1291.71 하이브리드 아키텍처의 필요성

행동 트리(Behavior Tree, BT)와 유한 상태 머신(Finite State Machine, FSM)은 각각 고유한 구조적 강점과 한계를 지니며, 단일 체계만으로는 복잡한 로봇 임무의 모든 요구 사항을 효율적으로 충족하기 어려운 경우가 존재한다. 하이브리드 아키텍처(Hybrid Architecture)는 두 체계를 결합하여 각각의 강점을 활용하고 한계를 상호 보완하는 설계 접근이다.

1. 단일 체계의 구조적 한계

행동 트리는 반응적 행동 전환, 계층적 행동 분해, 모듈적 서브트리 구성에서 우수한 표현 효율을 제공한다. 그러나 명시적 상태 추적, 상태 기반 제약 조건의 표현, 복잡한 순차적 프로토콜의 관리에서는 블랙보드 기반의 보조 구조에 의존해야 하며, 이는 트리의 비대화와 관리 복잡도 증가를 초래한다.

유한 상태 머신은 명시적 상태 관리, 엄격한 전이 제약, 상태 의존적 행동 제어에서 구조적 이점을 제공한다. 그러나 전이 규칙의 중복, 상태 폭발 문제, 모듈성 부족으로 인해 대규모 시스템에서의 확장성이 제한된다.

실제 로봇 임무에서는 반응적 행동 선택이 요구되는 영역과 엄격한 상태 전이 관리가 요구되는 영역이 혼재한다. 예를 들어, 자율 이동 로봇의 전체 임무 관리에서는 행동 트리의 계층적 구성과 반응성이 효과적이지만, 통신 프로토콜의 핸드셰이크(Handshake) 과정이나 하드웨어 초기화 시퀀스와 같이 엄격한 순서와 상태 전이가 요구되는 하위 절차에서는 유한 상태 머신의 명시적 상태 관리가 더 적합하다.

2. 하이브리드 아키텍처의 설계 원리

하이브리드 아키텍처의 핵심 설계 원리는 **관심사의 분리(Separation of Concerns)**에 기반한다. 시스템의 행동 제어 논리를 분석하여, 각 영역의 특성에 적합한 체계를 선택적으로 배치한다.

첫째, 고수준 임무 관리에는 행동 트리를 적용한다. 임무의 전체적인 구조, 행동 간의 우선순위, 환경 변화에 대한 반응적 전환 등 동적이고 모듈적인 구성이 요구되는 고수준 의사 결정 계층에 행동 트리를 배치한다.

둘째, 저수준 절차적 논리에는 유한 상태 머신을 적용한다. 하드웨어 제어 시퀀스, 통신 프로토콜 처리, 안전 관련 상태 전이 등 엄격한 순서와 명시적 상태 관리가 요구되는 영역에 유한 상태 머신을 배치한다.

셋째, 명확한 인터페이스를 정의한다. 행동 트리와 유한 상태 머신 간의 통신은 블랙보드 변수, ROS2 토픽, 또는 서비스 호출 등 표준화된 인터페이스를 통해 수행되어야 하며, 두 체계 간의 결합도를 최소화한다.

3. 하이브리드 아키텍처의 공학적 이점

하이브리드 아키텍처는 다음의 공학적 이점을 제공한다.

첫째, 각 체계의 최적 적용 영역 활용이다. 반응적 행동 제어에는 행동 트리의 구조적 이점을, 상태 의존적 절차 관리에는 유한 상태 머신의 이점을 각각 활용하여 전체 시스템의 설계 효율을 극대화한다.

둘째, 복잡도 관리의 개선이다. 단일 행동 트리로 구현할 경우 블랙보드 기반 상태 추적으로 인해 비대해지는 영역을, 유한 상태 머신으로 캡슐화함으로써 트리의 전체 복잡도를 제어 가능한 수준으로 유지한다.

셋째, 형식적 검증의 선택적 적용이다. 안전 관련 핵심 논리를 유한 상태 머신으로 분리하여 해당 영역에 한정적으로 형식적 검증을 적용함으로써, 전체 시스템에 대한 검증 비용을 절감하면서도 핵심 안전 속성을 보장할 수 있다.

넷째, 팀 개발의 효율성 향상이다. 행동 트리와 유한 상태 머신 간의 인터페이스가 명확하게 정의되면, 각 체계의 개발을 독립적으로 수행할 수 있어 병렬 개발이 가능해진다.

4. 실무적 사례

ROS2 기반 로봇 시스템에서 하이브리드 아키텍처는 이미 광범위하게 채택되고 있다. Nav2에서는 행동 트리가 전체 내비게이션 임무의 흐름을 관리하며, 각 내비게이션 컨트롤러와 복구 행동은 내부적으로 상태 기반 논리를 포함한다. MoveIt2에서도 매니퓰레이션 임무의 고수준 계획에 행동 트리를 활용하면서, 모션 플래닝과 그리퍼 제어의 세부 절차는 상태 기반 논리로 구현된다.

Colledanchise와 Ögren(2018)은 행동 트리와 상태 머신의 하이브리드 사용이 로봇공학 응용에서 실용적 최적해(Practical Optimum)가 될 수 있음을 제시하였으며, Iovino 등(2022)의 서베이에서도 실제 로봇 시스템의 상당수가 하이브리드 아키텍처를 채택하고 있음이 보고되었다.

참고 문헌

• Colledanchise, M., & Ögren, P. (2018). Behavior Trees in Robotics and AI: An Introduction. CRC Press.
• Iovino, M., Scukins, E., Styrud, H., Ögren, P., & Smith, C. (2022). “A Survey of Behavior Trees in Robotics and AI.” Robotics and Autonomous Systems, 154, 104096.
• Macenski, S., Martín, F., White, R., & Clavero, J. G. (2020). “The Marathon 2: A Navigation System.” Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).