사람 시연 없는 AutoPath, 바퀴 로봇의 경로 사전분포를 4족에 전이

장애물 주변에는 여러 안전한 길이 있지만 하나의 행동만 회귀하는 정책은 이 다중성을 지우기 쉽다. AutoPath는 직접 제어값 대신 목표 방향에 맞춘 국소 경로의 확률분포를 학습해 한 관측에서 여러 후보를 샘플링한다.

입력은 목표를 기준으로 회전 정규화한 국소 상태이며, 경로는 기하를 반영한 극좌표 행동 다양체로 표현된다. 여러 목표에 대한 분포형 롤아웃과 위험 민감 효용을 결합해 충돌 가능성이 큰 후보를 낮게 평가한다. 학습에는 사람 시연이 아니라 시뮬레이션 상호작용 데이터가 쓰였다.

사람 시연 없이 경로 분포를 학습한 AutoPath, 바퀴 로봇에서 4족으로 전이 논문의 Figure 2 방법·결과 도표 — Figure 2. Fig. 2: Overview of AutoPath. The left module is a goal-aligned canonical state representation. A transferable goal-conditioned stochastic path prior is learned on a geometry-aware polar action manifold through offline initialization and online single-step interaction refinement with risk-sensitive utility shaping. During inference, sampled paths are refined with constrained trajectory optimization to produce safe, feasible motion. 출처: arXiv:2607.11739

조밀한 정적 장애물과 보행자가 움직이는 동적 장면에서 성공률과 이동 효율을 비교했다. 논문은 높은 성공률과 경쟁력 있는 효율을 보고하며, 차동구동 로봇에서 한 번 학습한 경로 사전분포를 재훈련 없이 4족 보행 플랫폼에 적용했다.

플랫폼 사이에 공유된 것은 목표 정렬 경로의 기하 분포다. 각 로봇의 저수준 추종기와 동역학 안전성까지 하나의 정책으로 공통 학습한 것은 아니다. 따라서 “바퀴 로봇의 제어기가 그대로 4족으로 이전됐다”는 해석은 과하다.

국소 관측 밖에서 갑자기 나타나는 장애물, 후보 집합에 없는 탈출 동작, 센서 오차와 훈련 범위 밖의 사람 밀집도에는 별도 안전 계층이 필요하다. 경로 샘플 수에 따른 계산 지연과 장기 운용 실패율도 플랫폼별 검증이 남아 있다.

이 원고는 IEEE Robotics and Automation Letters에 2026년 5월 게재 승인됐다고 명시하며 편집자와 심사자 평가를 거친 논문이다. 그 지위는 일반 arXiv 프리프린트와 다르지만, 공개된 실험 범위를 벗어난 안전 인증이나 모든 로봇의 무재훈련 전이를 보증하지는 않는다. arXiv 식별자는 2607.11739다.