PAPERS

논문 트래커

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

473건학회 채택 1건

2609.08853v12026.09.08

CAST: 모델 기반 강화학습을 위한 교번 상태가치 목표와 확장된 정책 경사

CAST: Alternating State-Value Targets and Expanded Policy Gradients for Model-Based Reinforcement Learning

Pietro Noah Crestaz, Mohamed Yassine Kabouri, Nicolas Mansard, Andrea Del Prete

모델 기반 강화학습(MBRL)은 환경 모델을 학습해 행동 선택에 활용하며, 샘플 효율성이 높아 로봇공학에 적합하다. 학습된 정책에 온라인 플래닝을 결합하면 행동 선택을 더욱 개선할 수 있으나, 기존 방법들은 플래너가 유도하는 행동의 가치 대신 정책 자체의 가치만 학습하는 경향이 있었다. 저자들은 CAST(Critic with Alternating State-value Target)를 제안하며, 실제 플래너 유도 전이(transition)와 현재 정책하의 상상된 전이를 결합한 목표로 행동가치가 아닌 상태가치(state-value) 크리틱을 학습한다. 이 구조는 플래너 행동의 강점을 활용하는 동시에 학습 중인 정책으로 가치 추정치를 정규화하는 교번 과정에 해당한다. DeepMind Control Suite와 HumanoidBench Suite에서 최신 기법들과 비교 평가했으며, 실제 Unitree Go2 사족보행 로봇의 동적 물구나무서기 동작으로의 전이에도 성공했다.

2609.05401v12026.09.04

동일 궤적, 모순된 보상 (ROBORMBENCH): 시각-언어 보상 모델의 패러프레이즈 취약성

Same Trajectory, Contradictory Rewards (ROBORMBENCH): Paraphrase Fragility in Vision Language Reward Models

Wonje Jeung, Sangyeon Yoon, Hyesoo Hong, Yoonjun Cho, Dongjae Jeon 외 4명

시각-언어 모델(VLM)이 로봇 학습의 보상 함수로 쓰일 때, 의미가 같은 지시어를 다르게 표현(패러프레이즈)하더라도 동일한 보상 점수가 산출되어야 한다는 조건이 있다. 연구진은 현재 VLM 보상 모델이 이 조건을 자주 위반하며, 지시어 표현만 바꿔도 예측 진행도 점수가 크게 달라지고 동일한 로봇 동작이 성공과 실패로 뒤바뀌는 현상을 확인하였다. 이를 정량화하기 위해 2,390개의 실제 로봇 궤적(trajectory), 정답 진행도 레이블, 어휘·구문·행동-목표 재작성 방식을 포함한 21,673개의 검증된 패러프레이즈로 구성된 벤치마크 ROBORMBENCH를 제안하였다. 독점·오픈소스 VLM 전반에서 패러프레이즈로 인한 불안정성이 광범위하게 나타났으며, 표현 차이가 클수록 심해지고 모델 규모나 명시적 추론을 적용해도 완화되지 않았다. 궤적 기반 지도학습으로 훈련된 전용 보상 모델은 훨씬 안정적인 결과를 보여, 패러프레이즈 견고성이 VLM 기반 보상 모델링의 핵심 요건임을 시사한다.

2609.05397v12026.09.04

CrossDepth: 일반화 가능한 멀티뷰 서라운드 깊이 추정을 위한 기하학적 제약 어텐션

CrossDepth: Geometry-Constrained Attention for Generalizable Multi-View Surround Depth Estimation

Samer Abualhanud, Max Mehltretter

CrossDepth는 자율주행용 멀티뷰 서라운드 카메라 리그에서 발생하는 교차 이미지 간 깊이 추정 불일치 문제를 해결하는 방법을 제안한다. 카메라 내부 파라미터 차이를 보정하기 위해 픽셀별 카메라 인식 레이 임베딩(ray embedding)으로 특징을 조건화하고, 각 이미지의 제한된 수용 영역(receptive field) 문제를 해결하기 위해 보정된 리그 설정에서 도출된 기하학적으로 타당한 영역에 한정된 교차 이미지 어텐션(cross-image attention)을 적용한다. 모델은 광도 일관성(photometric consistency)에 기반한 완전 자기지도(self-supervised) 방식으로 학습된다. DDAD 및 nuScenes 데이터셋 평가에서 동일 도메인·교차 도메인 모두 기존 자기지도 방식 대비 전반적인 깊이 정확도와 교차 이미지 깊이 일관성이 향상된 결과를 나타냈다.

2609.05376v12026.09.04

What Matters, When? 시각운동 모방 정책의 조건부 시각 그라운딩 진단 및 개선

What Matters, When? Diagnosing and Improving Conditional Visual Grounding in Visuomotor Imitation Policies

Vivek Chavan, Pengtao Xie, Yahuan Shi, Oliver Heimann, Kevin Haninger 외 1명

시각운동 모방 정책(visuomotor imitation policy)은 학습 분포 내 시각 조건에서는 높은 성능을 보이지만, 시각적으로 유사한 방해 물체나 용기가 도입되면 실패하는 경향이 있다. 본 연구는 이를 조건부 시각 그라운딩(conditional visual grounding) 문제로 정의하고, ACT(Action Chunking with Transformers)를 사용해 색상·형태 유사도가 제어된 방해 물체를 체계적으로 도입하여 파지 및 배치 단계에서 실패 지점을 특정했다. 분석 결과, 방해 물체에 대한 민감도는 시각적 유사도 유형과 조작 단계 모두에 따라 다르게 나타났다. 이를 바탕으로 방해 물체 증강(distractor augmentation), 단계별 어텐션 정규화, 외형 기반 시각 프롬프팅을 보완적 개입 방법으로 평가한 결과, 시뮬레이션 및 실제 UR3e 로봇에서 강건성이 크게 향상됐다. 아울러 의료 기기 처리 작업에 적용된 사전 학습 시각-언어-행동 모델(VLA)에서도 동일한 실패 패턴이 확인되어, 목표 선택을 명시적으로 개선하면 다양한 정책 학습 체계에서 성능을 회복할 수 있음을 보였다.

2609.05369v12026.09.04

장기 시각-언어-행동 조작을 위한 신경-기호 절차적 추론

Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation

Vivek Chavan, Yahuan Shi, Oliver Heimann, Kevin Haninger, Jörg Krüger

시각-언어-행동 모델(VLA)은 단기 조작 기술은 수행할 수 있으나, 지속적 상태 추적·의존성 추론·조건 분기가 필요한 장기 과업에서는 취약하다. 이 연구는 학습된 VLA 제어와 명시적 태스크 그래프(task graph), 다중모달 절차적 메모리(procedural memory)를 결합한 신경-기호(neuro-symbolic) 프레임워크를 제안한다. 태스크 그래프는 행동 의존성·유효 전환·분기 조건을 인코딩하며, 메모리는 활성 단계·완료 행동·텍스트 맥락·시각 증거를 유지해 객체 선택·목적지 위치 파악·하위 목표 수행을 안내한다. 인간 시연에서 시선(gaze) 또는 현저성(saliency) 단서를 추출하여 VLA 미세 조정과 추론 단계에서 공간적·시간적 안내로 활용한다. 작업대 정리와 수술 도구 처리 두 가지 장기 조작 도메인에서 올바른 객체·목적지 선택, 하위 과업 완료율, 절차 순서 일관성, 전체 과업 성공률 등을 평가한다.

2609.05361v12026.09.04

멀티모달 인간-로봇 상호작용을 위한 휴머노이드 로봇 프로토타입 개발

Development of a Humanoid Robot Prototype for Multimodal Human-Robot Interaction

Thang Tran Viet, Thanh Nguyen Canh, Huy Uong Gia, Phuc Dinh Van, Son Tran Duc 외 2명

본 논문은 인간-로봇 상호작용(HRI) 연구를 위한 휴머노이드 로봇 프로토타입을 제시한다. 해당 플랫폼은 12자유도(DOF) 듀얼암과 표정 표현용 LCD 스크린이 달린 2자유도 헤드로 구성되며, 온보드 Jetson 모듈이 탑재된 자체 제작 컨트롤러 보드로 실시간 AI 처리를 수행한다. 탑재된 AI 모듈은 세 가지로, MediaPipe Pose와 장단기 메모리(LSTM) 분류기를 활용한 제스처 인식, YOLO 기반 물체 감지 및 3D 위치 추정, 그리고 대형 언어 모델(LLM) 기반 음성 명령 처리로 구성된다. 실험 결과 평균 조작 오차는 약 1.83 cm로 나타났으며, 제스처 인식 정확도 96%, 음성 인식 정확도 92% 등 전체 작업 정확도가 90% 이상을 기록하였다.

2609.05331v12026.09.04

로봇 시스템의 적응 요구사항: 행동 트리와 그 향상 방안 평가

Adaptation Needs in Robotic Systems: Assessing Behavior Trees and Their Enhancement

Mehran Rostamnia, Gianluca Filippone, Ricardo Caldas, Patrizio Pelliccione

이 논문은 현대 로봇 시스템의 적응 요구사항을 행동 트리(Behavior Tree, BT)가 충족하는지 문헌 기반 연구와 실증적 검증을 통해 분석한다. 연구진은 로봇 적응 요구사항을 지식(Knowledge), 지각(Perception), 구동(Actuation), 시스템(System), 임무(Mission), 환경(Environment)의 6가지 범주로 분류한다. 분석 결과, 고전적 BT의 모듈성·유연성·반응성은 런타임 구조 재편, 불확실성 하의 추론, 임무 재해석, 학습, 외부 지식 및 계획 메커니즘과의 통합이 요구되는 상황에서는 불충분한 것으로 나타났다. 향상된 BT 접근법은 생성(generation), 확장(extension), 진화(evolution), 정제(refinement)의 4가지 계열로 분류되며, 여러 한계를 부분적으로 해소하지만 각각 고유한 제약을 수반한다. 이 연구는 고전적 BT가 충분한 경우, 향상된 메커니즘이 필요한 경우, 그리고 적응형 로봇 제어 아키텍처에서 여전히 미해결인 과제를 체계적으로 안내한다.

2609.05325v12026.09.04IROS

FIRE-LIVWO: 고장 내성 mmWave 레이더 강화를 통한 강인한 LiDAR-관성-시각-휠 오도메트리

FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement

Kun Hu, Menggang Li, Kaidi Wu, Zhiwen Jin, Yingjie Zhao 외 3명

FIRE-LIVWO는 연기·분진과 기하학적 퇴화가 심한 지하 탄광 환경에서 강인한 SLAM을 구현하기 위한 긴밀 결합(tightly coupled) 다중 모달 오도메트리 프레임워크다. 반복 오차 상태 칼만 필터(iterated error-state Kalman filter, IESKF)를 기반으로 4D mmWave 레이더, LiDAR, 시각 특징을 단일 VoxelMap 내에서 융합하고, LiDAR-레이더 점-대-평면 잔차와 희소 시각 측광 잔차를 공동으로 구성한다. 연기가 가득한 환경에서는 4D mmWave 레이더의 투과 특성과 포인트별 도플러 속도 제약을 활용해 상태 관측 가능성을 유지한다. 기하학적으로 퇴화된 터널 구간에서는 비홀로노믹 제약(Non-Holonomic Constraints, NHC)과 온라인 레버-암 보정을 통해 휠 오도메트리를 긴밀히 결합하여 드리프트를 줄이며, 기하·시각 관측 가능성 분석에 기반한 퇴화 감지 및 적응형 모달리티 전환 전략을 핵심 기여로 제시한다. 실제 지하 탄광 실험에서 평균 위치 오차 5.677m를 기록하였으며, 코드는 오픈소스로 공개된다.

2609.05324v12026.09.04

RoboSPA: VLA 모델은 단순 장면과 단기 태스크를 넘어설 수 있는가?

RoboSPA: Can VLA Models Go Beyond Simple Scenes and Short-Horizon Tasks?

Zhenxuan Fan, Bo Zhang, Yutong Lin, Yuqian Yuan, Juekai Lin 외 7명

RoboSPA(Robot Spatial-Procedural Assessment)는 시각-언어-행동 모델(VLA)의 구현 추론 능력을 진단하기 위한 대규모 로봇 조작 데이터셋 및 벤치마크다. 세밀한 공간 추론과 장기 절차적 계획(Long-Horizon Procedural Planning) 두 축을 중심으로 10개 태스크 범주와 56개 기본 태스크를 다룬다. 각 태스크는 5단계 난이도로 구현되어 280개 변형을 제공하며, 복수의 구현체와 다양한 장면에 걸쳐 527,000개의 궤적(trajectory)을 수집하였다. 이진 성공률 외에 세부 진단 지표를 추가로 도입했으며, 대표적인 VLA 모델 실험 결과 복잡한 공간 관계, 정밀한 저수준 실행, 메모리 집약적 계획에서 현재 모델들이 여전히 한계를 보이는 것으로 나타났다.

2609.05300v12026.09.04

밀집되고 불확실한 군중 속 로봇 내비게이션을 위한 H2INT

Human-Human & Human-Robot Interaction Transformer (H2INT) for Robot Navigation in Dense and Uncertain Crowds

Ao Shen, Kaixi Chen, Shiwei Liu, Fang Deng, Chen Chen

H2INT(Human-Human & Human-Robot Interaction Transformer)는 밀집 군중 환경에서의 안전한 로봇 내비게이션을 위한 강화학습(reinforcement learning) 프레임워크다. 기존 접근법이 보행자 움직임을 로봇과 독립적으로 생성하거나 균일한 상호반응성을 가정한 것과 달리, 보행자마다 반응성(responsiveness)이 다를 수 있음을 모델링하여 로봇 존재에 따른 군중 동역학 변화를 정책 학습에 반영한다. 2단계 게이트 트랜스포머(gated Transformer)가 인간-인간 및 인간-로봇 관계를 순차적으로 인코딩하고, 순환 정책(recurrent policy)이 그 시간적 변화를 포착한다. 커리큘럼 학습으로 상호작용 난이도를 점진적으로 높이며, 시뮬레이션 실험에서 재훈련 없이 구조적으로 상이한 군중 흐름 배치에도 전이됨을 확인했다. 실제 로봇 배포 실험에서는 희소한 관측 환경에서도 학습된 정책이 동작함을 검증했다.

2609.05282v12026.09.04

의도 인식 로봇-인간 양손 물체 전달을 위한 시간적 촉각 인코딩과 컴플라이언스

Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover

Pasquale Marra, Stefano Berti, Gabriele Mario Caddeo, Lorenzo Natale

로봇이 인간에게 물체를 전달할 때 시각 정보만으로는 실제 수취 의도를 우발적 접촉, 약한 파지, 잘못된 방향의 힘과 구분하기 어렵다. 이 연구는 물체 전달 문제를 다중 모달(multimodal) 과제로 정의하고, 시각-언어-행동 모델(VLA)과 전달 중 상호작용 힘을 줄이는 컴플라이언스(compliance) 제어기를 결합한다. VLA 모델은 RGB 관측, 시간적으로 인코딩된 촉각(tactile) 피드백, 고유감각(proprioception)을 포함한 인간 시연 데이터로 파인튜닝된다. 피험자 실험에서 촉각 피드백 미적용 기준선 및 컴플라이언스 미적용 기준선과 비교한 결과, 두 구성 요소가 상호 보완적 효과를 내며 모든 기준선 대비 성능이 크게 향상되었다. 성능은 객관적 지표와 맞춤형 설문지를 통해 측정되었으며, 코드와 데이터는 논문 수락 후 공개될 예정이다.

2609.05266v12026.09.04

TacPAC: 접촉 중심 조작을 위한 월드-행동 모델의 촉각 예측 및 실시간 행동 보정

TacPAC: Tactile Prediction and Real-Time Action Correction in World-Action Models for Contact-Rich Manipulation

Zipei Ma, Xiaofei Wei, Junzhe Jiang, Shunlin Lu, Li Zhang

TacPAC은 월드-행동 모델(world-action model)에서 시각 중심 예측이 놓치는 국소 접촉 정보를 보완하기 위해 촉각 예측을 실시간 행동 보정에 활용하는 방법이다. 미래 촉각 관측을 단순 추가 뷰로 예측하면 달성 가능한 성능 향상의 3분의 1만 회복되는 데 그쳐, 예측 시점과 실행 시점 사이의 타이밍 불일치가 핵심 문제로 지적된다. TacPAC은 베이스 모델이 행동 청크(action chunk)를 계획한 직후, 해당 계획이 조건으로 삼은 예측 접촉 정보와 계획 표현을 캐시에 저장하고, 촉각 전문가 모듈이 새로 관측된 촉각 이미지를 이 캐시와 비교해 아직 실행되지 않은 행동을 보정한다. 보정 연산은 청크 재생성 대비 20.7배 저렴하며, 정밀 삽입·취약 물체 처리·물체 재배향·장기 조작을 포함한 5가지 실제 로봇 과제에서 평균 성공률이 시각 전용 베이스 모델의 22%에서 64%로 향상되었다.

2609.05260v12026.09.04

One Word, Different Action: 언어 조건부 구현 추론을 위한 실제 로봇 벤치마크

One Word, Different Action: A Real-Robot Benchmark for Language-Conditioned Embodied Reasoning

Yiwei Liu, Luwei Yang, Shunbo Lei

본 연구는 자연어 명령 변화에 따른 로봇 행동의 일관성과 민감성을 동시에 평가하는 실제 로봇 벤치마크 'One Word, Different Action'을 제안한다. 이 벤치마크는 과제를 유지하는 명령 쌍과 과제를 변경하는 명령 쌍을 활용해 결정 불변성(Decision Invariance)과 결정 민감성(Decision Sensitivity)을 측정하며, 다중 제약 추론 및 실제 RGB 그라운딩(real-RGB grounding) 조건 평가도 포함한다. 실험 결과, 최신 모델들은 단일 제약 명령 변화에서는 포화에 가까운 성능을 보였으나, 복수의 과제 제약을 하나의 실행 가능한 결정으로 통합해야 할 때 성능이 뚜렷하게 저하되는 것으로 나타났다. 이는 남은 핵심 과제가 고립된 명령 변화 인식이 아니라, 다수의 요구사항을 올바른 로봇 행동 결정으로 합성하는 능력임을 시사한다.

2609.05206v12026.09.04

로봇 손 조작에서 형태학과 구동 방식의 귀납적 편향

Morphology and actuation as inductive biases in robotic hand manipulation

Zalán Tari, Eszter Birtalan, Péter Polcz, Miklós Koller

과제 야코비안(task Jacobian), 구동 행렬, 그리고 그 합성을 조건수(conditioning)로 분석하는 통합 프레임워크를 제시하며, 기구학과 구동 단계를 분리 및 결합하여 평가한다. 대조적인 설계 철학을 지닌 두 손—Shadow Dexterous Hand와 Anatomically Correct Biomechatronic Hand—을 관절축 기하학, 구동기-자유도 비율, 결합 구조, 권한 분포 네 가지 형태학적 측면에서 비교한다. 해부학적 충실도(anatomical fidelity)가 일률적인 이점을 제공하지는 않는 것으로 나타났다: 경사 관절축은 엄지 컨디셔닝을 개선하지만 나머지 손가락의 컨디셔닝은 직교축 설계보다 오히려 나쁘다. 분기형 힘줄 네트워크(branching tendon network)는 네 손가락 전체의 유효 제어 매핑을 개선하는 반면, 구동기 권한이 엄지 대립(thumb opposition)에 집중된 엄지에서는 제어 매핑을 유의미하게 악화시킨다. 이 지표에서 도출한 예측을 PPO, DDPG+HER, TQC+HER 알고리즘을 사용한 강화학습 실험 세 가지 과제로 검증한다.

2609.05199v12026.09.04

규칙북을 활용한 위험 인식 최적 제어

Risk-Aware Optimal Control with Rulebooks

Tichakorn Wongpiromsarn

이 논문은 우선순위가 서로 다른 복수의 요구사항과 불확실성을 동시에 다루는 안전 필수 제어(safety-critical control) 문제를 연구한다. 각 요구사항에 위험 측도(risk measure)와 허용 임계값을 부여하고 우선순위 관계를 정의하는 위험 인식 규칙북(risk-aware rulebook) 형식으로 문제를 표현한다. 이를 초과 위험(excess risk)에 대한 사전식 최적화(lexicographic optimization) 문제로 정식화하고, 각 우선순위 수준에서 정책 집합을 특성화하면서 인증된 최적성 격차를 점진적으로 좁히는 애니타임 필터링·분기 한정(branch-and-bound) 알고리즘을 제안한다. 유한한 계산 예산 하에서 반환된 격차의 유효성을 증명하였으며, 추가 가정 하에서 계산 예산이 늘어날수록 격차가 0으로 수렴함을 보인다. CVaR 기반 충돌·후방제동·차간거리·승차감 규칙을 포함한 고속도로 합류(highway-merging) 시뮬레이션에서 알고리즘을 검증하였다.

2609.05178v12026.09.04

LIBERO-RECOVER: 로봇 조작 모델의 작업 성공을 넘어 실패 복구를 향하여

LIBERO-RECOVER: Beyond Task Success Towards Failure Recovery in Robotic Manipulation Models

Lin Liu, Zhicheng Bao, Lu Zhang, Ziying Song, Wu Yang 외 3명

기존 LIBERO 벤치마크에서 시각-언어-행동 모델(VLA)은 약 100%의 성공률을 달성했으나, 이상적 초기 상태에서의 성능이 실제 환경 강인성을 보장하지는 않는다. 현실에서는 파지 실패, 충돌, 의도치 않은 물체 이동 같은 실패가 불가피하지만, 기존 벤치마크는 이 복구 능력을 측정하지 않는다. 이를 해결하기 위해 저자들은 LIBERO-Recover 벤치마크를 제안하며, 최첨단 구현 모델의 실제 실행 실패를 수집해 Action Retry, Action Adaptation, Object State Recovery, Environmental Recovery 4가지 복구 수준에 걸친 1,000개 이상의 시나리오를 구성했다. 벤치마크는 공간 이해, 물체 구조 추론, 상호작용 이해, 위상(topological) 추론 등 4가지 핵심 능력을 평가한다. 이를 통해 평가 패러다임을 '작업 성공 가능 여부'에서 '실패 이후 복구 가능 여부'로 전환한다.

2609.04193v12026.09.03

GIFT: 로봇 조작을 위한 행동 지향 구조적 감독을 통한 중간 특징 훈련

GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation

Yupeng Zheng, Xiang Li, Songen Gu, Yuhang Zheng, Shuai Tian 외 9명

시각-언어 사전학습(vision-language pre-training)과 예측적 세계 모델링은 로봇 정책에 풍부한 시각 특징을 제공하지만, 제어와 무관한 시각 정보를 포함하는 '행동 충분성 격차(action-sufficiency gap)'가 발생한다. GIFT(Guided Intermediate Feature Training)는 이 격차를 해소하기 위해 중간 특징이 기하학(geometry), 어포던스(affordance), 목표 영역(goal region)이라는 세 가지 제어 관련 구조를 보존하도록 유도하는 아키텍처 독립적 프레임워크다. 시각-언어-행동 모델(VLA), 직접행동 세계-행동 모델(WAM), 역동역학 WAM에 각각 적용한 결과, LIBERO-Plus 제로샷 전이 평가에서 기존 모델 대비 각각 4.6, 12.6, 5.2포인트 향상된 79.6%, 72.6%, 87.8%를 달성했다. RoboCasa 벤치마크에서도 세 변형 모두 비교 모델을 각각 12.6, 9.0, 8.4포인트 상회하며 61.4%, 83.6%, 82.3%를 기록했다. 관절 객체(articulated-object) 태스크와 미관측 시각·공간 변화 하의 고정밀 실세계 조작에서 특히 큰 성능 향상이 나타났다.

2609.04158v12026.09.03

Formation Matrix와 다중 에이전트 시스템의 에너지 기반 제어

Formation Matrix and Energy-based Control of Multi-Agent Systems

Martín Crespo, Sergio Junco, Matías Nacusse

이 논문은 평면에서 이동하는 다중 에이전트(multi-agent) 로봇 시스템이 특정 편대를 형성·유지하면서 에이전트 간 충돌을 회피하도록 하는 에너지 기반 제어기를 제안한다. 제어기는 에이전트 쌍을 연결하는 스프링-댐퍼(spring-damper) 모듈 네트워크를 모사하며, 시스템 전체의 동역학은 본드 그래프(bond graph) 모델로 기술된다. 그래프 이론적 접근법을 통해 에이전트 간 거리와 상대 속도를 동시에 나타내는 Formation Matrix를 도입하고, 이를 포트-해밀토니안(port-Hamiltonian) 시스템 프레임워크 내 IDA-PBC 이론의 상호연결 제어(CbI, Control-by-Interconnection) 기법과 대응시킨다. 이를 바탕으로 리더-추종(leader-following) 및 위치 기반 편대 제어 시스템을 구성하고 폐루프 시스템의 안정성 분석을 제시한다. 제안된 이론은 다양한 시나리오에서의 수치 시뮬레이션을 통해 검증된다.

2609.04147v12026.09.03

저비용 오픈 플랫폼 기반 소형 Ackermann 차량의 종단간 자율주행

A Low-Cost, Open Platform for End-to-End Autonomous Driving on a Miniature Ackermann Vehicle

Gustavo Claudio Karl Couto, Eric Aislan Antonelo, Gabriel George Zipperer

소형 Ackermann 차량을 이용한 종단간 자율주행 연구를 위한 저비용 오픈 실험 플랫폼을 제안한다. 플랫폼은 물리 차량, 도심형 인쇄 트랙, 데이터 수집 도구, 그리고 Webots 디지털 트윈으로 구성되며 시뮬레이션과 실환경을 연결하는 제어된 실험 환경을 제공한다. 첫 번째 베이스라인으로 명령 조건부 행동 복제(command-conditioned behavior cloning)를 구현했으며, 신경망 정책이 온보드 카메라 이미지와 고수준 주행 명령을 입력받아 조향과 속도를 출력한다. 실환경 폐루프(closed-loop) 실험에서 평균 횡방향 오차(cross-track error) 6.1 cm를 달성해 인간 시연의 4.7 cm에 근접했으며, 디지털 트윈에서 시야각(FOV)을 58도에서 120도로 넓히자 평균 오차가 35.6 cm에서 3.3 cm로 감소했다. 합성 데이터와 실제 시연 데이터를 결합해 학습한 고용량 정책만이 네 가지 트랙 경로를 모두 완주하는 것으로 나타났다.

2609.04103v12026.09.03

Corner Cases: 경작지 자율주행을 위한 헤드랜드 커버리지 경로 계획

Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming

Riikka Soitinaho, Timo Oksanen

본 논문은 경작지(arable field) 자율주행용 헤드랜드(headland) 커버리지 경로 계획(coverage path planning) 방법을 제안한다. 기존 방법들은 중첩 다각형과 부드러운 회전으로 헤드랜드를 커버하지만, 필드 모서리를 완전히 처리하려면 후진 기동이 불가피하다. 새 방법에서는 후진 회전을 수용하도록 다각형 모서리 형태를 수정한다. 간격(gap), 중첩(overlap), 경계 침범의 세 가지 지표로 기존 두 방법과 비교한 결과, 약 90도 및 240도 이상의 모서리에서 커버리지 성능이 향상되었다. 실제 다각형 필드 맵 여러 사례에 적용해 방법의 실용성을 검증한다.