PAPERS

논문 트래커

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

725건학회 채택 4건

2609.15988v12026.09.14

ResSafe: 휴머노이드를 위한 잔차 강화학습 기반 안전 필터링 학습

ResSafe: Learning Safety Filtering with Residual Reinforcement Learning for Humanoids

Gechen Qu, Tong Zhang, Bike Zhang, Yen-Jen Wang, Koushil Sreenath 외 2명

휴머노이드 로봇은 고차원 동역학과 접촉이 잦은 환경 특성 때문에 안전 제어가 어렵고, 강화학습 정책이 불안정이나 낙상을 유발하는 행동을 생성할 수 있다. 이 연구는 잔차 강화학습(residual reinforcement learning)을 암묵적 안전 필터로 사용하는 ResSafe를 제안한다. 명목 정책(nominal policy)은 과제 성능에만 집중하고, 잔차 정책(residual policy)이 안전 보정을 별도로 담당하는 방식으로 성능과 안전을 분리한다. 이 분리 구조는 성능-안전 파레토(Pareto) 트레이드오프를 개선하고, 단일 정책 학습 내에서 경쟁하는 여러 보상 항을 세밀하게 조정해야 하는 부담을 줄인다. 저자들은 잔차 정책이 암묵적 안전 필터로 기능함을 보였다고 밝힌다.

2609.15976v12026.09.14CoRL

MessyMem: 모바일 매니퓰레이션을 위한 경험 기반 학습 메모리

MessyMem: Learning-from-Doing Memory for Mobile Manipulation

Anuva Banwasi, William Muckelroy, Priya Sundaresan, Linfeng Zhao, Jeannette Bohg 외 1명

MessyMem은 모바일 매니퓰레이터가 작업 경험을 지속적으로 축적하고 이후 작업에서 재활용할 수 있도록 설계된 지속적 메모리(persistent memory) 시스템이다. 공간 기반 3D 장면 그래프(scene graph)에 상호작용을 통해 얻은 속성과 결과를 추가하고, 세밀한 재현을 위해 시각적 관측값을 연결하는 방식으로 동작한다. 기존 시스템은 잠긴 서랍이나 물체 위치 같은 상호작용 유래 지식을 저장하지 못해 매 작업을 처음부터 수행한다는 한계를 가진다. 시뮬레이션과 실제 모바일 매니퓰레이터 양쪽에서 평가하였으며, 3시간 이상에 걸친 25개 연속 작업 시뮬레이션에서 작업 진행률 80.0%를 기록했다. 이는 가장 강력한 절제 실험(ablation) 대비 14.8%p, 외부 베이스라인 대비 28.9%p 높은 수치이며, 수천 개의 키프레임 가운데 1시간 이상 과거의 관련 증거를 검색하는 데 성공했다.

AFINIS Group ® - AFINIS GASKET® Production / Unsplash

2609.15940v12026.09.14

단일 축 테스트를 넘어서: 시각-언어-행동 정책의 복합 견고성 쌍 평가

Beyond Single-Axis Testing: Paired Evaluation of Compound Robustness in Vision-Language-Action Policies

Hiroki Sawada, Shunichi Kasahara

시각-언어-행동 모델(VLA) 정책은 통상 단일 분포 변화(perturbation)를 하나씩 적용하는 방식으로 평가되지만, 실제 환경에서는 여러 변화가 동시에 발생한다. 연구팀은 이 간극을 분석하기 위해 단일 축 조건과 동시 조건을 초기 상태 단위로 쌍으로 구성한 6축 벤치마크 LIBERO-CTRL을 제안한다. 분석 결과, 단일 축 평가가 모두 성공해도 동시 조건에서 실패하는 '창발적 실패(emergent failure)'와, 단일 축 평가에서 실패해도 동시 조건에서 성공하는 '보상적 성공(compensated success)'이라는 상반된 현상이 공존한다. 두 현상이 집계 통계에서 서로 상쇄되면, 최대 29.0%의 초기 상태에서 결과가 바뀌더라도 전체 성공률은 단일 축 수치와 일관되게 보일 수 있다. 6개 정책·3가지 난이도 조합에서 결과 변화율은 최대 34.5%에 달해, 복합 견고성은 단일 축 집계 성공률만으로는 측정할 수 없다는 결론을 내린다.

2609.15921v12026.09.14CoRL

Touch2Trace: 정교한 케이블 추적을 위한 촉각 기반 모방 학습

Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing

Matteo Grimaldi, David Klee, Ziling Chen, Tong Jian, Wonju Lee 외 3명

Touch2Trace는 엄지와 검지로 케이블을 반복적으로 집고 말아 넣는 정교한 케이블 추적 과제를 위한 촉각 기반 모방 학습(Imitation Learning) 시스템이다. 32×32 압저항식 센서(TacV5)를 자기 지도 학습으로 사전 학습한 촉각 인코더와, 원격조작 시연 데이터로 행동 복제(Behavior Cloning) 훈련된 경량 트랜스포머 정책을 결합해 60 Hz로 Tesollo DG-5F 손에 배포한다. 시각 정보나 케이블 상태 추정 없이 촉각 피드백만으로 고유감각 기반 베이스라인 대비 평균 추적 거리가 0.2 cm에서 20.1 cm로, 성공률이 0%에서 93%로 향상되었다. 학습 시 보지 못한 케이블 종류와 배선 조건에 대한 제로샷 전이도 달성하였다. 본 연구는 인코더 사전 학습, 제어 주기, 시간적 맥락, 공간 해상도가 정책 성능에 미치는 영향을 실기(real-world) 환경에서 체계적으로 수치화한다.

2609.15910v12026.09.14CoRL

SlipSense: 저지연 범용 슬립 감지를 위한 멀티모달 촉각 학습

SlipSense: Multimodal Tactile Learning for Low-Latency and Generalized Slip Detection

Tong Jian, Aditya Thurvas Senthil Kumar, Xinyi Li, Ziling Chen, Tianyu Dai 외 5명

SlipSense는 TacV5 센서를 기반으로 한 멀티모달 촉각 슬립 감지(slip detection) 프레임워크다. TacV5는 240 Hz로 동작하는 32×32 압저항(piezoresistive) 어레이와 8 kHz로 동작하는 3축 MEMS 가속도계를 하나의 소형 패키지에 통합한 센서다. 압저항 어레이는 공간 압력 분포를, 가속도계는 마찰 유발 진동을 각각 포착해 상호 보완적인 슬립 단서를 제공하며, 프레임워크는 모달리티별 인코딩과 크로스-모달 어텐션(cross-modal attention)을 240 Hz로 수행한다. 37개 물체에 걸친 140만 프레임 데이터셋 실험에서 Macro F1 96.7%, 오탐률(false-positive rate) 1.6% 미만, 슬립 이벤트의 76%를 23.1 ms 이내에 감지하는 결과를 보였다. UMI 데이터만으로 학습한 모델이 재학습 없이 Tesollo 덱스터러스 핸드에서 미학습 물체와 다른 센서 유닛에 제로샷(zero-shot)으로 동작함을 확인했다.

2609.15895v12026.09.14

Physical AI를 위한 목표 지향 통신: 설계와 테스트베드

Goal-Oriented Communications for Physical AI: Design and Testbed

Shutong Chen, Wenkai Zhang, Adnan Aijaz, Miao Guo, Yansha Deng

Physical AI 응용은 지연에 민감한 실시간 영상 스트림을 필요로 해 기존 5G 네트워크로는 대용량 데이터를 충분히 처리하기 어렵다. 이 연구는 목표 지향 통신(GoC, Goal-Oriented Communication) 테스트베드를 구현했으며, RGB-D 카메라와 5G 모뎀을 장착한 PiPER 로봇 팔을 5G OpenAirInterface 네트워크를 통해 NVIDIA Jetson AGX Orin 엣지 서버와 연결했다. 연구팀은 3D 바운딩 박스, 2D 씬 그래프(scene graph), 3D 씬 그래프 세 가지 의미적 표현을 전송하는 GoC 프레임워크를 설계하고, 의미 추출·5G 전송·언어 모델 추론·디지털 트윈(digital twin) 검증·로봇 제어 모듈을 하나의 파이프라인으로 통합했다. 실험 결과, 원시 이미지를 주기적으로 전송하는 기존 방식 대비 작업 완료 시간이 최대 52.6% 단축되고 작업 성공 확률이 최대 45% 향상되는 것으로 나타났다.

2609.15870v12026.09.14

WLA³: 의미론·역학·기구학을 위한 세계 잠재 행동 모델링

WLA³: World Latent Action Modeling for Semantics, Dynamics, and Kinematics

Peidong Liu, Zhiyuan Xiang, Mingyang Li, Wenhao Li, Jiale Zhang 외 2명

이질적 데이터로 범용 정책 모델을 확장할 때 통합된 저잡음 행동 레이블이 부족하다는 문제를 해결하기 위해 WLA³가 제안됐다. WLA³는 세계 잠재 행동 모델(WLAM, World Latent Action Model)이 학습한 표현을 기반으로, 다중 모달 세계 상태 변화를 로컬 잠재 행동과 전이 특징(transition feature)으로 인코딩한다. 세그먼트 수준 특징은 의미론적 잠재 집계(SLA, Semantic Latent Aggregate)를 통해 시각-언어 모델(VLM)을 직접 지도하며, 행동 전문가 모듈이 잠재 행동과 로봇 제어 명령을 함께 예측한다. LARYBench에서 32차원 잠재 행동의 평균 분류 정확도 67.89%를 기록했고, 6개 실제 로봇 과제에서 평균 성공률 81.9%로 비교 대상인 π_0.5의 66.2%보다 높은 수치를 보였다. 인간 자기중심 영상이 전이 지도로 활용되어 인간-로봇 전이(human-to-robot transfer)를 지원하며, 중간 학습 데이터가 늘어날수록 성능이 향상되는 경향을 확인했다.

2609.15861v12026.09.14

DuctAM: 고강도 밀기-당기기 상호작용이 가능한 덕트 보조 쿼드로터 기반 공중 조작기

DuctAM: A Duct-Assisted Quadrotor-Based Aerial Manipulator Enabling High-Force Push-and-Pull Interactions

Yi Wang, Rui Jin, Xinhang Xu, Haotian Jin, Ruiyang Liu 외 2명

DuctAM은 쿼드로터의 상호작용 축을 따라 두 개의 덕트 팬을 통합해 수평 방향 힘 발휘 성능을 강화한 소형 공중 조작(Aerial Manipulation) 플랫폼이다. 자세-힘 분리(attitude-force decoupled) 제어 방식을 적용해 기체 자세를 크게 변경하지 않고도 제어 가능한 수평 힘을 생성한다. 8자 궤적 추적 실험으로 쿼드 모드와 덕트 모드 모두에서 안정적인 비행 및 운동 제어를 확인했다. 카트 밀기, 문 닫기, 서랍 열기 등 대표적인 밀기-당기기 작업을 실기(real-world)에서 수행해 실용성을 검증했다. 기존 무인 항공기(UAV) 대비 수평 상호작용 힘이 유의미하게 향상된 것으로 나타났다.

2609.15840v12026.09.14

행동 청킹 트랜스포머 정책을 위한 불확실성 기반 희소 정제

Uncertainty-Guided Sparse Refinement for Action Chunking Transformer Policies

Chenyang Wang, Yuntian Wang, Xiaoxiong Yang, Dingde Jiang, Siao Liu 외 1명

장기 로봇 조작(long-horizon robot manipulation)을 위한 행동 청킹(action chunking) 정책은 청크 전체에 걸쳐 균일하게 오류가 분포하지 않고 소수의 핵심 타임스텝에서 실패가 집중되는 특성이 있다. 이를 해결하기 위해 UGR(Uncertainty-Guided Refinement)을 제안하며, 전체 행동 청크를 먼저 예측한 뒤 각 타임스텝별 불확실성을 추정하고 이진 마스크로 선별된 고불확실 타임스텝에만 잔차 보정(residual correction)을 적용하는 거친 예측→정제 구조를 따른다. 불확실성 분기(branch)는 기존 행동 예측기와 분리 설계되어 성능 향상이 예측기 용량 증가가 아닌 불확실성 기반 보정에서 비롯됨을 확인할 수 있다. RoboTwin 벤치마크의 5개 양팔 조작 과제 실험에서 UGR은 4개 과제에서 최고 성공률을 기록하였고, ACT 베이스라인 대비 최대 13%포인트 향상을 달성했다.

2609.15770v12026.09.14

JEPLO: LiDAR 기반 족형 보행을 위한 결합 임베딩 예측 학습

JEPLO: Joint-Embedding Predictive Learning for LiDAR-Based Legged Locomotion

Qihao Yuan, Yixuan Qiu, Ziyu Cao, Ming Cao, Kailai Li

JEPLO는 명시적 지도(mapping) 없이 LiDAR만으로 족형 로봇의 지각 보행을 실현하는 단일 단계 학습 프레임워크다. 자기고유감각·외부수용감각 결합 JEPA(PE-JEPA) 세계 모델을 통해 원시 LiDAR 스캔을 포함한 온보드 관측으로부터 자아중심 지형 표현(egocentric terrain representation)을 예측 학습한다. 동시적 JEPA 교사-학생(CJTS) 파이프라인으로 시뮬레이션 안에서 심층 강화학습(deep reinforcement learning)을 이용해 보행 정책을 훈련하며, 학습된 정책은 실기 환경으로 성공적으로 전이(sim-to-real transfer)된다. 계단·높은 박스 등 다양한 지형을 전방향 주행으로 통과했으며, 폐색(occlusion)·희소성(sparsity)·노이즈로 인해 인식 성능이 저하된 조건에서 기존 지각 보행 프레임워크 대비 높은 강건성을 보였다. 구현 코드, 실험 데이터셋, 하드웨어 설계 정보를 오픈소스로 공개한다.

2609.15726v12026.09.14

Bench2Dex: 다양한 손재주 로봇 손에서의 시각-촉각 양손 정밀 조작 벤치마킹

Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands

Zhenjie Yang, Yideng Zhang, Dongjie Zhang, Chenyu Jiang, Xianshuai Liu 외 19명

Bench2Dex는 12종의 손재주 로봇 손(dexterous hand)을 대상으로 시각-촉각(visuo-tactile) 양손 조작을 평가하는 시뮬레이션 벤치마크다. 기존 로봇 모델에 공통 시뮬레이션 촉각 인터페이스를 추가해 접촉 형상을 이미지 형태의 촉각 관측값으로 변환하며, 손 형태가 달라도 일관된 관측 형식을 제공한다. 도구 사용, 관절형 물체 조작, 다단계 조작을 포함한 26개 양손 과제와 약 1,300건의 인간 원격 조작 시연 데이터가 함께 제공된다. 교란(perturbation)은 올바른 행동이 달라지지 않는 불변(invariance) 축과 교란에 따라 행동도 변하는 등변(equivariance) 축으로 나뉘어 7가지 유형을 다룬다. ACT, Diffusion Policy, pi0.5, GR00T N1.5를 벤치마크에서 평가하고 성능 및 실패 사례를 보고한다.

2609.15716v12026.09.14

접촉 집약 모방 학습을 위한 연속 매니폴드 분해 임피던스 리타겟팅

Continuous Manifold-Decomposed Impedance Retargeting for Contact-Rich Imitation Learning

Jiahao Liu, Kento Kawaharazuka, Tasuku Makabe, Kei Okada

CMDIR은 고정 임피던스 시연 데이터를 연속 가변 임피던스(variable-impedance) 제어기로 변환하는 프레임워크로, 매니폴드 분해 임피던스 리타겟팅(Manifold-Decomposed Impedance Retargeting, MDIR)을 확장한다. 연속 태스크-매니폴드 임피던스 표현(Continuous Task-Manifold Impedance Representation, TMIR)은 변화하는 태스크 프레임과 제어기 명령을 결합하며, 모방 학습의 구조화된 감독 신호로도 활용된다. 세 가지 실제 접촉 과제에서 225회 실험을 수행한 결과, 이산(discrete) MDIR 대비 평균 태스크-프록시 유지율이 향상되고 자세 편차·힘 변동·최대 힘이 감소하였다. FastMPO는 C-MPO 대비 5.8~9.4배의 속도 향상을 달성하면서 유사한 폐루프(closed-loop) 성능을 보인다. 다운스트림 실험에서 TMIR 감독 인터페이스의 학습 가능성이 확인되었으나, 과제 및 환경에 따라 완료 신뢰성은 고르지 않은 것으로 나타났다.

2609.15680v12026.09.14

쿼드로터를 위한 체적 조화장 항법

Volumetric Harmonic Field Navigation for Quadrotors

Shuxiu Jia, Amartya Mukherjee, Yating Yuan, Jun Liu

복잡한 3차원 환경에서의 쿼드로터 항법을 위해 사전 계산된 체적 조화장(volumetric harmonic field)과 구속 예측 플래너를 결합한 방법을 제시한다. 기존의 전역 경로를 추출하는 대신, 예측 위치에서 직접 조화장 값을 쿼리하여 지역 운동 생성을 유도하는 방식을 사용한다. 정형화된 3차원 환경 실험에서 조화장 유도 방식은 Dijkstra 유도 방식보다 최소 통행 여유(clearance)가 크고 RMS 저크(jerk)가 낮았으나, 경로 길이는 더 길었다. 장거리 미로 환경 실험과 Crazyflie를 이용한 실기 비행 실험으로 물리적 실행 가능성을 검증하였다.

2609.15667v12026.09.14RA-L

지면 추적: 농업 환경에서 로봇 유발 토양 변형의 온라인 라이다 식별

Tracking the Ground: Online Lidar Identification of Robot-Induced Soil Deformation in Agricultural Environments

Tom Montagnon, Johann Laconte, Benoit Thuilot, Wonjae Cho, Roland Lenain

로봇 농업 작업에서 차량-토양 상호작용은 토양 구조를 손상시키고 지면에 원치 않는 변형을 유발하지만, 기존 연구는 토양 상태를 제어 변수로 다루지 않아 왔다. 연구팀은 라이다(lidar) 관측값으로부터 교통 유발 토양 변형을 정량화하고 그 진행을 온라인으로 추정하는 프레임워크를 제안한다. 핵심 방법은 축소차수 매개변수 모델(reduced-order parametric model)로, 물리적으로 해석 가능한 매개변수를 통해 토양 거동을 표현하며 토양 상태를 연속적으로 갱신·관측한다. 다양한 토양 조건에서 수행된 실험에서 로봇 이동으로 유발된 지면 변형을 포착하는 능력이 확인되었다. 이 프레임워크는 추정된 토양 상태를 바탕으로 로봇 행동을 조정해 토양 저하를 줄이는 토양 인식(soil-aware) 로봇 운용의 기반을 마련한다.

2609.15631v12026.09.14

Flow-Matched Motion Priors: 모방학습을 위한 온라인 최적수송 보상

Flow-Matched Motion Priors: Online Optimal-Transport Rewards for Imitation Learning

Yilin Zou, Chenghua Liu, Chenglong Wu, Fanghua Jiang

적대적 모션 프라이어(AMP)는 정책과 전문가 분포가 멀리 떨어질 때 판별자 보상이 무의미해지는 한계가 있으며, 단순 최적수송(OT) 기반 중심점 목표는 보행 위상에 걸쳐 평균화되어 관절 운동이 약화된다. 이 논문은 롤아웃 이력과 전문가 모션 뱅크를 잇는 경로에서 엔트로픽 최적수송(OT) 결합과 플로우 매칭(FM)으로 스칼라 보상을 온라인 학습하는 Flow-Matched Motion Priors(FMP)를 제안한다. 보상 모델 실험에서 FMP는 값 전용 또는 엔드포인트 전용 피팅보다 피팅 롤아웃 외부 일반화가 크게 향상되는 것으로 나타났다. Unitree G1 로봇의 5천만 트랜지션 실험에서 FMP는 시연 초기화 조건에서 0.727 m/s, 고정 자세 초기화 조건에서 0.338 m/s의 안정적인 전진 보행을 달성했다. 고정 자세 조건의 낙하 횟수는 엔드포인트 전용 제어의 243회 대비 129회였으며, 정적 점수-기울기 교사 대비 오프라인 피팅 시간이 29% 줄었다.

2609.13083v12026.09.11

ASTRIL-MPC: 언어 유도 신경-기구학 MPC 기반 관절형 궤도 로봇 자율 주행 프레임워크

ASTRIL-MPC: Autonomous Traversal Framework of Articulated Tracked Robots with Language-Guided Neural-Kinematic MPC

Zhenfeng Gan, Yanbo Chen, Lirong Che, Junbo Tan, Xueqian Wang

ASTRIL-MPC는 도시 수색구조 환경에서 관절형 궤도 로봇(ATR)의 자율 주행을 위한 언어 유도 신경-기구학 모델 예측 제어(MPC) 프레임워크다. 학습된 기구학 모델이 높이 시퀀스와 최근 궤적으로부터 단기 작업 상태 증분을 예측하고, NMPC가 다목적 비용 함수와 실행 가능성 제약 조건 하에 계획을 수립한다. 대형 언어 모델(LLM)은 범위 클리핑·변화율 제한·일관성 검사가 포함된 안전 점검 인터페이스를 통해 선택된 가중치와 경계값에 제한적 업데이트를 제안하며, 전체 제어 주기는 100ms 이내에 완료된다. 세 가지 주행 과제 및 다중 높이 일반화 설정에서 비적응형 NMPC 대비 최대 71%, PPO 기준선 대비 최대 67%의 주행 품질 점수 향상을 연구진은 보고한다. 하강 구간에서는 측정 가능한 충돌 충격이 완전히 제거됐다고 밝혔다.

2609.13053v12026.09.11

Dynin-Robotics: 옴니모달 통합 확산 시각-언어-행동 모델

Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model

Hoeun Lee, Jaeik Kim, Jusang Oh, Jinhyeok Kim, Geon Choi 외 2명

Dynin-Robotics는 언어·시각 관측·목표·행동을 이산 토큰으로 표현하는 옴니모달 마스크 확산 백본 Dynin-Omni 위에 구현된 시각-언어-행동(VLA) 모델이다. 하나의 공유 궤적 모델이 행동 예측, 행동 조건 다음 관측 예측, 최종 목표 상태 예측, 궤적-지시 재구성 등 네 가지 목표를 동시에 학습한다. Open X-Embodiment 데이터셋 48개에서 약 133만 개의 궤적으로 사전학습을 수행했다. Franka Research 3 로봇의 네 가지 조작 조건에서 평균 78.4% 성공률을 기록했으며, LIBERO 및 제로샷 LIBERO-Plus 벤치마크에서도 경쟁력 있는 결과를 보였다. 블록 병렬(block-parallel) 구현으로 보고된 프로파일링 환경 기준 행동 디코딩 속도가 기본 구현 대비 최대 29.2배 빨라졌다.

2609.13015v12026.09.11

다중 모델 전환을 활용한 전역 경로 계획기

Global Path Planner with Multi-Model Switching

Pietro Gori, Francesco Iotti, Eduard Zelenay, Rastislav Marko, Michele Pierallini 외 3명

이 연구는 퓨어 퍼슛(Pure Pursuit) 제어기와 다중 모델 운동학적(kinematic) 전환을 결합한 전역 경로 계획 시스템을 제안한다. 지형 분석을 위한 주행 가능성 그래프(traversability graph), 실현 가능한 경로 생성을 위한 헤딩 인식 A*(Heading-Aware A*) 알고리즘, 동적 추종을 위한 다중 모델 퓨어 퍼슛 제어기로 구성된다. 핵심 기여는 지형 특성과 로봇 상태에 따라 운동학 모델을 실시간으로 전환하는 적응형 운동학 모델링으로, 까다로운 환경에서 경로 효율성과 에너지 사용을 최적화한다. 시뮬레이션 환경에서 Artaban 사족보행 로봇과 X3 쿼드로터 드론에 적용해 표준 기준선(baseline) 대비 향상된 성능과 견고성을 확인하였다.

2609.13011v12026.09.11

Comfort by Construction: 학습 기반 주행 정책을 위한 적응형 안락도 제한 행동 공간

Comfort by Construction: Adaptive, Comfort-Bounded Action Spaces for Learned Driving Policies

Anna Rothenhäusler, Daniel Jost, Raghu Rajan, Faris Janjos, Oliver Scheel 외 2명

데이터 기반 주행 시뮬레이터는 고정 격자로 가속도와 조향 각속도를 명령하지만 실현된 저크(jerk)를 제한하지 않아, 강화학습 정책이 급격한 기동으로 안전 지표를 부풀리는 문제가 있다. 단순히 안락도 상한을 적용하면 측면 제한이 속도 제곱에 비례해 축소되어 격자가 포화되는 '격자 붕괴(grid collapse)' 현상이 발생하고 세밀한 제어가 불가능해진다. 저자들은 측면 저크 제약의 폐형 역산(closed-form inversion)을 이용해 매 스텝마다 실현 가능한 제어 집합에 맞게 격자를 재이산화하는 적응형 행동 파라미터화 방법을 제안한다. 실현된 운동역학을 점검하고 까다로운 주행 장면을 저작할 수 있는 브라우저 기반 도구 PufferDrive-Editor도 함께 제시한다. Waymo Open Motion Dataset과 수작업 슬랄롬 경로에서 평가한 결과, 제안 모델은 안락도 위반을 1% 미만으로 유지하면서 클립 격자 및 직접 저크 기준선 대비 주행 가능성(navigability)에서 높은 성능을 보였다.

2609.12971v12026.09.11

에너지 효율적 내비게이션을 위한 ROS 2 튜닝: Costmap 2D 설정의 실증적 고찰

Tuning ROS 2 for Energy-Efficient Navigation: Empirical Insights from Costmap 2D Configurations

Michel Albonico, Andreas Wortmann, Ivano Malavolta

이 논문은 로봇 운영 체제 ROS 2(Robot Operating System 2)의 패키지 설정 변경이 이동 로봇 내비게이션의 에너지 효율에 미치는 영향을 실험적으로 분석한다. 소규모·대규모 두 가지 창고형 시나리오에서 장애물 배치와 Costmap 2D 설정을 달리하며 반복 실험을 수행하였다. 측정 지표로는 에너지 소비량, 전력 프로파일, CPU 부하, 메모리 사용량, 내비게이션 성능이 포함된다. 실험 결과, 최적 설정은 로봇이 운용되는 환경에 따라 달라지며, 성능과 에너지 소비에 크게 영향을 미치는 핵심 설정 항목들이 식별되었다.