신경-기호 모델 'NeSAM', 오프로드 주행 예측 정확도 높여

연구진이 모래나 진흙처럼 표면이 쉽게 변형되는 험지에서 오프로드 차량의 움직임을 더 정확하게 예측하는 프레임워크 'NeSAM'을 공개했습니다. arXiv(cs.RO)에 게재된 새 논문 보도에 따르면, 이 시스템은 물리 기반 토양 모델링과 머신러닝을 결합해 기존의 순수 데이터 기반 방식보다 장기 예측 정확도와 해석 가능성을 함께 높였습니다.

오프로드 주행 환경을 모델링하기 어려운 이유는 토양 상태가 지점마다 계속 달라지면서 바퀴가 지면에 파고드는 정도(침하), 미끄러짐, 견인력이 그때그때 변하기 때문입니다. 논문에 따르면 기존의 학습 기반 운동역학 모델(차량의 위치와 힘이 시간에 따라 어떻게 변하는지 예측하는 모델)은 이러한 차량-지형 상호작용을 데이터로부터 직접 근사하지만, 토양의 물리적 특성을 명시적으로 표현하지 않아 해석력과 일반화 성능에 한계가 있었습니다.

NeSAM은 차량과 토양의 상호작용을 다루는 고전 이론인 베커-웡(Bekker-Wong) 지형역학 모델을 미분 가능한 형태로 구현하고, 여기에 학습된 지형 표현과 트랜스포머 기반의 잔차 동역학 모델을 결합했습니다. 지형역학 모듈이 토양 조건에 따른 상호작용 힘을 추정하면, 잔차 모델이 이론적 예측값과 실제 관측된 차량 움직임 사이의 차이를 보정하는 방식입니다. 전체 파이프라인은 3차원 공간에서의 이동과 회전 운동을 모두 포함하는 6자유도 운동역학을 장기간에 걸쳐 예측합니다.

이 방식의 특징은 지형 관측값으로부터 물리적으로 의미 있는 토양 파라미터를 직접 추정하고, 확장 칼만 필터를 이용해 주행 중 변화하는 조건에 맞춰 이 값을 실시간으로 갱신한다는 점입니다.

연구진은 Chrono 멀티피직스 엔진 기반 시뮬레이터인 'Verti-Bench'에서 NeSAM을 평가했으며, 'Verti-4-Wheeler'라는 실제 로봇 플랫폼으로도 성능을 검증했습니다. 비교 대상 중 가장 우수한 기존 방법과 비교했을 때, NeSAM은 시뮬레이션에서 최대 30%, 실제 데이터에서 29%까지 예측 정확도를 높였습니다. 폐루프 내비게이션 제어기와 결합했을 때는 실시간 토양 적응을 통해 주행 성공률을 높였고, 경로 추적 정확도를 나타내는 지표인 하우스도르프 거리(Hausdorff distance)를 기준 경로 대비 69.4% 줄였습니다.

이 논문은 첸후이 판(Chenhui Pan)이 2026년 8월 21일 제출했으며, arXiv의 로보틱스(cs.RO) 분야로 분류되어 있습니다.