📌 핵심 요약 (Key Takeaways)
- 핵심 성과 1: ROS2 Humble 기반 환경에서 TD3 알고리즘을 적용하여 11,000 에피소드 학습 후 95% 이상의 지도 완성도(Map Completeness) 달성
- 독창적 차별점 2: 연속형 파라메트릭 제어 정책과 국소 자아중심(egocentric) 및 전역 지도 표현의 이중 구조 결합
- 실무 파급력 3: iCreate3 차동 로봇과 RPLIDAR-C1 센서를 통합한 실시간 연속 환경 자율 주행 및 맵핑 파이프라인 검증
1. 서론: 자율 능동 탐사와 SLAM의 기술적 배경
미지의 환경에서 로봇이 센서 데이터를 활용해 스스로 위치를 추정하고 지도를 작성하는 SLAM(Simultaneous Localization and Mapping) 기술은 모바일 로보틱스의 핵심 과제입니다. 전통적인 탐사 방식은 프론티어 기반(Frontier-based) 알고리즘에 크게 의존해 왔으나, 복잡하고 동적인 환경에서는 실시간 경로 최적화와 계산 효율성 측면에서 한계를 드러냈습니다.
본 연구는 미지 공간의 지도 완성도를 극대화하기 위해 심층 강화학습(Deep Reinforcement Learning)을 도입했습니다. 특히 연속 상태-행동 공간에서 안정적인 학습이 가능한 TD3(Twin Delayed Deep Deterministic Policy Gradient) 알고리즘을 채택하여, 차동 드라이브 로봇의 궤적 제어 정밀도를 한 단계 끌어올렸습니다.
2. 제안 시스템 아키텍처 및 데이터 흐름
본 아키텍처는 로봇 운영 체제인 ROS2 Humble 버전을 기반으로 구축되었으며, iCreate3 하드웨어 플랫폼과 RPLIDAR-C1 2D LiDAR 센서를 유기적으로 연결합니다. 시스템의 핵심은 센서 데이터의 고속 처리와 강화학습 에이전트 간의 매끄러운 통신 파이프라인 설계에 있습니다.
상태 벡터(State Vector)는 LiDAR 스캔 데이터, 로봇의 위치 정보, 그리고 이중으로 구성된 지도 표현(국소 자아중심 점유 지도 및 전역 탐사 지도)을 종합하여 구성됩니다. 고차원의 LiDAR 및 지도 정보는 CNN(Convolutional Neural Networks)을 통해 차원이 축소되며, 공간적 특징이 효과적으로 추출되어 TD3 에이전트의 입력으로 공급됩니다.
3. 실험 환경 및 벤치마크 성능 분석
제안된 시스템의 검증은 Gazebo Classic 시뮬레이터 환경에서 수행되었습니다. 연속적인 파라메트릭 제어 정책을 최적화하기 위해 총 11,000회의 학습 에피소드가 진행되었으며, 에이전트는 미지의 장애물을 회피하면서 탐사 효율을 극대화하는 방향으로 정책을 수렴시켰습니다.
정량적 평가 결과, 학습이 완료된 에이전트는 테스트 환경에서 95%를 상회하는 지도 완성도를 기록했습니다. 이는 기존의 휴리스틱 기반 탐사 기법이나 이산적 행동 공간을 사용하는 강화학습 모델에 비해 궤적의 부드러움과 탐사 시간 단축 측면에서 우수한 성능을 입증합니다.
유사 선행 연구 대비 독창성 및 성능 비교
| 비교 항목 | 기존 프론티어 기반 방식 | 본 연구 제안 방식 (TD3 + ROS2) | 실무적 차별성 및 한계 |
|---|---|---|---|
| 제어 공간 | 이산적 (Discrete Waypoints) | 연속형 파라메트릭 제어 (Continuous) | 로봇 모터 마모 감소 및 부드러운 주행 궤적 확보 |
| 지도 표현 방식 | 단일 전역 점유 그리드 지도 | 국소 자아중심 + 전역 탐사 이중 지도 | 근거리 장애물 회피 반응 속도와 전역 탐사율 동시 향상 |
| 지도 완성도 | 평균 80~88% (환경 복잡도에 따라 변동) | 95% 이상 달성 (11,000 에피소드 학습 후) | 미탐사 구역 최소화 및 높은 공간 커버리지 증명 |
4. 산업 현장 적용 포인트 및 파급 효과
본 연구에서 검증된 ROS2 기반 심층 강화학습 아키텍처는 물류 로봇(AGV/AMR), 실내 자율 주행 서비스 로봇, 그리고 위험 환경 점검용 지상 이동체 분야에 직접적인 기술 이전이 가능합니다. 특히 ROS2 Humble의 실시간 노드 통신 안정성과 모듈화된 패키지 구조는 실제 하드웨어 전환 시 발생하는 통합 비용을 대폭 절감합니다.
향후 실내뿐만 아니라 GPS가 제한되는 실외 환경 및 동적 장애물이 빈번한 현장으로의 확장 연구가 기대되며, 온디바이스 NPU 환경에서의 실시간 추론 최적화가 실무 적용을 위한 주요 과제로 남아 있습니다.
출처 원문: OpenAlex 연구 논문 바로가기