정형화되지 않은 야외에서 움직이는 장애물을 피하려면 로봇별 대규모 학습 자료나 정교한 시뮬레이터가 필요하다는 부담이 있다. 이번 연구는 실제 영상만 사용하고 별도의 정책 학습 없이 동작하는 해석 가능한 회피 파이프라인을 제안한다. RGB 영상에서 사전학습된 단안 깊이 모델 UniDepth로 조밀한 깊이 지도를 만들기 때문에 추론 시 스테레오 카메라나 라이다를 요구하지 않는다. 핵심은 물체 종류를 분류하는 대신 각 시각 특징이 충돌에 얼마나 가까운지 계산하는 데 있다.
SuperPoint와 SuperGlue 기반 특징 대응을 긴 프레임 구간으로 확장해 핵심점을 추적하고, 카메라 내부 파라미터와 예측 깊이를 이용해 2차원 위치를 3차원으로 투영한다. 이어 번들 조정과 핵심점별 충돌 예상 시간을 계산한다. 로봇은 충돌 시간이 가장 짧은 점의 최근접 경로에서 멀어지는 지상 2차원 동작을 선택한다. M3ED 실제 자료에서 1초 미만 충돌 프레임 탐지의 정밀도는 0.49, 재현율은 0.38이었고 참양성의 84%에서 올바른 회피 방향을 만들었다.
시험 구간의 실제 장애물 22개 중 20개에 대해서는 충돌 1초 전인 프레임을 적어도 하나 탐지했다. 학습 대신 하이퍼파라미터 조정에 사용한 자료는 74초였다는 점도 데이터 효율성을 보여준다. 동시에 프레임 단위 정밀도와 재현율은 오탐과 미탐이 여전히 중요한 문제임을 드러낸다. 깊이 예측과 특징 추적이 악천후나 빠른 카메라 움직임에서 흔들릴 가능성도 있다. 이 방식은 완성된 안전 시스템보다 학습 데이터가 부족한 로봇에서 설명 가능한 충돌 단서를 만드는 기반으로 보는 것이 적절하다.
실제 로봇에는 충돌시간 추정이 불안정할 때 속도를 낮추는 보수적 제어와 다른 센서의 확인 절차가 필요하다. 핵심점이 물체 표면에서 사라지거나 배경에 붙는 경우를 탐지하는 신뢰도 추정도 중요하다. 장기적으로는 이 기하 기반 단서를 학습 정책의 입력이나 안전 감시기로 결합해 데이터 효율성과 강건성을 함께 확보할 수 있다.
원문: arXiv 2607.07885
저작권자 © STORIUM 무단전재 및 재배포 금지
