PAPERS
arXiv cs.RO 신규 논문을 매일 수집해 한국어 요약을 붙입니다. 학회 채택 정보는 저자 코멘트에서 자동으로 추출합니다.
Proxy Policy Steering
Chuanruo Ning, Tianrui Wang, Wei-Chiu Ma, Kuan Fang
Proxy Policy Steering(PPS)은 범용 로봇 정책을 새로운 작업에 적응시키는 추론 시점(inference-time) 적응 방법이다. 두 개의 경량 프록시 정책을 학습하여 그 속도 공간(velocity-space) 잔차로 고정된 기반 샘플러를 매 디노이징(denoising) 단계마다 조향한다. 기반 정책의 파라미터를 직접 수정하지 않으므로 시연 데이터에 포함되지 않은 실패 복구 행동 등 기존 광범위 능력이 추론 시에도 그대로 유지된다. 실제 환경 8개 및 시뮬레이션 4개의 조작 작업에서 pi 0.5 기반 정책의 평균 절대 성공률을 53%p 향상시켰다. LoRA 파인튜닝, 처음부터 학습한 전문 정책, 잔차 정책, 기존 추론 시점 조향 방법보다 우수한 성능을 보였다.
DeCAL: Towards Physically-Grounded Dexterous Vision-Language-Action Models via Contact-Aware Latent Co-Imagination
Yankai Fu, Ning Chen, Junkai Zhao, Heng Zhang, Guocai Yao 외 3명
DeCAL은 접촉이 많은 정밀 손재주 조작(dexterous manipulation)을 위해 이해·상상·행동 생성을 통합한 물리 기반 시각-언어-행동 모델(VLA)이다. 트랜스포머 혼합(Mixture-of-Transformers, MoT) 아키텍처를 기반으로 각 기능에 특화된 전문가 모듈을 두고 모듈 간 효율적인 정보 흐름을 구현한다. 접촉 인식 게이팅 전략으로 촉각 정보를 동적으로 조절하는 적응형 시각-촉각 융합(Adaptive Visuo-Tactile Fusion)을 도입하여 심한 시각적 폐색과 복잡한 접촉 동역학 문제에 대응한다. 시각·촉각 동역학을 공동으로 모델링하는 시각-촉각 잠재 공동 상상(Visuo-Tactile Latent Co-Imagination)을 통해 정책에 암묵적 물리 세계 지식을 부여한다. 실험 결과 전체 태스크에서 평균 성공률 71%, 진행 성공률 83.4%를 달성하였으며 미관측 시나리오에서도 일반화 성능을 보였다.
Online, Reachability-Aware, Sampling-Based Motion Planning
Brendan Gould, Zhiyuan Zhang, Panagiotis Tsiotras, Samuel Coogan
샘플링 기반 모델 예측 제어(MPC) 알고리즘은 다양한 로봇 시스템의 내비게이션에 활용되지만, 기존 방식은 경성 안전 보장(hard safety guarantee)을 제공하지 못하는 한계가 있었다. 이 연구는 구간 기반(interval-based) 파이프라인을 통해 도달가능 집합 과대근사(reachable-set overapproximation)를 온라인으로 빠르게 산출하여 이 문제를 해결한다. 제안 방법은 고비용의 사전 계산 단계 없이도 기존 도달가능성 기반 플래너와 유사한 성능을 달성하며, 기존 접근법으로는 처리가 어려운 시스템으로 확장이 가능하다. 레이싱 시뮬레이션에서 안전 위반을 99% 이상 감소시켰고, 실제 모형 레이스카 하드웨어 실험에서도 충돌 없이 제어에 성공했다.
Rethinking Learned Occupancy in Autonomous Active Mapping with Observation-Gated Filtering
Jiahui Zhang, Bonian Han, Gongbo Liang, Yu Zhang
자율 3D 능동 매핑(active mapping)에서 학습 기반 점유 완성(learned occupancy completion)은 현재 시야 밖의 공간 정보를 확장하지만, 동일한 예측 지도가 탐색 이득 평가와 충돌 회피 경로 계획이라는 두 역할을 동시에 수행하는 구조적 문제를 안고 있다. 연구팀은 폐루프 벤치마크에서 능동 매핑 시스템을 고정한 채 플래너에 제공되는 점유 조건(관측 전용·학습 기반·오라클 보정·실제 정답)만 달리하여 성능을 비교 분석했다. 25개 시작점 실험 결과, 실제 정답 점유로 계획할 경우 학습 기반 기준선 최종 커버리지의 70%에 평균 12.7 스텝 더 빠르게 도달하지만 최종 커버리지 증가폭은 0.031에 불과해, 점유 정확도 향상이 커버리지를 단조롭게 개선하지 않음을 확인했다. 이 진단을 바탕으로 연구팀은 충분히 관측되지 않은 영역에서는 완성 예측을 유지하고, 인근 RGB-D 지지 없이 절두체(frustum)에 반복 노출된 후에만 예측을 억제하는 관측 게이트 필터(observation-gated filter)를 제안했다. 제안 필터는 재학습 없이 실패가 잦은 시작점에서 성능을 개선하며, 통신 창 사이의 자율 구간에서 플래너 대면 기하 정보를 온라인으로 수정하는 방향성을 제시한다.
A Distributed Consensus Particle Filter for Target Tracking using Autonomous Surface Vessels
Carter Noh, Kyle Crandall, Connor Yates, Corbin Wilhelmi
대규모 해상 환경에서의 목표 추적은 중앙 조율 없이 운용되는 다중 에이전트 팀과 단속적 통신 조건을 필요로 한다. 각 에이전트는 독립적인 추정치를 유지해야 하며, 외부 데이터가 없을 경우 지역 추정치가 과도하게 확신(overconfident)되는 문제가 발생할 수 있다. 본 연구는 다른 센서 노드로부터 유효한 업데이트가 없을 때 입자(particle)를 전략적으로 분산시키도록 강제하는 방식으로 고전적 파티클 필터(particle filter)를 보강하는 기법을 제안한다. 제안 방법은 호수에서 무인 수상선(USV, Unmanned Surface Vessel)을 이용한 실험으로 검증되었으며, 기본 성능을 저하시키지 않으면서 일부 엣지 케이스에서 추적 정확도 향상을 나타냈다.
DYAD: A Multimodal Dataset of Co-Located Human Assistance
Akhil Ajikumar, Mahya Qorbani, Sakib Reza, Sean Andrist, Mohsen Moghaddam
DYAD(DYadic Assistance Dataset)는 기어박스 조립 과정에서 인간 대 인간 보조를 기록한 동기화 멀티모달 데이터셋이다. 20개 세션에 걸쳐 훈련된 도우미가 HoloLens 2 착용 수행자를 보조하며, 528개 작업 단계 구간, 611개 수행자 요청, 851개 유효 보조 기록을 포함한다. 어노테이션은 도움 요청, 보조 트리거, 언어적·신체적 개입, 결과를 하나의 연결 구조로 묶어 기존 절차형 데이터셋과 차별화된다. 세 가지 기준 과제(인과적 단계 이해, 개입 전 모드 예측, 교사 응답 생성)를 제시하며, 최강 모델의 매크로-F1은 0.548이고 인과 메타데이터 활용 시 0.624, 특권 트리거 매핑 시 0.915로 향상되어 사전 개입 RGB 영상에서 회수되지 않는 정보가 존재함을 보인다.
Spheriverse: 3D Scene Understanding from Spherical Observations in the Wild
Fei Teng, Sheng Wu, Mengfei Duan, Guoqiang Zhao, Junhui Ma 외 5명
구면 카메라는 넓은 시야각으로 3D 장면 이해에 유용하지만, 각도 좌표계와 카르테시안 좌표계 간의 표현 불일치가 기하학적 대응과 의미 정보 집계를 어렵게 한다. 이를 다루기 위해 644개 시퀀스, 64,400쌍의 시간 정렬 구면 이미지-LiDAR 데이터셋 Spheriverse를 구축하였으며, 다양한 장면·조명·날씨 조건과 세밀한 의미 분류 클래스를 포함한다. 시맨틱 점유 예측(semantic occupancy prediction), 시맨틱 매핑, 3D 객체 탐지 세 가지 벤치마크를 정립하고 30개 이상의 방법을 평가한다. 제안하는 SphereOcc 프레임워크는 카르테시안-구면 표현 재모델링(CSRR)과 구면 증거 재질의(SER)를 통해 구면 기하학 정보를 카르테시안 복셀 특징에 통합한다. SphereOcc는 mIoU 13.91%, GeoIoU 24.65%를 달성하여 비교 대상인 TPVFormer와 SurroundOcc를 각각 1.70, 2.10 퍼센트포인트 상회하고 전체 다섯 장면에서 모두 1위를 기록하였다.
PlannerForge: LLM Agents for Scenario-Based Testing of Motion Planners in Autonomous Driving
Yuan Gao, Sebastian Müller, Mattia Piccinini, Marc Kaufeld, Yuchen Zhang 외 3명
PlannerForge는 자율주행 시스템(ADS)의 시나리오 기반 테스팅 전 과정을 단일 대규모 언어 모델(LLM) 에이전트 프레임워크로 통합한다. 기존에 별도 도구로 분산 운영되던 시나리오 생성·검색·수정·ADS 실행·결과 분석 단계를 하나로 묶고, ADS 개선 및 벤치마킹 단계를 추가로 포함한다. 10개의 기성 LLM과 5가지 프롬프트 조건에서 평가한 결과, 태스크별 최고 점수는 0.88~1.00 범위로 나타났으며, Qwen3.6:35B 등 오픈소스 20~35B 모델이 5개 태스크 중 3개에서 상용 API와 대등한 성능을 보였다. 자연어 기반 시나리오 생성에서 Scenario Factory 2.0 대비 실행 가능 시나리오 수가 많았고(200개 중 193개 대 144개), 랭크 1 검색 정확도는 BM25 대비 92.0% 대 67.5%로 높게 나타났다. N=400 조건에서 비용 튜닝 적용 시 플래너 성공률이 50.4%에서 70.2%로 향상되고 충돌 발생률이 19.0%에서 8.4%로 감소하였다.
Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
Nelson Chen, Patrick Meng, Charles Tang, Angelina Degay, Zachary Brei 외 3명
본 논문은 세 개의 바(bar)로 구성된 텐세그리티(tensegrity) 로봇에 대해, 학습된 그래프 신경망(GNN) 동역학 모델을 기반으로 하는 모델 예측 경로 적분(MPPI) 제어기를 제안한다. 기존 GNN 기반 모델에 미분 가능한 접촉 감지 모듈을 추가하여, 비수평 지형·장애물·자기 충돌을 포함한 접촉 풍부(contact-rich) 환경에서의 동역학 추론이 가능하도록 확장하였다. 학습된 동역학 모델과 MPPI 제어기는 폐쇄 데이터 수집 루프에서 반복 운용되어 모델 정확도와 제어 성능을 점진적으로 향상시키며, MPPI에 회전 동작 기본 요소(turning motion primitives)를 결합한 하이브리드 MPPI 전략도 함께 도입하였다. MuJoCo 시뮬레이터에서 벽 장애물, 경사로, 좁은 통로, 저간격 구조물, 복합 3D 장애물 코스 등 5가지 탐색 과제로 실험한 결과, 하이브리드 MPPI 제어기는 A* 기반 재계획 및 MPPI 단독 방식 대비 우수한 탐색 성능을 나타냈다.
Remotely Detectable Keyed Communication through Motion
Benjamin Chang, Michael Amir, Manon Flageat, Amanda Prorok
로봇의 움직임 자체를 통신 채널로 활용하는 동작 기반 통신(motion-based communication) 방법을 제안한다. 사전 학습된 정책(pre-trained policy)의 행동에 임의의 메시지를 노이즈 형태로 인코딩하여, 영상이나 모션 캡처 같은 원격 감지 수단으로 수신 측이 메시지를 복원할 수 있도록 한다. 추가 하드웨어나 직접적인 무선 링크 없이 동작하며, 기존 무선 통신 채널을 보완하는 물리적 채널로 기능한다. 인코딩 방식의 설계 공간을 체계적으로 분석하고 설계 원칙을 도출하여 시뮬레이션 및 실제 로봇에서 검증하였다. 50 Hz로 동작하는 실제 로봇 4대가 협력하여 8비트 메시지를 합산 0.67 bits/s 속도로 복원하는 성능을 나타냈다.
Visible-Reachable Workspace for Perception-Aware Humanoid Design
Boxi Xia, Zijiang Yang, Ryan Shin, Bokuan Li, Eric Wun-Hao Lu 외 3명
기존 작업공간 분석은 말단부의 도달 가능성만 평가하지만, 시각 기반 조작에서는 운동학적으로 도달 가능한 자세에서도 카메라 시야가 확보되지 않을 수 있다. 이 연구에서는 도달 가능한 자세에서의 가시성을 조건으로 결합한 설계 지표인 가시-도달 가능 작업공간(VRW, Visible-Reachable Workspace)을 제안하며, 공간적으로 분리된 복수 작업 영역의 동시 가시성까지 확장한다. VRW를 31자유도 휴머노이드에 적용하여 독립 구동 RGB-D 카메라를 탑재한 결과, 카메라 구동 관절 추가만으로 가시-도달 가능 커버리지가 38%에서 97%로 증가하였다. 두 개의 구동 카메라를 적용하면 쌍별 커버리지가 0.45에서 0.95로 높아지며, 세 번째 카메라를 추가해도 0.97로 소폭 증가에 그쳤다. 제어된 두 목표물 파지 벤치마크에서 이중 구동 카메라 설계는 고정 카메라 대비 평균 완료 시간을 17%, 기계적 에너지를 19% 줄였으며, 하드웨어 실험에서 토르소 재방향 없이 전후·좌우 목표물 쌍을 동시에 관측·조작하는 것을 실증하였다.
FRAME: Factored Retrieval via Attribute Readouts for Object-Centric Scene Memory
Woosang Jeon, Sanghyeok Choi, Minwoo Kim, Taehyun Jung, Taehyeong Kim
언어 지시 기반 로봇이 시간에 걸쳐 만난 물체를 재참조하려면 지속적인 장면 메모리(scene memory)가 필요하다. 본 연구는 자연어 쿼리로 카테고리·재질·크기·표면 외관 등 복수 속성을 조합해 물체를 검색하는 문제를 속성 조합적 검색(attribute-compositional retrieval)으로 정식화한다. 제안 방법인 FRAME은 언어를 쿼리 관련 속성 가중치로 변환하고, 학습된 판독기(readout)로 물체 임베딩에서 속성별 근거를 추정한 뒤 집계해 순위를 매긴다. FRAME은 물체 점수 산정을 경량 행렬-벡터 연산으로 줄이면서 기존 장면 메모리 검색 기준선 대비 높은 성능을 보였다. 또한 고정 장면 메모리와 속성 정의 타깃을 사용하는 제어된 평가 프로토콜을 도입해 검색 능력을 인식 및 주석 모호성과 분리해 측정했다.
CAST: Alternating State-Value Targets and Expanded Policy Gradients for Model-Based Reinforcement Learning
Pietro Noah Crestaz, Mohamed Yassine Kabouri, Nicolas Mansard, Andrea Del Prete
모델 기반 강화학습(MBRL)은 환경 모델을 학습해 행동 선택에 활용하며, 샘플 효율성이 높아 로봇공학에 적합하다. 학습된 정책에 온라인 플래닝을 결합하면 행동 선택을 더욱 개선할 수 있으나, 기존 방법들은 플래너가 유도하는 행동의 가치 대신 정책 자체의 가치만 학습하는 경향이 있었다. 저자들은 CAST(Critic with Alternating State-value Target)를 제안하며, 실제 플래너 유도 전이(transition)와 현재 정책하의 상상된 전이를 결합한 목표로 행동가치가 아닌 상태가치(state-value) 크리틱을 학습한다. 이 구조는 플래너 행동의 강점을 활용하는 동시에 학습 중인 정책으로 가치 추정치를 정규화하는 교번 과정에 해당한다. DeepMind Control Suite와 HumanoidBench Suite에서 최신 기법들과 비교 평가했으며, 실제 Unitree Go2 사족보행 로봇의 동적 물구나무서기 동작으로의 전이에도 성공했다.
Same Trajectory, Contradictory Rewards (ROBORMBENCH): Paraphrase Fragility in Vision Language Reward Models
Wonje Jeung, Sangyeon Yoon, Hyesoo Hong, Yoonjun Cho, Dongjae Jeon 외 4명
시각-언어 모델(VLM)이 로봇 학습의 보상 함수로 쓰일 때, 의미가 같은 지시어를 다르게 표현(패러프레이즈)하더라도 동일한 보상 점수가 산출되어야 한다는 조건이 있다. 연구진은 현재 VLM 보상 모델이 이 조건을 자주 위반하며, 지시어 표현만 바꿔도 예측 진행도 점수가 크게 달라지고 동일한 로봇 동작이 성공과 실패로 뒤바뀌는 현상을 확인하였다. 이를 정량화하기 위해 2,390개의 실제 로봇 궤적(trajectory), 정답 진행도 레이블, 어휘·구문·행동-목표 재작성 방식을 포함한 21,673개의 검증된 패러프레이즈로 구성된 벤치마크 ROBORMBENCH를 제안하였다. 독점·오픈소스 VLM 전반에서 패러프레이즈로 인한 불안정성이 광범위하게 나타났으며, 표현 차이가 클수록 심해지고 모델 규모나 명시적 추론을 적용해도 완화되지 않았다. 궤적 기반 지도학습으로 훈련된 전용 보상 모델은 훨씬 안정적인 결과를 보여, 패러프레이즈 견고성이 VLM 기반 보상 모델링의 핵심 요건임을 시사한다.
CrossDepth: Geometry-Constrained Attention for Generalizable Multi-View Surround Depth Estimation
Samer Abualhanud, Max Mehltretter
CrossDepth는 자율주행용 멀티뷰 서라운드 카메라 리그에서 발생하는 교차 이미지 간 깊이 추정 불일치 문제를 해결하는 방법을 제안한다. 카메라 내부 파라미터 차이를 보정하기 위해 픽셀별 카메라 인식 레이 임베딩(ray embedding)으로 특징을 조건화하고, 각 이미지의 제한된 수용 영역(receptive field) 문제를 해결하기 위해 보정된 리그 설정에서 도출된 기하학적으로 타당한 영역에 한정된 교차 이미지 어텐션(cross-image attention)을 적용한다. 모델은 광도 일관성(photometric consistency)에 기반한 완전 자기지도(self-supervised) 방식으로 학습된다. DDAD 및 nuScenes 데이터셋 평가에서 동일 도메인·교차 도메인 모두 기존 자기지도 방식 대비 전반적인 깊이 정확도와 교차 이미지 깊이 일관성이 향상된 결과를 나타냈다.
What Matters, When? Diagnosing and Improving Conditional Visual Grounding in Visuomotor Imitation Policies
Vivek Chavan, Pengtao Xie, Yahuan Shi, Oliver Heimann, Kevin Haninger 외 1명
시각운동 모방 정책(visuomotor imitation policy)은 학습 분포 내 시각 조건에서는 높은 성능을 보이지만, 시각적으로 유사한 방해 물체나 용기가 도입되면 실패하는 경향이 있다. 본 연구는 이를 조건부 시각 그라운딩(conditional visual grounding) 문제로 정의하고, ACT(Action Chunking with Transformers)를 사용해 색상·형태 유사도가 제어된 방해 물체를 체계적으로 도입하여 파지 및 배치 단계에서 실패 지점을 특정했다. 분석 결과, 방해 물체에 대한 민감도는 시각적 유사도 유형과 조작 단계 모두에 따라 다르게 나타났다. 이를 바탕으로 방해 물체 증강(distractor augmentation), 단계별 어텐션 정규화, 외형 기반 시각 프롬프팅을 보완적 개입 방법으로 평가한 결과, 시뮬레이션 및 실제 UR3e 로봇에서 강건성이 크게 향상됐다. 아울러 의료 기기 처리 작업에 적용된 사전 학습 시각-언어-행동 모델(VLA)에서도 동일한 실패 패턴이 확인되어, 목표 선택을 명시적으로 개선하면 다양한 정책 학습 체계에서 성능을 회복할 수 있음을 보였다.
Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation
Vivek Chavan, Yahuan Shi, Oliver Heimann, Kevin Haninger, Jörg Krüger
시각-언어-행동 모델(VLA)은 단기 조작 기술은 수행할 수 있으나, 지속적 상태 추적·의존성 추론·조건 분기가 필요한 장기 과업에서는 취약하다. 이 연구는 학습된 VLA 제어와 명시적 태스크 그래프(task graph), 다중모달 절차적 메모리(procedural memory)를 결합한 신경-기호(neuro-symbolic) 프레임워크를 제안한다. 태스크 그래프는 행동 의존성·유효 전환·분기 조건을 인코딩하며, 메모리는 활성 단계·완료 행동·텍스트 맥락·시각 증거를 유지해 객체 선택·목적지 위치 파악·하위 목표 수행을 안내한다. 인간 시연에서 시선(gaze) 또는 현저성(saliency) 단서를 추출하여 VLA 미세 조정과 추론 단계에서 공간적·시간적 안내로 활용한다. 작업대 정리와 수술 도구 처리 두 가지 장기 조작 도메인에서 올바른 객체·목적지 선택, 하위 과업 완료율, 절차 순서 일관성, 전체 과업 성공률 등을 평가한다.
Development of a Humanoid Robot Prototype for Multimodal Human-Robot Interaction
Thang Tran Viet, Thanh Nguyen Canh, Huy Uong Gia, Phuc Dinh Van, Son Tran Duc 외 2명
본 논문은 인간-로봇 상호작용(HRI) 연구를 위한 휴머노이드 로봇 프로토타입을 제시한다. 해당 플랫폼은 12자유도(DOF) 듀얼암과 표정 표현용 LCD 스크린이 달린 2자유도 헤드로 구성되며, 온보드 Jetson 모듈이 탑재된 자체 제작 컨트롤러 보드로 실시간 AI 처리를 수행한다. 탑재된 AI 모듈은 세 가지로, MediaPipe Pose와 장단기 메모리(LSTM) 분류기를 활용한 제스처 인식, YOLO 기반 물체 감지 및 3D 위치 추정, 그리고 대형 언어 모델(LLM) 기반 음성 명령 처리로 구성된다. 실험 결과 평균 조작 오차는 약 1.83 cm로 나타났으며, 제스처 인식 정확도 96%, 음성 인식 정확도 92% 등 전체 작업 정확도가 90% 이상을 기록하였다.
Adaptation Needs in Robotic Systems: Assessing Behavior Trees and Their Enhancement
Mehran Rostamnia, Gianluca Filippone, Ricardo Caldas, Patrizio Pelliccione
이 논문은 현대 로봇 시스템의 적응 요구사항을 행동 트리(Behavior Tree, BT)가 충족하는지 문헌 기반 연구와 실증적 검증을 통해 분석한다. 연구진은 로봇 적응 요구사항을 지식(Knowledge), 지각(Perception), 구동(Actuation), 시스템(System), 임무(Mission), 환경(Environment)의 6가지 범주로 분류한다. 분석 결과, 고전적 BT의 모듈성·유연성·반응성은 런타임 구조 재편, 불확실성 하의 추론, 임무 재해석, 학습, 외부 지식 및 계획 메커니즘과의 통합이 요구되는 상황에서는 불충분한 것으로 나타났다. 향상된 BT 접근법은 생성(generation), 확장(extension), 진화(evolution), 정제(refinement)의 4가지 계열로 분류되며, 여러 한계를 부분적으로 해소하지만 각각 고유한 제약을 수반한다. 이 연구는 고전적 BT가 충분한 경우, 향상된 메커니즘이 필요한 경우, 그리고 적응형 로봇 제어 아키텍처에서 여전히 미해결인 과제를 체계적으로 안내한다.
FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement
Kun Hu, Menggang Li, Kaidi Wu, Zhiwen Jin, Yingjie Zhao 외 3명
FIRE-LIVWO는 연기·분진과 기하학적 퇴화가 심한 지하 탄광 환경에서 강인한 SLAM을 구현하기 위한 긴밀 결합(tightly coupled) 다중 모달 오도메트리 프레임워크다. 반복 오차 상태 칼만 필터(iterated error-state Kalman filter, IESKF)를 기반으로 4D mmWave 레이더, LiDAR, 시각 특징을 단일 VoxelMap 내에서 융합하고, LiDAR-레이더 점-대-평면 잔차와 희소 시각 측광 잔차를 공동으로 구성한다. 연기가 가득한 환경에서는 4D mmWave 레이더의 투과 특성과 포인트별 도플러 속도 제약을 활용해 상태 관측 가능성을 유지한다. 기하학적으로 퇴화된 터널 구간에서는 비홀로노믹 제약(Non-Holonomic Constraints, NHC)과 온라인 레버-암 보정을 통해 휠 오도메트리를 긴밀히 결합하여 드리프트를 줄이며, 기하·시각 관측 가능성 분석에 기반한 퇴화 감지 및 적응형 모달리티 전환 전략을 핵심 기여로 제시한다. 실제 지하 탄광 실험에서 평균 위치 오차 5.677m를 기록하였으며, 코드는 오픈소스로 공개된다.