7.150 국소 경로 계획과 실시간 최적화
1. 국소 경로 계획의 역할
국소 경로 계획(local path planning)은 전역 경로를 기반으로 로봇의 즉각적인 운동을 실시간으로 결정하는 반응적(reactive) 계획이다. 센서에 의해 감지된 국소 환경 정보를 반영하여 전역 경로를 실시간으로 수정하며, 동적 장애물의 회피, 로봇 동역학의 반영, 주행 안락성의 확보 등을 담당한다.
2. 이동 지평 최적화(Receding Horizon Planning)
국소 경로 계획의 핵심 프레임워크는 이동 지평(receding horizon) 전략이다. 현재 시각에서 유한 시간 지평 [t, t + T_h] 내의 궤적을 최적화하고, 최적 궤적의 첫 번째 부분만을 실행한 후, 다음 시각에서 새로운 센서 정보를 반영하여 다시 최적화한다.
\min_{\mathbf{u}(\cdot)} \quad \int_t^{t+T_h} L(\mathbf{x}(\tau), \mathbf{u}(\tau)) \, d\tau + \phi(\mathbf{x}(t+T_h))
\text{s.t.} \quad \dot{\mathbf{x}} = \mathbf{f}(\mathbf{x}, \mathbf{u}), \; \mathbf{g}(\mathbf{x}, \mathbf{u}) \leq \mathbf{0}
이 구조는 모델 예측 제어(MPC)와 동일하며, 경로 계획과 제어가 통합된 형태이다.
3. 인공 포텐셜 필드법
가장 단순한 국소 경로 계획 방법으로, 목표에 의한 인력 포텐셜과 장애물에 의한 척력 포텐셜의 합으로 구성된 인공 포텐셜 필드의 음의 그래디언트 방향으로 로봇을 이동시킨다.
\mathbf{F}(\mathbf{q}) = -\nabla U_{att}(\mathbf{q}) - \nabla U_{rep}(\mathbf{q})
실시간 계산이 매우 빠르지만, 국소 극소(local minimum)에 갇히는 문제가 있으며, 이를 극복하기 위해 경사 기반 궤적 최적화와 결합하여 사용된다.
4. DWA(Dynamic Window Approach)
이동 로봇의 국소 계획에서 널리 사용되는 방법으로, 현재 속도에서 동역학적으로 도달 가능한 속도의 집합(동적 창, dynamic window)에서 최적의 속도 명령을 선택한다.
(\dot{x}^*, \dot{\theta}^*) = \arg\max_{(\dot{x}, \dot{\theta}) \in V_s \cap V_d \cap V_a} \alpha \cdot heading + \beta \cdot clearance + \gamma \cdot velocity
여기서 V_s는 안전 속도 집합, V_d는 동적 창, V_a는 허용 속도 집합이다. 이산적 속도 공간의 격자 탐색에 기반하며, 실시간 성능이 우수하다.
5. 모델 예측 경로 계획
5.1 비선형 MPC 기반
비선형 차량/로봇 모델에 기반한 MPC가 국소 경로 계획에 적용된다. 비선형 동역학, 장애물 회피, 도로 경계, 교통 규칙 등의 제약을 통합하여 유한 지평의 NLP를 풀어야 한다.
자율 주행 차량의 경우 자전거 모델(bicycle model)에 기반한 MPC가 표준적이다.
\dot{x} = v\cos\theta, \quad \dot{y} = v\sin\theta, \quad \dot{\theta} = \frac{v}{L}\tan\delta
비용 함수는 기준 경로와의 횡방향 편차, 주행 속도, 조향 변화율의 가중 합으로 구성된다.
5.2 실시간 해법
비선형 MPC의 실시간 해법을 위해 다음의 기법이 사용된다.
- RTI(Real-Time Iteration): SQP의 단일 반복으로 근사 해를 산출
- acados: 실시간 MPC를 위한 오픈 소스 프레임워크
- FORCES Pro: 상용 코드 생성 도구
제어 주기 10~50ms 내에 NLP를 풀어야 하며, 웜 스타트와 효율적 NLP 해법이 핵심이다.
6. 격자 기반 국소 계획
6.1 상태 격자(State Lattice)
사전에 계산된 모션 프리미티브(motion primitive)의 격자를 이용하여 동역학적으로 실현 가능한 경로의 집합을 구성하고, 그래프 탐색으로 최적 경로를 선택한다. 각 프리미티브는 로봇의 동역학을 만족하는 매끄러운 궤적이며, 격자의 구조에 의해 경유점에서의 연결이 보장된다.
6.2 속도 공간 탐색
시간-속도 공간(time-velocity space)에서의 격자 탐색이 속도 프로파일 최적화에 사용된다. 선행 차량이나 보행자의 예측 궤적을 고려하여 안전한 속도 프로파일을 계산한다.
7. 반응적 계획과 예측적 계획의 결합
순수 반응적 계획(인공 포텐셜, DWA)은 현재 센서 정보만을 사용하므로 미래 상황에 대한 예측이 없다. 반면 MPC 기반 예측적 계획은 미래의 상태 전개를 고려하지만 계산 비용이 높다.
실용적 시스템에서는 이 두 접근법을 계층적으로 결합한다. MPC가 주된 계획을 수행하고, 긴급 장애물 회피 시에는 반응적 안전 계층이 즉시 개입하여 충돌을 방지한다.
8. 참고 문헌
- Fox, D., Burgard, W., & Thrun, S. (1997). “The Dynamic Window Approach to Collision Avoidance.” IEEE Robotics and Automation Magazine, 4(1), 23–33.
- Pivtoraiko, M., Knepper, R. A., & Kelly, A. (2009). “Differentially Constrained Mobile Robot Motion Planning in State Lattices.” Journal of Field Robotics, 26(3), 308–333.
- Rawlings, J. B., Mayne, D. Q., & Diehl, M. (2017). Model Predictive Control: Theory, Computation, and Design (2nd ed.). Nob Hill Publishing.
- Borrelli, F., Bemporad, A., & Morari, M. (2017). Predictive Control for Linear and Hybrid Systems. Cambridge University Press.
version: 1.0