 실험에서 기존 방법 대비 높은 정확도와 빠른 처리 속도를 달성했다고 저자들은 보고한다.

2609.18813v12026.09.16

점근적 최적 다중 로봇 태스크-모션 플래닝

Asymptotically Optimal Multi-Robot Task and Motion Planning

Thi Thuy Ngan Duong, Cheuk Tung Shadow Yiu, Rahul Shome, Yoonchang Sung

다중 로봇 태스크-모션 계획(MR-TAMP)은 여러 로봇이 상호작용하는 환경에서 이산적 태스크 결정과 연속적 충돌 회피 모션을 동시에 최적화해야 하는 문제다. 기존 단일 로봇 TAMP의 점근적 최적(asymptotically optimal) 알고리즘을 다중 로봇 환경으로 확장할 때, 태스크 전환마다 관여하는 로봇 부분집합이 달라져 복합 구성 공간(composite configuration space)의 제약 차원이 전환별로 다르다는 핵심 난제가 발생한다. 본 연구는 이 전환 구조를 형식화하고, 관련 전환의 지속적 탐색과 연결된 실행 가능 영역 내 모션 계획의 점진적 개선을 전역 점근 최적성의 충분 조건으로 제시한다. 제안 알고리즘은 개별 로봇 로드맵(roadmap)과 암묵적 텐서곱 탐색(implicit tensor-product search)을 결합해 복합 로드맵을 명시적으로 구성하지 않고 계획을 수행한다. 여기에 조건부 전환 샘플링, 지연 충돌 검사(lazy collision checking), 모드·해법 수준 유도(guidance) 기법을 더해 유한 시간 내 계획 효율도 함께 높인다.

2609.17524v12026.09.15

모달리티 자기회귀 세계-행동 모델

Modality-Autoregressive World-Action Models

Adam Hung, Bardienus P. Duisterhof, Deva Ramanan, Jeffrey Ichnowski

세계-행동 모델(WAM, world-action model)은 미래 관측과 행동을 함께 예측하는 방식으로, 기존에는 주로 RGB 이미지를 예측 대상으로 삼았다. 이 논문은 ModAR를 제안하며, 행동 예측 전에 깊이 맵(depth map), DINO 특징, 포인트 트랙(point track) 등 여러 시각 모달리티를 자기회귀(autoregressive) 방식으로 순차 생성한다. 체계적 비교 실험 결과, 포인트 트랙·DINO 특징·깊이 맵 예측은 성능 향상에 기여한 반면, 미래 RGB를 추가하는 것은 일관된 효과를 나타내지 않았다. ModAR는 비디오 모델로 사전학습된 Flex-π 대비 평균 성공률 75% 대 72%를 달성하면서, 학습 연산량을 약 20배 줄이고 사전학습 없이 처음부터(train from scratch) 학습했다. 실제 환경의 양팔 조작(bimanual manipulation) 3개 과제에서도 비교 기준 모델들을 앞섰으며, 인간 시연 영상 활용 시 성능이 추가로 향상되었다.

2609.17499v12026.09.15

ENCP: 시각-언어 탐색을 위한 에피소드 정규화 적합 예측

ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language Navigation

Vicky Feliren, A. Taufiq Asyhari, Muhamad Risqi U. Saputra

시각-언어 탐색(VLN) 에이전트의 불확실성 추정은 모호하거나 신뢰도가 낮은 예측을 식별해 더 안전한 항법 결정을 지원하는 중요한 과제다. 기존 적합 예측(Conformal Prediction, CP) 프레임워크는 VLN 에피소드가 단계 간 의존성을 지닌 가변 길이 시퀀스로 구성돼 있어 표준 보정 방식으로는 커버리지 보장이 성립하지 않는다. 이 논문에서는 비적합도 점수(nonconformity score)를 정책의 잔여 신뢰도로 재스케일하고 에피소드당 최대 점수 하나를 보정하는 에피소드 정규화 적합 예측(ENCP)을 제안한다. 교환 가능한 보정·테스트 에피소드 조건 하에서 ENCP는 에피소드 내 단계 간 의존성을 허용하면서도 매 단계에서 최소 1−α 확률로 실제 정답을 포함하는 것을 이론적으로 보장한다. R2R 및 REVERIE 데이터셋에서 4가지 VLN 정책과 3가지 비적합도 점수를 대상으로 실험한 결과, ENCP는 학습 환경에서 미학습 환경으로의 평가에서 보고된 모든 단계별 커버리지 목표를 달성했다.

2609.17484v12026.09.15IROS

데이터 부족 환경에서 로봇 삽입 작업을 위한 모션 사전 정규화 분석

Dissecting Motion-Prior Regularization for Data-Scarce Robotic Insertion

Ning Hu, Shuai Li, Jindong Tan

이 연구는 확산 정책(diffusion policy)을 단 15개의 시연 데이터로 학습할 때, 훈련 시점의 모션 사전(motion prior) 정규화가 삽입 성공률을 개선하는지 실험한다. 최소 저크(minimum jerk) 정규화는 예측된 병진 가속도의 급격한 변화를 억제하고, 속도-곡률(speed-curvature) 정규화는 이동 속도를 경로 형상에 연동한다. 실제 로봇으로 조건별 80회씩 시험한 결과, 두 사전을 결합하거나 최소 저크만 단독 적용한 경우 모두 80회 중 70회(87.5%) 성공을 기록했다. 속도-곡률 단독은 86.3%, 사전 미적용은 82.5%, 일반 평활화(generic smoothness)는 83.8%로 나타났다. 결합 정규화는 미적용 대비 5.0%p 높은 성공률을 보였으나 최소 저크 단독 대비 추가 이득은 관찰되지 않았으며, 두 사전의 상승 효과는 확인되지 않았다.

2609.17463v12026.09.15

로봇 군집을 활용한 공간 필드 모델링을 위한 가우시안 프로세스

Gaussian Processes for Modelling Spatial Fields with Robot Swarms

Guillermo Legarda Herranz, Gianpiero Francesca, Mauro Birattari

기존 로봇 군집 기반 공간 필드 모델링 방법은 외부 위치 측위 시스템에 의존해 왔다. 본 연구는 위치 비인식 가우시안 프로세스 회귀(LU-GPR)를 제안하여, GPS 등 외부 측위 없이도 수온·풍속·지형 고도 같은 공간 필드를 모델링할 수 있는 방법을 제시한다. 각 로봇은 로컬 센싱과 통신만으로 공간 필드의 사후 평균(posterior mean)과 분산을 추론하면서 동시에 동료 로봇들과 공통 기준 좌표계(frame of reference)를 합의한다. 전문가 곱(product of experts) 모델을 통해 개별 로봇이 주변 로봇의 추정값과 자신의 추정값을 결합해 전역 모델을 구성한다. 실험에서 LU-GPR은 로봇 수가 증가해도 확장성이 유지되고 통신 범위가 제한된 환경에서도 강건함이 확인됐으며, 대피 군중의 흐름 추정 시나리오에도 적용되었다.

2609.17430v12026.09.15

혼합 동역학 시스템을 위한 Hamilton-Jacobi Reachability: 안전 보장을 갖춘 통합 목표 지향 제어

Hamilton-Jacobi Reachability for Hybrid Systems: Unified Goal-Driven Control with Safety Guarantees

Javier Borquez, Shuang Peng, Somil Bansal

접촉이 빈번한 환경의 로봇을 모델링하는 데 쓰이는 혼합 동역학 시스템(hybrid dynamical system)은 연속 동역학과 이산 모드 전환이 복잡하게 결합되어 안전성 보장이 어렵다. 이 논문은 연속 시간 비선형 시스템의 형식 검증 기법인 해밀턴-야코비(Hamilton-Jacobi, HJ) 도달 가능성 분석을 혼합 동역학 시스템으로 확장하며, 이산·연속 상태 전반에 걸친 일반화 가치 함수(value function)로 안전 집합을 특성화한다. 성능 목표 통합을 위해 두 가지 메커니즘을 제안한다: 불안전 상태에 근접할 때만 이산·연속 제어에 개입하는 혼합 최소 개입 안전 필터(hybrid least-restrictive safety filter)와, 안전성과 목표 도달을 동시에 강제하는 혼합 후방 도달-회피 튜브(hybrid backward reach-avoid tube)이다. 후자는 기존 혼합 HJ 도달 가능성 연구에서 다루지 않았던 확장이라고 논문은 밝힌다. 사족 보행 로봇을 대상으로 시뮬레이션 및 실기 실험을 통해 혼합 모드 계획과 안전 임계 응용에서의 유효성을 검증하였다.

2609.17414v12026.09.15

SlotDiT: 확산 트랜스포머를 위한 객체 중심 표현

SlotDiT: Object-Centric Representations for Diffusion Transformers

Gjergj Plepi, Sven Behnke

SlotDiT는 텍스트 조건부 확산 트랜스포머(DiT, Diffusion Transformer)로, 슬롯(slot) 기반 잠재 공간에서 동작하는 영상 생성 모델이다. 참조 이미지와 언어 명령을 입력받아 장면을 객체 단위의 슬롯으로 분해하고, 미래 슬롯 궤적을 자기회귀적(autoregressive)으로 디노이징하여 장면 역학을 예측한다. 기존 픽셀 수준 또는 VAE 기반 잠재 표현이 명시적 의미 구조를 갖지 않는 것과 달리, 슬롯 기반 객체 중심 표현(object-centric representation)은 장면을 구조화된 방식으로 분해한다. 4개의 로봇 데이터셋 실험에서 슬롯 기반 표현은 VAE 기반 대안과 비교해 경쟁력 있는 영상 생성 품질을 유지하면서 과제 완료율을 지속적으로 높이는 것으로 나타났다. 아울러 슬롯의 컴팩트한 표현은 VAE 기반·의미 정렬(semantics-aligned) 잠재 공간보다 계산 효율이 높은 것으로 보고되었다.

2609.17405v12026.09.15

복잡한 다중 접촉 환경에서 보행 로봇의 실시간 안정성 제어를 위한 최적화된 렌치 폴리토프 분석

Optimized Wrench Polytope Analysis for Real-Time Stability Control of Legged Robots in Complex Multi-Contact Configurations

Friedrich Graaf, Elias Birkefeld, Christian Eichmann, Elias Hofele, Tristan Schnell 외 3명

이 논문은 경사면·동굴·비계(scaffolding) 등 복잡한 지형에서 보행 로봇의 안정성을 실시간으로 제어하기 위한 렌치 폴리토프(wrench polytope) 분석 알고리즘을 제안한다. 제안 알고리즘은 임의의 접촉 시나리오에 대해 완전 구동 가능한 렌치 폴리토프를 평가하며, 각 관절 토크를 49 Hz 제어 주기 내에 계산한다. 이를 통해 기존 제어 루프에 통합하여 다양한 접촉 자세를 실시간으로 구동하는 것이 가능해진다. 연구팀은 시뮬레이션 환경에서 광범위한 평가를 수행한 뒤, 실제 보행 로봇 하드웨어에도 배포하여 적용 가능성을 확인하였다.

2609.17404v12026.09.15

실행 중 관절 고장 상황에서의 정교한 손내 조작을 위한 잔차 고장 적응

Residual Fault Adaptation for Dexterous In-Hand Manipulation Under Runtime Joint Faults

Linan Deng, Xing Liu, Lin Hong, Feng Hua, Guijun Ma 외 2명

실행 중 발생하는 관절 고장(joint fault)은 정교한 손내 조작(dexterous in-hand manipulation)에 필요한 접촉 구성을 갑작스럽게 무너뜨린다. 이 연구는 숨겨진 명령 채널 고장을 보상하기 위한 교사 고정(teacher-anchored) 프레임워크인 잔차 고장 적응(RFA, Residual Fault Adaptation)을 제안한다. RFA는 동결된 정상 교사 정책으로 기준 동작을 유지하고, 고유감각(proprioceptive) 및 명령-응답 이력으로부터 수정 행동을 추론하는 순환 잔차 정책을 별도로 학습한다. 학습 단계에서는 고장 주입 도메인 무작위화(FIDR, fault-injection domain randomization)로 고장 모드·영향 관절·심각도·발생 시점을 다양화하고, 적응적 샘플링이 최근 성능이 낮은 고장 모드의 학습 빈도를 높인다. 배포 시에는 고장 레이블이나 컨트롤러 전환 신호 없이 동작하며, 시뮬레이션과 소프트웨어 주입 고장을 사용한 실로봇 실험에서 모두 정상 정책 대비 향상된 성능과 제로샷(zero-shot) 배포 가능성을 확인하였다.

2609.17384v12026.09.15

다중 로봇 능동 추론에서의 정확한 신념 융합과 협력 탐색

Exact Fusion and Coordinated Exploration in Multi-Robot Active Inference

Peng Wu, Mohsen Imani, Amidu Kamara, Md Tamzeed Islam, Seyede Fatemeh Ghoreishi 외 1명

다중 로봇 팀이 공통 환경 모델을 공유하며 학습할 때 두 가지 이중 계산 오류가 발생한다는 점을 분석한다. 첫째, 융합 시 공통 사전(prior)이 로봇 수 n만큼 중복 반영되고, 둘째, 계획 단계에서 모든 로봇이 동일한 신념을 기반으로 탐색 목표를 평가해 같은 미지 영역에 수렴하는 오류가 나타난다. 두 문제를 해결하기 위해 공유 자연 매개변수(natural parameter)에 증거 증분(evidence increment)을 더하는 방식—융합 시에는 실현 증분, 계획 시에는 기대 증분—을 제안한다. 이 기법은 고정 샘플링 경로를 가진 가우시안 신념과 이산 능동 추론(discrete active inference)의 노벨티 근사 하 디리클레(Dirichlet) 신념에 대해 정확하게 성립한다. cooperative RockSample, 채집(foraging), 현장 모니터링 시뮬레이션 실험에서 순차적 헌신(sequential commitment)이 팀 크기에 선형인 비용으로 중앙집중식 공동 계획에 근접하는 성능을 달성하는 것으로 나타났다.

2609.17372v12026.09.15

XPACE: 이질적 경험으로부터의 통합 세계-행동 모델링

XPACE: Joint World and Action Modeling from Heterogeneous Experience

Jiacheng Wei, Jerry Bai, Xiaoyu Yue, Zidong Wang, Xiaoyang Guo 외 11명

XPACE는 실행 가능한 로봇 행동과 미래 비디오를 동시에 예측하는 체화된 세계 모델(embodied world model)이다. 행동 레이블이 없는 비디오, 인간 시연, 로봇 시연 등 이질적 데이터를 정책과 시뮬레이터가 공유하는 비디오 백본(backbone)으로 통합 학습한다. 거친 단계에서 세밀한 단계로 진행하는 훈련 커리큘럼이 인간 경험을 유지하면서 로봇 제어에 점진적으로 집중하도록 설계됐다. 시뮬레이터는 전문가 시연 주변의 이탈-복구(deviation-recovery) 궤적을 합성하고, 필터링된 복구 예시로 정책을 추가 미세 조정(fine-tune)한다. XPENG의 IRON 휴머노이드 로봇 실험에서 이질적 학습이 강건성을 높이고 로봇 시연에 포함되지 않은 과제로의 기술 전이를 가능하게 했으며, 시뮬레이터가 생성한 복구 데이터가 실환경 과제 완료율을 추가로 향상시키는 것으로 나타났다.

Christina @ wocintechchat.com M / Unsplash

2609.17349v12026.09.15

RobResilience: 사이버-물리 구현 시스템을 위한 회복탄력성 프레임워크 구현 및 평가

RobResilience: Implementing and Evaluating a Resilience Framework for Cyber-Physical Embodied Systems

Gysella Imrell, Emanuele Miotto, Mahya Mohammadi Kashani, Mauro Conti, Alberto Giaretta

구현형 사이버-물리 시스템(cyber-physical embodied system)에서 능동적 사이버 공격은 데이터뿐 아니라 물리적 무결성과 인명 안전을 직접 위협한다. 기존 보안 기법은 이상 탐지에는 강하지만, 시스템이 안전한 성능 저하 상태인지 치명적 위험 상태인지 런타임에 판별하는 메커니즘이 부재하여 '점진적 실패 마비(graceful failure paralysis)' 문제가 발생한다. 이 논문은 Webots 시뮬레이션 환경에서 PR2 로봇과 ROS2를 사용하여 RobResilience 프레임워크를 구현하고, 런타임에 허용 가능한 장애(δ)·허용 가능한 성능 저하(γ)·완화 가능성(μ) 세 술어(predicate)를 IDS 신뢰도 점수 기반의 손상 장치 집합에 대해 평가한다. 회복탄력성이 상실되면 프레임워크가 가용한 완화 전략을 자동으로 실행한다. 술어 상태 공간의 모든 조합을 체계적으로 포괄하는 8가지 공격 시나리오 실험에서 런타임 동작이 이론적 정의와 일치함이 확인되었다.

2609.17302v12026.09.15

장면 분해를 통한 온라인 기하학적 변화 감지

Online Geometric Change Detection via Scene Decomposition

David Thorne, Samuel Jia Cong Chua, Nakul Joshi, Aiden Wong, Christa S. Robison 외 2명

CDSD(Change Detection via Scene Decomposition)는 LiDAR 또는 RGB-D 센서를 이용해 동적 환경에서 기하학적 변화를 온라인으로 감지하는 프레임워크다. 기존의 전역 지도 비교 방식은 연산 비용이 크고 단일 세션 실시간 감지를 지원하지 못한다는 한계가 있다. CDSD는 매핑된 환경을 고유한 장면으로 공간 분해하고, 전역 지도의 지역 부분집합인 서브맵(submap)을 비교함으로써 변화를 효율적으로 탐지한다. 논문은 최소 중복 장면 선별, 밀집 서브맵 생성, 시야각이 상이한 서브맵 간 비교, 실시간 지도 재구성의 네 가지 핵심 과제를 정의하고 해결책을 제시한다. 알고리즘은 미국 육군연구소(Army Research Laboratory)의 Graces Quarters 시설 데이터셋과 공개 다중 세션 변화 감지 데이터셋에서 검증되었다.

2609.17300v12026.09.15

Machine Zygote: 생식세포-체세포 인공 에이전트에서 학습 이전의 인과적 양부모 유전

Machine Zygote: Causal Biparental Heredity Before Learning in a Germline--Soma Artificial Agent

Lyes Saad Saoud

Machine Zygote는 인공 에이전트가 학습 이전에 양부모 유전 효과를 측정 가능하게 나타내는지, 그리고 그 의존성을 부모-자손 유사성 관찰이 아닌 인과적 방법으로 분리할 수 있는지를 검증하기 위한 계산적 생식세포계-체세포(germline-soma) 구조다. 두 부모의 생식세포계를 독립적으로 돌연변이시킨 뒤 접합체로 재조합하여 8모듈 체세포의 발달을 매개변수화하고, 이후 학습 없이 고정·평가한다. 640개 자손을 대상으로 한 사전등록 4×4 다이얼렐(diallel) 실험에서 6가지 행동 특성 중 5가지에서 부(dam)·모(sire) 의존성이 유의미하게 나타났으며, 부모 및 상호작용 요인이 주요 5개 특성 분산의 36~53%를 설명했다. 재조합 배경을 고정한 채 한쪽 부모 생식세포계를 교체하는 개입 실험(n=60)에서도 같은 5가지 특성에서 표현형 변화가 동일 부모 재돌연변이 대조군을 상회했다. 다만 순환 발달 동역학이 유전 발현에 필수적이라는 발달 의존성 가설은 지지되지 않았다.

2609.17292v12026.09.15

바디 레이트 제한 하 쿼드로터 안전을 위한 탈출 인식 제어 장벽 함수

Escape-Aware Control Barrier Functions for Quadrotor Safety under Body-Rate Limits

Lei Shi, Haosong Wen, Qichao Liu

입력 제한 시스템에서 제어 장벽 함수(Control Barrier Function, CBF)는 허용 입력 집합을 안전 집합 정의에 내포하지만, 결과 장벽은 거의 항상 상태(state)만의 함수로 표현된다. 쿼드로터에서는 추력 벡터를 재방향(reorientation)하기 전까지 감속이 불가능하고 바디 레이트(body rate)가 제한되므로, 상태만 기반의 장벽은 실제로 탈출할 수 없는 상태까지 안전하다고 인증하는 인증 격차(certification gap)가 발생한다. 이 격차의 크기는 폐쇄형(closed form)으로 도출되며, 접근 속도에 비례하고 바디 레이트 한계에 반비례한다. 저자들은 상태와 직전 적용 입력의 증강 쌍 위에 탈출 장벽(escape barrier)을 정의하여, 추가적인 상태 비용 없이 예측 제어기에 내장할 수 있도록 설계하였다. 13-상태 쿼드로터를 대상으로 한 550개 클로즈드루프 에피소드 실험에서 제안 제어기는 전 시나리오를 완료하였으나, 동일 호라이즌의 정지 거리 기반 장벽은 두 시나리오에서 각각 15%, 25%의 실패율을 나타냈다.

2609.17265v12026.09.15

한 번의 보정으로 임의 팀 비행: 협동 드론 군집을 위한 잔차 기반 저충실도 학습

Calibrate Once, Fly Any Team: Residual-Grounded Low-Fidelity Training for Cooperative Drone Swarms

Maxim Mednikov, Oren Gal

고충실도(HF) 강체 물리 시뮬레이터에서 다중 에이전트 드론 군집 정책을 직접 학습하면 에이전트 수가 늘어날수록 계산 비용과 시뮬레이션 내 충돌률이 급격히 증가한다. 본 논문은 HF 강화학습을 완전히 배제하고, JAX 기반의 완전 미분 가능한 저충실도(LF) 점질량 시뮬레이터에서 정책을 최적화하는 혼합 충실도(mixed-fidelity) 학습 방식을 제안한다. 시뮬레이터 오차는 드론 한 대의 단거리 비행 데이터로 오프라인에서 한 번만 학습한 에이전트별 잔차 앙상블(residual ensemble)로 보정하며, 보정 데이터 수집 비용은 팀 크기에 비례해 늘지 않는다. 팀 크기 3~18, 협동 과제 4종으로 평가한 결과, 잔차 보정 정책은 보정 없는 LF 기준선 대비 모든 조합에서 우수했고 처음부터 HF로 학습한 정책 대비 24개 조합 중 22개에서 우세했다. HF 미세 조정 정책과의 성능 격차는 팀 크기가 클수록 줄어들며, 대형 팀에서는 계산 비용의 일부만으로 유사한 성능에 도달했다.