PAPERS

논문 트래커

arXiv cs.RO 신규 논문을 매일 수집해 한국어 요약을 붙입니다. 학회 채택 정보는 저자 코멘트에서 자동으로 추출합니다.

473건학회 채택 1건

2609.11871v12026.09.10

전체 차량 성능을 위한 학습 에이전트 기반 모델 예측 제어

Learning Agent-based Model Predictive Control for Holistic Vehicle Performance

Jiaming Zhong, Reza Valiollahi Mehrizi, Mohammad Pirani, Chao Yu, Alireza Kasaiezadeh 외 2명

본 연구는 기존 에이전트 기반 모델 예측 제어(AMPC)의 한계인 에이전트 기여값 미지(未知) 문제를 해결하기 위해 학습 에이전트 기반 MPC(LAMPC)를 제안한다. 온라인 데이터 관리 전략으로 강화된 가우시안 과정 회귀(Gaussian Process Regression, GPR)를 학습 핵심으로 사용해 미지의 에이전트 기여값을 예측한다. 새로운 다단계 예측 메커니즘이 GPR의 예측 지평선 전반에 걸친 학습 잠재력을 활용하며, 예측 평균값이 시스템 모델을 보완해 제어 정확도를 높인다. 예측 분산에 기반한 소프트 찬스 제약(soft chance constraint)으로 구성된 확률론적 프레임워크가 제어 안전성과 실현 가능성을 보장한다. 시뮬레이션 및 실험 결과, LAMPC는 학습이 충분한 시나리오에서 높은 추종 성능을 달성하고 학습이 부족한 시나리오에서도 제약 조건을 항상 만족시키며 전통적인 AMPC를 상회하는 것으로 나타났다.

2609.11775v12026.09.10

실시간 야코비안 추정을 통한 손내 펜 글쓰기의 신속한 학습

Rapid Learning of Dexterous In-Hand Pen Writing through Real-Time Jacobian Estimation

Kai Stewart, Yasunori Toshimitsu, Robert K. Katzschmann

본 연구는 의인화 로봇 손(anthropomorphic hand)으로 파지한 펜을 손 안에서 조작해 글씨를 쓰는 체화 제어(embodied control) 방법을 제시한다. 핵심은 손-물체 결합 시스템의 실시간 작업 야코비안(task Jacobian) 추정으로, 해석적 접촉·기구학 모델, 시뮬레이션 훈련, 사전 수집 시연을 모두 사용하지 않는다. 노트북 CPU만으로 약 18초의 초기화 후 손내 펜 쓰기를 시작하며 온라인으로 지속 적응한다. 물리 로봇에서 공중 및 종이 위 문자·도형 쓰기 실험 결과 평균 0.6 mm의 평면 내 정밀도를 달성하였다. 동일한 추정기·제어기 정식화가 물리 로봇 1종과 시뮬레이션 로봇 손 2종에서 모두 동작함을 검증하였다.

2609.11766v12026.09.10

온실 로봇 수확을 위한 Hierarchical Localization과 GLOMAP 기반 Visual-SLAM의 은폐 토마토 감지

Visual-SLAM for the detection of hidden tomatoes in greenhouses by Hierarchical Localization and GLOMAPfor robotized harvesting

Fernando Cañadas-Aránega, José C. Moreno, José L. Blanco-Claraco, Francisco Rodríguez

이 논문은 온실 내 토마토 작물 매핑을 위해 단안(monocular) 카메라 기반의 시각적 동시 위치추정·지도작성(Visual-SLAM) 시스템을 제안한다. 구조-운동 재구성(Structure-From-Motion) 기반의 GLOMAP 매퍼와 Hierarchical Localization 툴박스를 통합하여 작물의 3D 모델을 생성한다. 위치추정은 전역 검색으로 위치 가설을 생성한 뒤 후보 영역 내 지역 특징을 결합하는 조대-정밀(coarse-to-fine) 계층적 전략을 사용한다. Agroconnect 실험 온실의 실제 토마토 송이를 대상으로 실험한 결과, 기존 시각 기술로는 접근하기 어려운 은폐 토마토를 올바르게 식별하였다. 재구성된 3D 모델은 과실 크기·무게중심 위치·방향에 대한 수동 실측값과 비교해 기하학적 정확도가 확인되었다.

2609.11753v12026.09.10

SEED-UMI: 인간과 로봇이 외골격을 공유하는 일대일 정교 시연

SEED-UMI: Sharing the Exoskeleton between human and robot for onE-to-one Dexterous demonstration

Tengbo Yu, Jiahao Wu, Daohan Li, Bingxu Chen, Hao Liu 외 2명

SEED-UMI는 인간과 로봇이 동일한 외골격(exoskeleton)을 착용해 시연 데이터를 수집하는 모방 학습(imitation learning) 프레임워크다. 기존 착용형 외골격 시스템은 인간 측에서만 데이터를 기록한 뒤 자유 공간에서 보정한 개방 루프 매핑으로 재타게팅하는 방식을 사용하며, 접촉 상황에서 성능이 저하된다. SEED-UMI에서는 외골격에 장착된 손목 카메라가 데이터 수집 단계와 로봇 정책 실행 단계 모두에서 동일한 외부 메커니즘을 촬영하므로, 분할(segmentation)이나 인페인팅(inpainting) 없이 외골격 중심 손목 이미지로 정책을 직접 학습할 수 있다. 5가지 접촉 집약적 작업에서 외골격 기반 원격조작 대비 3.0배의 데이터 수집 효율과 평균 70.0%의 롤아웃 성공률을 달성했다.

2609.11737v12026.09.10

ORCH: 조직 원리를 통한 구현형 AI의 집단 지능 실현

ORCH: Organizational Principles Enable Collective Intelligence in Embodied AI

Zhengran Ji, Jonathan Hyun, Boyuan Chen

ORCH(Organizing Roles and Coordination Hierarchies)는 인간 조직 이론의 원리를 적용해 다수의 이종 구현형 인공지능(embodied AI) 에이전트를 태스크별 계층 조직으로 편성하는 프레임워크이다. 병렬 수행이 가능한 작업에는 풀드 상호의존(pooled interdependence)을, 선행 조건이 존재하는 작업에는 순차 상호의존(sequential interdependence)을 결합해 조직 구조를 구성한다. 정찰·구조·수송·자원 관리·진화 억제 등 25개 산불 대응 임무에서 최대 50개의 이종 에이전트 팀과 8종의 대형 언어 모델(LLM)을 사용해 기존 4개 프레임워크와 비교 평가하였다. 인간이 설계한 ORCH 조직은 기존 프레임워크 대비 최종 점수를 평균 63.97%, 실행 효율을 74.29% 향상시켰으며, LLM이 자동 생성한 조직도 각각 43.63%, 52.53% 개선하는 것으로 나타났다. 또한 모델 규모가 클수록 집단 성능이 단조 증가하지는 않았으며, 계층적 조직이 장기 임무에서 전문화 집단 내 병렬 활동을 유지하면서 임무 단계 간 순서적 전환을 조율하는 데 기여한 것으로 분석되었다.

2609.11733v12026.09.10

근육 기반 보행을 위한 반사 정보 활용 신경근 강화학습

Reflex-Informed Neuromuscular Reinforcement Learning for Muscle-Driven Locomotion

Jian Zhou, Xingyu Zhang, Rui Ma, Yu Cao, Shane Xie 외 1명

이 연구는 근육 기반 보행(muscle-driven locomotion)에서 생리적 타당성과 외부 교란 적응성을 동시에 확보하기 위한 반사 정보 활용 신경근 강화학습(Reflex-Informed Neuromuscular Reinforcement Learning) 프레임워크를 제안한다. 고정된 위상 의존 반사 제어기(phase-dependent reflex controller)가 하위 신경근 제어 기반으로 작동하며, 강화학습 정책은 현재 상태에 따라 엉덩이 스윙·무릎 지지·발목 추진에 연관된 반사 이득 및 임계값을 조절하는 4개의 생체역학적 잔류 파라미터를 출력한다. 실험 결과, 일반 보행 조건에서 운동학적 정확도와 동역학적 일관성이 향상되고 좌우 대칭성 및 보폭 간 일관성이 개선된 것으로 나타났다. 학습된 정책은 재학습 없이 근육 약화와 외부 교란 상황 모두에서 강건성을 유지한다.

2609.11717v12026.09.10

MC-DeTra: 조감도 이미지에서 움직임 일관성 기반 객체 탐지 및 사회적 맥락 인식 궤적 예측 통합 모델

MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images

Vladislav Diuzhev, Dmitry Yudin

MC-DeTra는 자율주행을 위해 객체 탐지와 궤적 예측(trajectory forecasting)을 통합한 모델로, LiDAR와 고정밀 지도(HD map)로부터 래스터화된 조감도(Bird's-Eye-View, BEV) 이미지를 공유 표현으로 활용한다. 저자들은 공개 구현이 없었던 기존 DeTra 모델을 재구현하고 코드를 공개하였으며, 이를 기반으로 MC-DeTra를 개발하였다. MC-DeTra는 각 행위자의 과거 움직임과 주변 교통 점유 정보를 보조 감독 신호로 삼고, 예측 방향과 이동 방향을 정렬하는 출력 간 일관성 제약을 추가하는 움직임 일관성 메커니즘을 도입한다. 보조 손실은 학습 단계에만 적용되어 추론 시 추가 지연이 발생하지 않는다. Waymo Open Dataset 평가에서 MC-DeTra는 동적 행위자의 궤적 예측 정확도를 향상시키면서 탐지 정확도도 유지하거나 개선하는 것으로 나타났다.

2609.11698v12026.09.10

공력 사전정보 없는 테일-시터 UAV의 협조적 궤적 생성 및 추적 제어

Aerodynamic Prior-Free Coordinated Trajectory Generation and Tracking Control for a Tail-Sitter UAV

Erchao Rong, Zihao Liu, Junning Liang, Jianguo Wang, Xiao Jie 외 3명

이 논문은 특정 기체에 대한 공력(aerodynamic) 사전 식별 없이도 전 비행 포락선(full flight envelope)에 걸친 비선형 공력 환경에서 작동하는 테일-시터(tail-sitter) UAV용 궤적 생성·추적 제어 프레임워크를 제안한다. 계획 단계에서는 협조 비행 조건 하의 phi-이론 모델을 적용해 해석적 미분 평탄성(differential flatness) 매핑을 도출한다. 추적 단계에서는 단순화된 국소 정확 모델을 예측 제어에 활용하여 실시간 공력 파라미터 추정을 수행한다. 시뮬레이션과 경미한 바람 조건에서의 실제 비행 시험을 통해 높은 정밀도의 궤적 추적과 공력 조건 적응성이 확인되었다. 프레임워크 소스 코드는 GitHub(SYSU-HILAB/AP-PnC)를 통해 공개되어 있다.

2609.11697v12026.09.10

ActSafeGuard: 플로우 매칭 정책을 위한 미분 가능한 훈련 정합 제약 강제

ActSafeGuard: Differentiable and Training-Aligned Constraint Enforcement for Flow-Matching Policies

Jianming Ma, Rongjun Jin, Xiaxi Si, Yang Zhang, Yiheng Li 외 1명

시각-언어-행동 모델(VLA)과 World-Action Model(WAM)은 범용 로봇 조작에서 높은 성능을 보이지만, 생성된 행동이 물리적 제약을 위반해 실제 배포에서 안전하지 않거나 실행 불가능한 경우가 있다. 기존 안전 기법은 추론 단계에서만 안전하지 않은 행동을 사후 수정하므로 학습과 실행 간 불일치가 발생한다. ActSafeGuard는 플로우 매칭(flow-matching) 기반 정책에 미분 가능한 안전 레이어를 도입해 행동 실현 가능성 제약을 학습 과정 자체에 통합한다. 분석적 레이 스케일링(ray-scaling) 연산자를 통해 경계 인식 그래디언트를 제공하여, 모델이 제약 다양체를 자연스럽게 학습하도록 유도한다. π_0.5 및 Fast-WAM 백본을 대상으로 한 실험에서 ActSafeGuard는 단계별 안전율 100%를 달성하면서 작업 성공률도 유지하거나 향상시키는 것으로 나타났다.

2609.11661v12026.09.10

저구동 공중 매니퓰레이터를 위한 접촉 인식 점진적 모델 예측 제어

Contact-Aware Incremental Model Predictive Control for an Underactuated Aerial Manipulator

Darwin Liu, Tamas Keviczky, Sihao Sun

본 논문은 저구동 쿼드로터 기반 공중 매니퓰레이터로 표면에 글씨를 쓰는 작업을 위한 접촉 인식 제어 프레임워크를 제안한다. 비선형 모델 예측 제어(NMPC)로 엔드이펙터의 위치와 법선력(normal-force)을 추적하고, 전신 점진적 비선형 동적 역변환(INDI)으로 접촉 중 마찰 및 공력 외란에 대한 견고성을 확보한다. 실험 플랫폼은 강체 단일 링크 1자유도(DoF) 암을 장착한 쿼드로터이며, 수직면과 경사면에서 다양한 기준 힘, 마찰 조건, 바람 외란 하에 시뮬레이션 및 실험 검증을 수행하였다. 결과적으로 완전구동 플랫폼, 복잡한 암 구조, 별도의 힘·토크 센서 없이도 5자유도 엔드이펙터 자세와 접촉력의 동시 추적이 가능함을 보였다.

2609.11579v12026.09.10

저구동 다지 로봇 핸드의 수동 안정성 준정적 해석

Quasi-static analysis of passive stability in a novel underactuated multi-finger hand

Léonie Plancoulaine, Sylvain Guégan, Franck Plestan, Damien Chablat

저구동(underactuated) 로봇 핸드는 적은 수의 액추에이터로 적응적·강인한 파지를 구현하지만, 파지된 물체의 안정 평형 자세를 예측하는 것은 여전히 어려운 과제다. 본 논문은 저구동 다지 핸드의 수동 안정성을 평가하는 준정적(quasi-static) 해석 방법론을 제안한다. 차동 스프링 슬라이더 기구를 통합한 3지(three-finger) 핸드 구조를 새로 설계하여 다양한 물체에 대한 적응적 파지를 가능하게 한다. 연구는 차동 기구가 전체 파지 거동에 미치는 영향을 분석하고, 원통형 및 구형 두 가지 표준 파지 유형에서 물체 크기가 안정 평형 형상에 어떤 영향을 주는지 규명한다.

2609.11561v12026.09.10

Memory as Plans: 메모리 기반 계획을 통한 세계-행동 모델링

Memory as Plans: World-Action Modeling with Memory-Grounded Planning

Sizhe Zhao, Haozhe Xie, Weiyu Zhao, Chenchu Zhang, Huan Wang 외 3명

복잡한 실세계 조작 작업은 비마르코프적(non-Markovian) 특성을 지니며 현재 관측 이상의 장기 기억을 필요로 하지만, 기존 메모리 방식은 세부 시각 정보 손실이나 이력 커버리지와 실행 효율 간 트레이드오프 문제를 안고 있다. MaP-WAM은 기억 의존 세계-행동 모델링을 메모리 기반 계획(memory-grounded planning)과 계획 조건부 실행(plan-conditioned execution)으로 분리하는 프레임워크로, 에피소딕(episodic) 메모리를 언어 지시와 희소 시각 맥락으로 구성된 세그먼트 기록으로 표현한다. World-Action-Progress(WAP) 모델은 행동 청크(action chunk)와 실행 진행도를 추론 시점에 동시 예측하여 적응적 세그먼트 전환과 폐루프(closed-loop) 맥락 갱신을 수행하며, 구조적 어텐션을 통해 계획·실행 단계 모두에서 키-값(KV) 캐싱을 지원한다. RMBench 벤치마크에서 83.3%의 성공률을 달성하였으며, 실제 로봇 실험에서도 78.0%의 성공률을 기록하였다. 작업 이력이 길어져도 실행기(executor) 추론 지연은 거의 일정하게 유지되는 것으로 나타났다.

2609.11553v12026.09.10CoRL

CAP: 학습 기반 디노이징을 통한 연속 적응형 인식-블라인드 휴머노이드 보행

CAP: Continuously Adaptive Perception-Blind Humanoid Locomotion via Learned Denoising

Hongjin Chen, Zijun Xu, Shihao Ma, Yi Zhao, Xilai Liu 외 6명

CAP는 깊이(depth) 센서가 부분적으로 손상되거나 간헐적으로 실패하는 환경에서도 동작하는 단일 단계(single-stage) 휴머노이드 보행 정책이다. 학습된 디노이저(denoiser)로 훈련된 지각 월드 모델(world-model) 인코더가 손상된 깊이 입력에서 정상 깊이 정보를 복원하며, 함께 동작하는 고유감각(proprioceptive) 변분 인코더가 깊이 없이도 신체 상태 정보를 공급한다. 훈련 시에는 깊이 노이즈 커리큘럼(curriculum)과 월드 모델 피처 드롭아웃(dropout)을 결합해 정책이 지각 품질의 전 범위에 걸친 실패를 경험하도록 한다. 시뮬레이션에서 CAP는 깊이 정보가 유효할 때 지각 기반 기준 모델과 동등하거나 우수한 성능을 보이며, 지각 품질 저하 시 이진 전환(binary-switching) 기준 모델보다 완만하게 성능이 저하된다. Unitree G1 로봇의 실내외 실험에서 간헐적 폐색(occlusion), 실제 센서 노이즈, 야외 깊이 아티팩트 환경 아래에서도 강인한 보행이 확인되었다.

2609.10522v12026.09.09

Show-Harness: VLM 에이전트만으로 로봇 제어가 가능하다

Show-Harness: Just a VLM Agent Can Play Robots

Yanzhe Chen, Zechen Bai, Zhijun Cao, Wenzheng Zeng, Kevin Qinghong Lin 외 5명

Show-Harness는 시각-언어 모델(VLM)이 로봇을 제어할 수 있도록 의도와 행동을 연결하는 소형 의미적 인터페이스를 제공하는 구현 하네스(Embodied Harness)다. VLM이 추론할 수 있는 이산(discrete) 의미 행동 단위를 노출하고, 구현체별 인터프리터가 이를 로봇의 로컬 행동으로 결정론적으로 변환한다. 이 인터페이스를 통해 폐쇄형 대규모 VLM의 제로샷(zero-shot) 로봇 제어와, 소규모 오픈소스 VLM의 수 GPU 시간 파인튜닝을 통한 저비용 배포를 모두 지원한다. GUMI(GUI Manipulation Interface)는 동일한 의미 행동 공간을 GUI 기반 시연 수집으로 확장해, 전용 원격조종 하드웨어 없이도 다양한 로봇 구현체를 조작할 수 있게 한다. 실험 결과 Show-Harness를 적용한 VLM 에이전트는 다양한 작업·구현체·환경에서 에이전트 기반 및 시각-언어-행동 모델(VLA) 기반 방법보다 높은 성능을 보인다.

2609.10506v12026.09.09

DUET-DINO: 로봇 조작의 잠재 계획을 위한 동시 교차 시점 세계 모델링

DUET-DINO: Simultaneous Cross-View World Modeling for Latent Planning in Robot Manipulation

Nisarga Nilavadi, Ralf Römer, Moritz Reuss, Michael Krawez, Tobias Jülg 외 3명

행동 조건부 잠재 세계 모델(action-conditioned latent world model)은 미래의 시각 표현을 예측해 제로샷 목표 조건부 로봇 계획 및 제어를 가능하게 한다. DUET-DINO는 고정 측면 카메라와 손목 카메라 관측을 교차 시점 조건화(cross-view conditioning)로 동시에 학습해, 7 자유도(7-DoF) 엔드이펙터 전체 행동 공간에 걸친 잠재 계획을 지원한다. 공간 이동, 회전 집중, 다중 목표 파지-리프팅 등 세 가지 과제에서 도달 92%, 각도 도달 72.5%, 리프팅 60.0%의 성공률을 기록하며 단일 시점 및 독립 이중 시점 기준선을 상회했다. DUET-DINO는 DROID와 RoboArena 데이터셋으로 처음부터 학습되었으며 시각 분포 변화에도 강인한 일반화 성능을 보인다. 또한 V-JEPA 2의 손목 시점 예측이 세밀한 행동에 의한 시각 변화를 과소평가하는 반면, DINOv3 기반 예측이 행동 조건부 장면 변화를 더 잘 포착해 하류 계획 성능을 높임을 보인다.

2609.10484v12026.09.09

HoloOcean을 활용한 해안 환경 자동 생성

Coastal Environment Generation with HoloOcean

Abigail Austin, Brady Moon, Joshua G. Mangelson

해양 로봇 시뮬레이션은 무인 수중 차량(UUV)과 무인 수상 선박(USV)의 자율주행·인식 알고리즘을 실제 배치 전에 안전하고 저비용으로 검증하는 수단이다. 기존 해양 로봇 시뮬레이션 환경은 수작업 편집에 의존하며, 사전 데이터나 환경 시스템에 대한 전문 지식을 요구한다는 한계가 있다. 본 논문은 HoloOcean용 해안 환경을 자동으로 생성하는 Unreal Engine 5 기반 레벨 생성 파이프라인을 제안한다. 파이프라인은 사용자가 제공한 해안 장면의 항공 이미지를 입력으로 받아 높이 맵(height map) 데이터를 생성하고, 환경 내 에셋을 자동으로 선택·배치한다.

2609.10433v12026.09.09

산불 대응 자율 UAV 탐색을 위한 다중 에이전트 강화학습

Multi-Agent Reinforcement Learning for Autonomous UAV Exploration in Wildfire Response

Caden Chandra, Jerry Ng

이 연구는 무인 항공기(UAV) 에이전트가 시뮬레이션된 산불 환경을 탐색·모니터링하도록 훈련하는 심층 강화학습(DRL) 프레임워크를 제안한다. 학습이 진행될수록 손실 값이 수렴하고 보상 신호가 향상되며, 화재 경계 추적과 같이 일관된 항법 패턴이 나타나는 것으로 확인됐다. 환경의 구조적 특성과 보상 설계가 정책 효과성에 영향을 미치는 것으로 분석됐다. 연구 결과는 DRL 기반 UAV 시스템이 자율 산불 모니터링에 활용될 수 있는 가능성을 보여준다.

2609.10405v12026.09.09

시각-언어-행동 모델을 위한 주파수 조건부 플로우 매칭

Frequency-Conditioned Flow Matching for Vision-Language-Action Models

Haochen Niu, Shengye Dong, Hao Liu, Peiwen Lin, Wang Chuang

FreqFM은 시각-언어-행동 모델(VLA)을 위한 주파수 조건부 플로우 매칭(Flow Matching) 프레임워크로, 로봇 행동 궤적의 주파수 성분이 서로 다른 스케일의 동작을 부호화하며 에너지 분포가 불균일하다는 점에 착안해 개발됐다. 기존 VLA 기반 플로우 매칭 모델이 주파수 특성을 암묵적으로만 다루던 것과 달리, FreqFM은 이를 생성 파이프라인 전반에 걸친 명시적 조건 차원으로 끌어올린다. DCT(이산 코사인 변환) 주파수 좌표계에서 스펙트럼 매칭 소스 분포를 구성하고, 주파수별 목적 함수 가중치를 적응적으로 조정하며, 참조 전송 스케일을 이용해 주파수별 가이던스 잔차를 제한한다. VLA 백본을 변경하지 않고 기존 플로우 매칭 행동 전문가 모듈에 통합 가능하다. LIBERO, LIBERO-Plus, VLA-Arena 벤치마크에서 일관된 성능 향상을 보였으며, LIBERO-Plus에서 9.3포인트 향상을 기록했고 6가지 실제 로봇 태스크에서도 유효성을 검증했다.

2609.10400v12026.09.09

좁은 산업 환경에서 대형·이종 차량을 위한 교통 관리 시스템

A traffic management system for large and heterogeneous vehicles in narrow industrial environments

Alessandro Bonetti, Silvia Proia, Simone Guidetti, Lorenzo Sabattini

이 논문은 물류 4.0(Logistics 4.0) 환경에서 자율이동로봇(AGV) 군집의 교통 관리를 위해 평생 다중 에이전트 경로 탐색(L-MAPF) 알고리즘 기반 시스템을 제안한다. 비균일 유리 B-스플라인(NURBS) 곡선으로 생성한 로드맵 위에서, 수정된 유계 수평선 충돌 기반 탐색(CBS) 기법과 롤링 수평선 충돌 해소(Rolling Horizon Conflict Resolution) 전략을 결합하여 좁은 양방향 통로에서 발생하는 충돌 및 교착 상태를 처리한다. 제안 시스템은 격자 형태가 아닌 실제 비표준 산업 환경에서 크기와 성능이 다양한 AGV들이 동시에 운행하는 시나리오를 대상으로 설계되었다. 적응형 시간 지평 조절을 갖춘 애니타임(anytime) 충돌 해소 전략, 실제 AGV와의 안전·표준 준수 실행 계층, 교착 감지 및 해소 메커니즘을 주요 기여로 포함한다. 실험 결과, 규칙 기반 교통 관리 시스템 및 우선순위 기반 L-MAPF 변형 대비 최대 11%의 처리량 향상이 확인되었다.

2609.10377v12026.09.09

더 안전한 엔드투엔드 자율주행을 위한 데이터 기반 위험 필드

Data-Driven Risk Fields for Safer End-to-End Autonomous Driving

Yuanxin Tian, Zhiyuan Liu, Jinhao Li, Zhenhua Xu, Wenhao Yu 외 1명

DRiF는 엔드투엔드(end-to-end) 자율주행의 안전성을 높이기 위한 데이터 기반 위험 필드(risk field) 프레임워크다. 규칙 기반 안전 사전 지식을 쌍별(pairwise) 위험 레이블로 변환한 뒤, 수작업으로 설계된 절대 점수를 회귀하는 대신 상대적 위험 순서를 보존하도록 모델을 학습시킨다. 정적 지도 분할, 동적 위험 예측, 차량 계획을 하나의 공유 조감도(BEV) 특징 표현으로 통합한다. Bench2Drive 벤치마크 실험에서 주행 점수, 성공률, 충돌 관련 지표 모두에서 일관된 향상이 나타났다. 데이터와 코드는 공개될 예정이다.