Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 다중 로봇 환경에서의 안전하고 효율적인 내비게이션을 위해 CoopUQ라는 프레임워크를 제안합니다. CoopUQ는 불확실성을 인식하는 협력 점유 예측과 강건한 의사결정 메커니즘을 결합하여, 가려짐이나 분포 외 시나리오에서도 로봇의 안전성과 성능을 높입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기강화학습(Reinforcement learning)은 이동 로봇이 제약된 인간 공유 환경에서 빠르고 확장 가능한 내비게이션 결정을 내릴 수 있도록 합니다. 하지만 단일 로봇 접근 방식을 다중 로봇 설정에 직접 확장하는 것은 안전성과 효율성을 보장하지 못하는 경우가 많습니다. 특히 가려짐(occlusions) 및 분포 외(out-of-distribution, OOD) 시나리오에서는 개별 로봇이 잠재적 위험을 간과하거나 부정확한 예측을 할 수 있습니다. 예측과 내비게이션 모두를 위해 협력을 효과적으로 활용하는 것은 여전히 주요 과제입니다. 우리는 불확실성 인식 협력 점유 예측(uncertainty-aware cooperative occupancy forecasting)과 강건한 의사결정(robust decision making)을 연결하는 다중 로봇 사회 내비게이션 프레임워크인 CoopUQ를 제안합니다. CoopUQ는 교차 로봇 시공간 특징 융합(cross-robot spatiotemporal feature fusion)을 통해 미래 점유 그리드 맵을 예측하고, 나아가 이 예측과 그 불확실성을 활용하여 정책을 안내합니다. 이때 제한된 다중 에이전트 강화학습(constrained multi-agent reinforcement learning)을 사용하며, 비용 함수는 점유되거나 높은 불확실성이 예측되는 영역 통과에 페널티를 부과합니다. 이러한 설계는 분포 변화(distribution shifts) 하에서 정책이 위험 민감도(risk sensitivity)를 조정할 수 있도록 합니다. 다양한 레이아웃, 보행자 밀도, 급하게 움직이는 행동을 포함하는 인-분포 및 OOD 설정을 갖춘 여러 Unity3D 기반 시뮬레이션 환경에서의 실험 결과는 대표적인 기준 모델 대비 향상된 예측 성능과 안전성을 입증합니다. 실제 로봇 실험은 다양한 장면에서 그 강건성을 추가로 보여줍니다. 저희의 코드와 비디오는 https://coopuq.github.io/에서 이용 가능합니다.