혼잡하고 동적인 환경은 쿼드러프드 로봇에게 어렵다. 센서가 가려지기 쉽고 주변 보행자나 물체의 움직임도 예측하기 어렵기 때문이다. 이 논문은 Velocity Obstacle(VO)의 기하학적 안전성과 종단 간 학습의 적응성을 결합한 VOP-Nav를 제안한다. arXiv:2607.15036v1 [cs.RO] 16 Jul 2026으로 올라온 프리프린트이며, 로봇 탑재 관측만으로 동작한다.
VOP-Nav는 명시적 탐지나 추적 파이프라인을 두지 않는다. 대신 VOP-Net이 현재 프레임과 직전 4개 프레임의 LiDAR를 입력받아 주변 동적 제약을 암묵적으로 담고, VO 이론에서 유도한 안전 속도 구간을 예측한다. 이 예측은 추론 시 정책 입력으로 쓰이고, 학습 시에는 보상 신호로도 들어가 안전한 속도 선택을 유도한다. 원문은 센서 차단과 불확실한 주변 물체의 움직임 문제를 이렇게 다루려 한다.
학습은 세 단계로 진행된다. 먼저 Isaac Gym의 동적 시뮬레이션에서 Basic policy를 학습한다. 이때 입력에는 50차원 proprioceptive 관측, 22×40 픽셀 depth camera, 360도 범위의 40차원 LiDAR 벡터, 목표 정보가 들어가며, 총 입력 차원은 970이다. 행동 공간은 12차원 target joint positions이고, 정책은 PPO로 학습된다. 시뮬레이션은 1,024개의 병렬 환경에서 이뤄진다.
다음 단계에서는 Basic policy로 궤적 데이터를 모아 VOP-Net을 학습한다. 데이터셋은 10,000개 파일로 구성되며, 각 파일은 1,024개 병렬 환경의 48개 time steps를 집계한다. 생성 시 최대 속도는 4.5 m/s로 두었다. VOP-Net은 360도 방향으로 이산화한 safe velocity region을 예측하고, 손실은 α=0.2인 IoU+MSE 하이브리드다. 마지막 단계에서는 VOP-Net 출력을 정책 관측공간에 추가하고 보상에도 반영해 VOP-Nav 정책을 학습한다.
실세계 배치는 Unitree Go2 쿼드러프드 로봇에서 이뤄졌고, 정책은 50 Hz, 저수준 PD 제어는 200 Hz로 동작했다. 원문은 시뮬레이션 평가에서 VOP-Nav가 모든 기준선보다 높은 성공률을 보였다고 보고하지만, 구체적인 수치나 평균·최대값은 본문에 제시하지 않았다. 또 실제 배치는 fine-tuning 없이 onboard sensors만 사용하는 zero-shot 방식이었다고 적었다.
| 구성 요소 | 원문에 나온 설정 | 근거 위치 |
|---|---|---|
| Basic policy 입력 | 50차원 proprioceptive 관측 + depth camera 22×40 pixels + LiDAR 40차원 벡터(9도 해상도) | Section V-A1 |
| VOP-Net 입력 | 현재 프레임과 직전 4개 프레임의 LiDAR, 3채널 전처리 | Figure 5 / Section IV-C |
| 안전 속도 구간 이산화 | d=360, 각 방향별 안전 속도 구간을 360도 공간에 분해 | Section IV-B / Figure 5 |
| 실세계 실행 주파수 | 정책 50 Hz, 저수준 PD 제어 200 Hz | Section III-B |
자료: STORIUM 정리
이 논문이 보여주는 핵심은, VO를 계산 규칙으로만 쓰지 않고 학습 입력과 보상에 함께 넣어 활용했다는 점이다. 원문은 복잡한 실내외 동적 환경에서 추가 미세조정 없이도 실제 배치가 가능했다고 보고했고, 앞으로는 이 velocity obstacle perception 방법을 3차원 volumetric spaces로 확장할 수 있다고 밝혔다.
연구 원문은 arXiv:2607.15036에서 확인할 수 있다. 프리프린트 결과는 동료평가와 후속 재현을 거치며 달라질 수 있다.
저작권자 © STORIUM 무단전재 및 재배포 금지
