HOPHY, 하이퍼그래프로 오프로드 경로계획 79배 빨라져

로보틱스 연구진이 무인지상차량(UGV)의 오프로드 경로 및 임무 계획을 더 빠르고 재사용 가능하게 만드는 새로운 지형 표현 방식인 HOPHY(Hierarchical Off-Road Planning using Hypergraphs)를 arXiv에 게재된 논문을 통해 공개했습니다.

재난 대응, 수색·구조, 전술 UGV 운용과 같은 임무 수준의 자율주행은 지형 조건과 로봇 종류, 임무 목표가 바뀔 때마다 경로 및 임무 계획을 반복적으로 다시 수립해야 합니다. 기존의 픽셀 격자 기반 탐색 방식은 킬로미터 규모에서 반복 질의를 수행할 경우 연산 비용이 크게 늘어나는 반면, 더 상위 수준의 의미론적 추상화 방식은 조건이 바뀔 때 정확한 비용 추정과 연결성 정보를 유지하기 어렵다는 문제가 있었습니다.

HOPHY는 지도 규모의 지형을 세 계층으로 조직화해 이 문제를 해결합니다. 기하학적으로 연결된 의미 영역인 'GSNode', 연결성을 유지하는 핵심 영역인 '코어스 리전(Coarse Region)', 그리고 지형·에이전트·날씨 맥락을 담은 유형별 하이퍼엣지(hyperedge)로 구성됩니다. 조건이 바뀌면 하이퍼엣지 교차점을 이용해 영향을 받는 영역과 연결부만 선별적으로 갱신하며, 전체 계층 구조를 새로 만들 필요가 없습니다.

킬로미터 규모의 실제 오프로드 지도를 대상으로 한 실험에서 HOPHY는 100%의 계획 성공률을 기록했으며, 기준값인 픽셀 기반 A* 탐색 대비 중앙값 비용 편차가 0.01% 미만으로 나타났습니다. 동시에 실험에 포함된 픽셀 기반 및 추상화 기반 비교 대상들보다 질의 및 재계획 지연 시간이 상당히 낮았다고 밝혔습니다.

연구진은 다중 로봇 임무 배정(MRTA) 문제에도 HOPHY를 적용했는데, 픽셀 A* 대비 총 연산량을 79배, 실험에서 가장 빠른 추상화 기반 방식 대비로는 7.2배 줄이면서도 임무 완료 시간(makespan)은 픽셀 A*와 비슷한 수준을 유지했습니다.

시뮬레이션을 넘어선 검증을 위해 연구진은 실제 클리어패스(Clearpath) 재칼(Jackal) 로봇에 HOPHY를 적용해 시연했습니다. 이 로봇은 혼합 지표면으로 구성된 야외 지형에서 1.5km, 8개 과업으로 이루어진 임무를 성공적으로 수행했으며, 임무 도중 경로가 막히는 상황에서도 즉석에서 경로를 재계획해 완주했습니다.

이 연구는 주저자 프라나이 메시람(Pranay Meshram)이 발표했으며 현재 IEEE 저널 투고 심사 중입니다. 연구진은 이번 방식이 비용이 큰 전수 픽셀 탐색과 정확도가 떨어질 수 있는 추상화 방식 사이의 실용적 절충안이 될 수 있다고 보고 있으며, 이는 지형과 임무 목표가 자주 바뀌는 실제 UGV 운용 환경에 중요한 의미를 가질 수 있습니다.

다만 이 논문은 아직 정식 동료 심사를 거치지 않은 arXiv 프리프린트 상태이므로, 최종 발표된 수치나 내용은 IEEE 저널 게재 승인 전까지 잠정적인 것으로 이해할 필요가 있습니다.