Motion Planning and Navigation - Ch.04: Optimization Based Planning [KR]
04.01. Trajectory Optimization Theory - NLP, SQP, Interior Point
궤적 최적화(Trajectory Optimization)는 로봇의 움직임 계획(Motion Planning)을 시간에 따른 궤적(Trajectory)을 설명하는 결정 변수(Decision Variable)를 사용하는 연속 최적화 문제(Continuous Optimization Problem)로 정식화한다.
그래프(Graph)를 탐색하거나 구성을 무작위로 샘플링하는 대신, 계획기(Planner)가 상태(State), 제어 입력(Control Input), 또는 궤적 매개변수(Trajectory Parameter)를 직접 수정하여 운동, 충돌, 시스템 제약조건을 만족하면서 목적함수(Objective)를 최소화한다. 이러한 접근법은 경로 품질(Path Quality)과 동역학적 실행 가능성(Dynamic Feasibility)을 자연스럽게 통합할 수 있다.
궤적(Trajectory)은 이산 로봇 상태(Discrete Robot State) x_0, x_1, …, x_N, 제어 입력(Control Input) u_0, u_1, …, u_{N-1}, 또는 스플라인(Spline)과 같은 연속 곡선(Continuous Curve)의 매개변수로 표현할 수 있다.
따라서 최적화 변수(Optimization Variable)에는 다음이 포함될 수 있다:
- 위치(Position), 자세(Orientation), 속도(Velocity), 가속도(Acceleration)
- 조향각(Steering Angle), 관절 구성(Joint Configuration), 시간 간격(Time Interval)
이러한 표현 방식은 문제의 수치적 복잡성(Numerical Complexity)과 표현 가능한 물리적 제약조건의 종류를 결정한다.
일반적인 궤적 최적화 문제(Trajectory Optimization Problem)는 등식 제약조건(Equality Constraint)과 부등식 제약조건(Inequality Constraint)을 만족하면서 목적함수(Objective Function) J(x,u)를 최소화한다. 등식 제약조건은 일반적으로 초기 및 최종 조건(Initial and Terminal Condition), 로봇 동역학(Robot Dynamics), 운동학적 관계(Kinematic Relationship)를 기술하며, 부등식 제약조건은 충돌 회피(Collision Avoidance), 액추에이터 한계(Actuator Limit), 속도 제한(Velocity Bound), 가속도 제한(Acceleration Limit), 안전 여유(Safety Margin)를 규정한다.
따라서 실제 로봇 계획 문제는 흔히 제약 비선형 계획 문제(Constrained Nonlinear Programming Problem), 즉 NLP로 정식화된다.
목적함수(Objective Function)는 바람직한 로봇 움직임의 특성을 수치적인 비용(Cost)으로 변환한다. 일반적인 비용 항(Cost Term)은 다음을 억제한다:
- 궤적 길이(Trajectory Length), 이동 시간(Travel Time), 에너지 소비(Energy Consumption)
- 제어 노력(Control Effort), 가속도, 저크(Jerk)
- 장애물과의 근접성(Proximity to Obstacles), 기준 경로(Reference Path)로부터의 편차
일반적으로 여러 비용 항을 가중 계수(Weighting Coefficient)를 사용하여 결합하며, 최적화기는 모든 요구사항을 절대 조건으로 취급하는 것이 아니라 수학적으로 상충하는 목적 사이의 균형을 찾기 때문에 가중치 선택이 중요하다.
비선형성(Nonlinearity)은 로봇 시스템에서 자연스럽게 발생한다. 로봇 동역학(Robot Dynamics)에는 삼각함수 관계(Trigonometric Relationship)와 상태 및 제어 입력 사이의 곱이 포함되며, 충돌 제약조건(Collision Constraint)은 로봇의 형상과 장애물 경계에 비선형적으로 의존한다. 이동 로봇(Mobile Robot)은 임의의 횡방향 움직임을 허용하지 않는 비홀로노믹 제약조건(Nonholonomic Constraint)을 추가로 가질 수 있다.
매니퓰레이터(Manipulator), 다족 로봇(Legged Robot), 무인항공기(UAV)는 더욱 복잡한 동역학을 가지므로 일반적인 비선형 최적화(Nonlinear Optimization)가 최적화 기반 움직임 계획(Optimization-Based Motion Planning)의 중요한 기반이 된다.
궤적 최적화에서는 연속시간 운동 방정식(Continuous-Time Motion Equation)을 수치 최적화기(Numerical Solver)가 처리할 수 있는 유한 차원의 문제(Finite-Dimensional Problem)로 변환해야 한다. 직접 전사(Direct Transcription)는 선택된 시간 지점에서 궤적을 이산화하고 상태(State)와 제어 입력(Control)을 최적화 변수로 도입한다. 이후 수치 적분(Numerical Integration) 또는 콜로케이션 제약조건(Collocation Constraint)을 이용하여 인접한 지점 사이에서 동역학을 만족시킨다. 세밀한 이산화(Fine Discretization)는 궤적 표현 정확도를 향상시키지만 변수 수와 계산 비용을 증가시킨다.
직접 슈팅(Direct Shooting)은 제어 입력(Control Input)을 주요 최적화 변수로 사용하고 로봇 동역학을 시간에 따라 전방 적분(Forward Integration)하여 상태를 계산한다. 이 방법은 명시적인 상태 변수의 수를 줄일 수 있지만, 초기 제어 입력의 변화가 전체 궤적에 전파되기 때문에 긴 시간 구간(Long Horizon)에서는 수치적 조건(Numerical Conditioning)이 악화될 수 있다.
다중 슈팅(Multiple Shooting)은 시간 구간을 짧은 여러 구간으로 나누고 중간 상태(Intermediate State)를 도입하여 수치적 강건성(Numerical Robustness)을 높이는 대신 구간 사이에 연속성 제약조건(Continuity Constraint)을 추가한다.
순차 이차 계획법(Sequential Quadratic Programming, SQP)은 비선형 제약 최적화 문제를 일련의 이차 계획법(Quadratic Programming, QP) 하위 문제를 통해 해결한다. 각 반복 단계에서 비선형 목적함수는 현재 궤적 주변에서 국소적으로 근사되고, 제약조건은 선형화(Linearization)된다. 이차 계획 하위 문제는 탐색 방향(Search Direction)을 계산하고 이후 궤적을 갱신하며 이러한 과정을 반복한다. SQP는 미분 정보(Derivative Information)와 적절한 초기 궤적(Initial Trajectory)이 제공될 경우 빠른 국소 수렴(Local Convergence)을 달성할 수 있다.
SQP의 효율성은 그래디언트 정보(Gradient Information)와 2차 곡률(Second-Order Curvature)의 근사에 크게 의존한다. 해석적 미분(Analytical Derivative)은 높은 정확도를 제공할 수 있지만 복잡한 로봇 시스템에서는 구현과 유지가 어려워진다. 수치 미분(Numerical Differentiation)은 구현이 간단하지만 잡음(Noise)을 발생시키고 상당한 계산 비용을 요구할 수 있다. 자동 미분(Automatic Differentiation)은 목적함수, 동역학, 제약조건의 계산 표현으로부터 미분값을 체계적으로 생성할 수 있기 때문에 중요한 대안이 된다.
내부점 방법(Interior-Point Method)은 제약 최적화 문제에 대해 SQP와 다른 방식으로 접근하며, 반복해(Iterate)를 실행 가능 영역(Feasible Region) 내부에 유지하거나 점진적으로 접근하도록 한다. 부등식 제약조건은 변수가 금지된 경계에 접근할수록 더욱 큰 페널티를 부과하는 장벽 함수(Barrier Function)를 이용하여 처리한다. 장벽 매개변수(Barrier Parameter)를 점차 감소시키면서 일련의 장벽 문제(Barrier Problem)를 해결함으로써 금지된 제약조건을 직접 넘지 않으면서 원래 제약 문제의 경계에 해가 접근하도록 한다.
내부점 방법(Interior-Point Method)은 많은 연속 변수와 제약조건을 포함하는 대규모 비선형 계획 문제(Large Nonlinear Program)에 특히 유용하다. 궤적 이산화(Trajectory Discretization)에서 생성되는 희소성(Sparsity)을 선형대수 구조에서 활용할 수 있는데, 특정 시간 단계의 상태는 일반적으로 인접한 상태와 제어 입력에만 직접적으로 영향을 받기 때문이다. 따라서 효율적인 희소 행렬 분해(Sparse Factorization)를 이용하면 전체 비선형 계획 문제가 수천 개의 결정 변수를 포함하더라도 긴 시간 구간에 대한 최적화를 실용적으로 수행할 수 있다.
충돌 회피(Collision Avoidance)는 궤적 최적화에서 가장 어려운 구성 요소 중 하나이다. 충돌이 발생하지 않는 조건을 미분 가능하거나 근사적으로 미분 가능한 제약조건 또는 비용으로 변환해야 한다. 부호 거리 함수(Signed-Distance Function)는 양의 거리가 장애물과의 분리를 나타내고 음의 거리가 침투(Penetration)를 나타내기 때문에 자주 활용된다. 거리 그래디언트(Distance Gradient)는 로봇을 충돌 상태에서 벗어나도록 어느 방향으로 이동시켜야 하는지에 대한 정보를 최적화기에 제공한다.
경성 제약조건(Hard Constraint)과 연성 비용(Soft Cost)은 서로 다른 목적을 가진다. 예를 들어 경성 속도 제한(Hard Velocity Limit)은 모든 후보 해가 지정된 한계를 반드시 만족하도록 요구하지만, 연성 속도 페널티(Soft Velocity Penalty)는 과도한 속도를 억제할 뿐 절대적으로 금지하지는 않는다. 안전 필수 요구사항(Safety-Critical Requirement)은 최적화기와 문제 정식화가 허용한다면 제약조건으로 표현하는 것이 일반적으로 적합하다. 승차감, 부드러운 움직임, 에너지 효율, 선호도와 같은 목적은 가중 비용 항(Weighted Cost Term)으로 표현하는 것이 자연스럽다.
많은 비선형 정식화에서 최적화 기반 계획(Optimization-Based Planning)은 본질적으로 국소적(Local)이다. 최적화기는 일반적으로 전역 최적 궤적(Global Optimal Trajectory)의 발견을 보장하는 대신 초기 궤적을 점진적으로 개선한다. 부적절한 초기화는 바람직하지 않은 국소 최솟값(Local Minimum)으로 수렴하거나 실행 가능한 해를 찾지 못하게 할 수 있다. 따라서 그래프 탐색(Graph Search)이나 샘플링 기반 계획(Sampling-Based Planning)을 이용해 초기 경로를 생성하고 이를 최적화를 통해 개선하면 전역 탐색(Global Exploration)과 연속적인 궤적 개선을 결합할 수 있다.
초기 반복 단계에서는 순수한 목적함수 감소보다 제약조건 실행 가능성(Constraint Feasibility)이 더 중요할 수 있다. 초기 궤적이 장애물을 통과하거나 동역학 제약조건을 위반하는 경우 최적화기는 실행 가능성을 회복하는 동시에 궤적 품질도 향상시켜야 한다. 페널티 방법(Penalty Method), 슬랙 변수(Slack Variable), 신뢰 영역(Trust Region), 메리트 함수(Merit Function), 필터 방법(Filter Method)은 이러한 요구사항 사이의 균형을 조절하는 수단을 제공한다. 강건한 구현에서는 비용 감소뿐만 아니라 제약조건 위반 정도도 함께 감시한다.
스케일링(Scaling) 역시 중요한 수치적 문제이다. 위치는 미터(meter), 자세는 라디안(radian), 속도는 초당 미터(meter per second), 힘은 수백 또는 수천 뉴턴(newton) 단위로 표현될 수 있다. 수치적 크기의 큰 차이는 조건이 좋지 않은 최적화 문제(Poorly Conditioned Optimization Problem)를 만들 수 있다. 결정 변수, 제약조건, 목적함수 항을 적절하게 정규화(Normalization)하고 스케일링하면 수치적 안정성이 향상되고 서로 다른 물리량에 대한 종료 허용오차(Termination Tolerance)를 보다 의미 있게 설정할 수 있다.
종료 기준(Termination Criteria)은 일반적으로 목적함수 변화, 제약조건 위반, 그래디언트 크기, 스텝 크기(Step Size), 최적성 잔차(Optimality Residual) 등을 평가한다. 최적화기가 수렴(Convergence)을 보고했다고 해서 해당 궤적이 자동으로 안전하거나 실제 운용에 적합하다는 의미는 아니다. 따라서 생성된 움직임은 로봇 제어기(Robot Controller)에 전달되기 전에 충돌 여유(Collision Clearance), 동역학적 실행 가능성, 액추에이터 한계, 이산화 오차(Discretization Error), 실행 여유(Execution Margin)에 대해 독립적으로 검증되어야 한다.
이동 로봇(Mobile Robot)의 경우 궤적 최적화는 조향(Steering), 곡률(Curvature), 가속도, 장애물 제약조건을 만족시키면서 기하학적 경로(Geometric Path)와 속도 프로파일(Velocity Profile)을 동시에 결정할 수 있다. 이는 먼저 기하학적 경로를 계획하고 이후 속도를 할당하는 방식과 다르다. 비홀로노믹 또는 동역학적 제약을 가진 플랫폼에서는 공간적 결정과 시간적 결정이 서로 영향을 주기 때문에 결합 최적화(Joint Optimization)가 특히 중요하다. 이에 따라 급격한 회전, 제동 구간, 제한된 접지력(Traction)과 같은 조건이 궤적에 직접 반영될 수 있다.
매니퓰레이터(Manipulator)와 전신 로봇(Whole-Body Robot)의 경우 최적화 변수에는 각 시간 단계마다 수십 개의 관절 위치와 속도가 포함될 수 있다. 제약조건을 통해 관절 한계(Joint Limit), 말단 장치 자세(End-Effector Pose), 자기 충돌 회피(Self-Collision Avoidance), 접촉 조건(Contact Condition), 균형(Balance), 토크 한계(Torque Limit)를 적용할 수 있다. 따라서 동일한 수학적 프레임워크(Mathematical Framework)를 비교적 단순한 자율이동로봇(Autonomous Mobile Robot, AMR)의 내비게이션부터 매니퓰레이션(Manipulation), 다족 보행(Legged Locomotion), 휴머노이드 움직임(Humanoid Motion), 무인항공기 궤적 생성(UAV Trajectory Generation)까지 확장할 수 있다.
04.02. CHOMP - Covariant Hamiltonian Optimization
CHOMP(Covariant Hamiltonian Optimization for Motion Planning)는 초기 경로(Initial Path)를 반복적으로 개선하여 부드럽고 충돌이 없는 로봇 궤적(Robot Trajectory)을 생성하는 최적화 기반 방법(Optimization-Based Method)이다. 그래프 확장(Graph Expansion)이나 무작위 샘플링(Random Sampling)을 통해 움직임을 구성하는 대신, CHOMP는 전체 궤적(Trajectory)을 하나의 최적화 변수(Optimization Variable)로 취급한다. 이러한 정식화(Formulation)를 통해 기하학적 부드러움(Geometric Smoothness)과 장애물 회피(Obstacle Avoidance)를 연속적인 궤적 공간(Continuous Trajectory Space)에서 동시에 고려할 수 있다.
CHOMP의 핵심 개념은 두 가지 주요 요소인 부드러움 비용(Smoothness Cost)과 장애물 비용(Obstacle Cost)을 포함하는 궤적 비용(Trajectory Cost)을 정의하는 것이다. 부드러움 항(Smoothness Term)은 속도 또는 가속도의 바람직하지 않은 변화를 억제하며, 장애물 항(Obstacle Term)은 장애물에 접근하거나 장애물과 교차하는 구성(Configuration)에 페널티(Penalty)를 부과한다. 최적화 과정은 결합된 비용을 감소시키도록 궤적을 수정하여 초기 경로를 점진적으로 더욱 부드럽고 안전한 로봇 실행용 움직임으로 변환한다.
로봇 궤적(Robot Trajectory)은 시간에 따라 매개변수화된 구성(Time-Parameterized Configuration) q(t)로 표현할 수 있으며, 각 구성에는 로봇의 자유도(Degrees of Freedom)가 포함된다. 수치적 구현(Numerical Implementation)에서는 연속 궤적을 일련의 구성으로 이산화(Discretization)한다. 이러한 궤적 지점(Trajectory Point)이 최적화 변수가 되며 시작 구성(Start Configuration)과 목표 구성(Goal Configuration)은 일반적으로 고정된다. 중간 구성(Intermediate Configuration)은 궤적이 적절한 국소 최적해(Local Optimum)에 도달할 때까지 반복적으로 조정된다.
부드러움 목적함수(Smoothness Objective)는 일반적으로 궤적의 미분값(Derivative)을 이용하여 표현된다. 속도의 제곱(Squared Velocity)에 페널티를 부과하면 짧고 규칙적인 움직임을 유도할 수 있으며, 가속도 페널티(Acceleration Penalty)는 급격한 속도 변화를 억제하여 더욱 부드러운 궤적을 생성한다. 추가적인 움직임 품질(Motion Quality)이 요구되는 경우 고차 미분(Higher-Order Derivative)도 고려할 수 있다. 행렬 형태(Matrix Form)에서는 이러한 비용이 구조화된 이차식(Structured Quadratic Expression)을 형성하여 최적화에 유용한 곡률 정보(Curvature Information)를 제공한다.
장애물 회피(Obstacle Avoidance)를 수행하려면 단순한 구성 공간 충돌 표시(Configuration-Space Collision Label)뿐만 아니라 로봇 주변 작업공간(Workspace)에 대한 정보가 필요하다. CHOMP는 일반적으로 공간상의 위치에서 주변 장애물까지의 거리를 제공하는 작업공간 거리장(Workspace Distance Field)을 활용한다. 이러한 거리 정보는 미분 가능한 장애물 포텐셜(Differentiable Obstacle Potential)로 변환될 수 있으며, 이를 통해 최적화기는 궤적이 안전하지 않은지 판단할 뿐만 아니라 장애물에서 벗어나기 위해 궤적을 어느 방향으로 이동시켜야 하는지도 결정할 수 있다.
여러 링크(Link)를 가진 로봇에서는 하나의 기준점(Reference Point)만으로 충돌 비용을 평가할 수 없다. 로봇 몸체 전체에 분포된 지점들을 순기구학(Forward Kinematics)을 이용하여 구성 공간(Configuration Space)에서 작업공간(Workspace)으로 매핑할 수 있다. 각 지점은 거리장(Distance Field)에서의 위치에 따라 장애물 비용을 부여받는다. 이후 각 비용의 영향은 운동학적 자코비안(Kinematic Jacobian)을 통해 구성 변수(Configuration Variable)로 역전파되어 로봇 전체 몸체의 궤적이 주변 장애물에 대응할 수 있도록 한다.
CHOMP의 특징적인 요소는 공변 그래디언트 갱신(Covariant Gradient Update)이다. 일반적인 그래디언트 하강법(Gradient Descent)은 좌표 표현(Coordinate Representation)에 크게 의존하며 비효율적인 궤적 변경을 발생시킬 수 있다. CHOMP는 대신 궤적의 부드러움과 관련된 메트릭(Metric)을 이용하여 함수 그래디언트(Functional Gradient)를 사전조건화(Preconditioning)한다. 그 결과 생성되는 갱신은 인접한 궤적 지점 사이의 관계를 고려하므로 개별 웨이포인트(Waypoint)를 독립적으로 이동시키기보다 경로의 전체 구간을 일관성 있게 변형하는 경향을 가진다.
이러한 메트릭(Metric)은 궤적 공간(Trajectory Space)의 기하학(Geometry)을 정의하는 것으로 해석할 수 있다. 매우 불규칙한 움직임을 생성하는 방향은 부드러운 변형을 만드는 방향과 다르게 취급된다. 따라서 최적화기는 궤적 품질을 보다 적절하게 반영하는 거리 개념에 따라 탐색을 수행한다. 이러한 공변 처리(Covariant Treatment)는 CHOMP와 유클리드 좌표(Euclidean Coordinate)에서 웨이포인트에 직접 적용되는 단순 그래디언트 하강법(Simple Gradient Descent)을 구분하는 주요 개념적 차이 중 하나이다.
장애물 함수(Obstacle Functional)는 고립된 웨이포인트만을 평가하는 대신 전체 궤적을 따라 충돌에 노출되는 정도를 고려하도록 설계된다. 유용한 정식화에서는 작업공간 지점의 속도를 고려하면서 경로를 따라 장애물 포텐셜(Obstacle Potential)을 적분한다. 이를 통해 비용이 특정 시간 매개변수화(Time Parameterization)에 지나치게 의존하지 않도록 하면서 궤적의 기하학적 형태(Geometric Shape)에 최적화를 집중시킬 수 있다. 그러나 인접한 구성 사이에서 발생하는 충돌을 감지하려면 충분히 조밀한 이산화(Discretization)가 필요하다.
각 최적화 반복(Optimization Iteration)에서 CHOMP는 현재 궤적을 평가하고 부드러움 그래디언트(Smoothness Gradient)와 장애물 그래디언트(Obstacle Gradient)를 계산한 뒤 이를 결합하여 메트릭으로 스케일링된 갱신(Metric-Scaled Update)을 적용한다. 시작 조건과 목표 조건은 고정된 상태로 유지되며 중간 구성만 이동한다. 반복적인 갱신을 통해 충돌하는 궤적 구간은 일반적으로 장애물에서 멀어지고 불필요한 곡률(Curvature)은 완화된다. 스텝 크기(Step Size)와 비용 가중치(Cost Weighting)는 궤적이 얼마나 적극적으로 변화하는지를 결정하므로 수렴 특성(Convergence Behavior)에 큰 영향을 미친다.
CHOMP는 국소 최적화 방법(Local Optimization Method)이므로 초기 궤적(Initial Trajectory)이 최종 해에 큰 영향을 미친다. 단순한 초기화는 시작 구성과 목표 구성 사이의 보간(Interpolation)을 통해 생성할 수 있지만 이러한 경로는 장애물을 직접 통과할 수 있다. CHOMP는 충돌하는 초기 궤적을 자유 공간(Free Space) 방향으로 변형할 수 있는 경우가 많으며 이는 중요한 장점이다. 그러나 복잡한 장애물 배치에서는 최적화가 바람직하지 않은 국소 최솟값(Local Minimum)에 갇힐 수 있다.
서로 다른 호모토피 클래스(Homotopy Class)가 존재하는 경우 국소 최솟값 문제는 특히 중요해진다. 목표에 도달하기 위해 큰 장애물을 완전히 다른 방향으로 우회해야 하는 상황에서는 현재 궤적 주변의 그래디언트 정보만으로 이러한 대안을 발견하지 못할 수 있다. 따라서 전역 계획기(Global Planner) 또는 샘플링 기반 방법(Sampling-Based Method)을 이용하여 후보 초기 경로를 생성한 후 CHOMP를 이용해 이를 정제할 수 있다. 이러한 하이브리드 접근법(Hybrid Approach)은 광범위한 탐색과 연속적인 궤적 품질 최적화를 결합한다.
부드러움과 장애물 회피 사이의 균형은 비용 매개변수(Cost Parameter)를 통해 조절된다. 부드러움 가중치(Smoothness Weight)가 지나치게 높으면 궤적이 장애물을 충분히 우회하도록 굽어지지 않을 수 있으며, 장애물 가중치(Obstacle Weight)가 지나치게 높으면 불필요하게 큰 우회가 발생하거나 움직임 품질이 저하될 수 있다. 따라서 장애물 포텐셜 설계(Obstacle Potential Design), 안전 거리(Safety Distance), 갱신률(Update Rate), 종료 임계값(Termination Threshold)은 로봇의 형상, 환경 규모, 요구되는 안전 여유에 따라 설정해야 한다.
거리장(Distance Field)의 품질은 장애물 그래디언트(Obstacle Gradient)에 직접적인 영향을 준다. 부호 거리 표현(Signed Distance Representation) 또는 비부호 거리 표현(Unsigned Distance Representation)은 장애물 경계 주변에서 충분히 부드러운 공간 정보를 제공하여 최적화기가 의미 있는 하강 방향(Descent Direction)을 얻을 수 있도록 해야 한다. 격자 해상도(Grid Resolution)가 너무 낮으면 좁은 통로(Narrow Passage)가 왜곡되거나 부정확한 그래디언트가 생성될 수 있으며, 지나치게 높은 해상도는 메모리와 계산량을 증가시킨다. 따라서 실제 시스템에서는 환경 표현 정확도와 계획 성능 사이의 균형을 고려해야 한다.
CHOMP는 각 반복 과정에서 비정보적 탐색(Uninformed Search)을 반복하는 대신 그래디언트 정보와 구조화된 궤적 행렬(Structured Trajectory Matrix)을 사용하므로 계산 측면에서 효율적일 수 있다. 그러나 궤적 지점의 수, 로봇의 자유도, 충돌 검사 지점(Collision-Checking Point)의 수, 환경 복잡성이 증가하면 계산 요구량도 증가한다. 따라서 빠른 계획을 위해서는 효율적인 순기구학(Forward Kinematics), 자코비안 평가(Jacobian Evaluation), 거리장 질의(Distance-Field Query), 행렬 연산(Matrix Operation)이 중요하다.
일반적인 비선형 계획법(Nonlinear Programming)과 비교하면 CHOMP는 움직임 계획(Motion Planning)을 위해 특별히 설계된 구조를 도입한다. 부드러움 메트릭(Smoothness Metric), 함수 그래디언트(Functional Gradient), 작업공간 장애물 포텐셜(Workspace Obstacle Potential), 공변 갱신(Covariant Update)은 로봇 궤적의 특성을 최적화 과정에 직접 반영한다. 이러한 특화 구조를 통해 높은 품질의 연속적인 움직임을 효율적으로 생성할 수 있지만 초기화, 비볼록 충돌 기하학(Nonconvex Collision Geometry), 국소 최적성(Local Optimality)이라는 근본적인 문제까지 제거하는 것은 아니다.
이동 로봇(Mobile Robot)의 경우 CHOMP는 벽과 장애물로부터 안전 거리를 유지하면서 불필요한 곡률을 감소시켜 기하학적 경로(Geometric Path)를 정제할 수 있다. 매니퓰레이터(Manipulator)의 경우 여러 링크의 스윕 움직임(Swept Motion)을 고려하면서 고차원 관절 궤적(High-Dimensional Joint Trajectory)을 최적화할 수 있다. 유사한 원리는 이동 매니퓰레이션(Mobile Manipulation)과 전신 계획(Whole-Body Planning)에도 적용할 수 있지만 추가적인 운동학, 동역학, 균형, 접촉 제약조건을 처리하기 위해서는 기본 CHOMP 정식화 이상의 확장이 필요함을 시사한다.
Comments
No comments yet. Start the discussion.