인간‑로봇 협업을 위한 스타일‑조건부 확산 정책: 가독성·효율성 자동 전환

본 논문은 인간‑로봇 협업에서 로봇 움직임이 가독성(legibility)과 효율성(predictability) 사이에서 상충하는 문제를 해결하고자, 사전 학습된 확산 기반 정책(Diffusion Policy)에 외부 스타일 컨디션을 부착하는 프레임워크인 Style‑Conditioned Diffusion Policy(SCDP)를 제안한다. 1. **배경 및 동기** - 가독성은 로봇이 목표를 명확히 전달해 인간 관찰자의 안전과 신뢰를 높이는 데 필수적이지만, 이를 위해서는 종종 최단 경로를 벗어난 과장된 궤적이 필요하다. - 반면 효율성은 작업 수행 시간·에너지 최소화를 목표로 하며, 목표가 명확히 구분될 때는 가독성 없는 직선 경로가 바람직하다. - 기존 연구는 가독성 전용 정책을 설계하거나, 수동적인 가중치 조절을 통해 두 스타일을 전환했지만, 환경의 모호성에 따라 자동으로 전환하는 메커니즘은 부족했다. 2. **SCDP 구조** - **베이스 정책**: 기존 Diffusion Policy의 U‑Net 구조를 그대로 사용하고, 사전 학습된 가중치를 고정한다. - **장면 인코더**: 목표 g*와 방해 목표 g‑들의 좌표를 상대 벡터 r_i와 거리 j_i 로 변환해 5차원 벡터 ˜g_i 로 만든 뒤, 모든 목표를 하나의 행렬 x에 결합한다. 이를 MLP S에 입력해 컨텍스트 벡터 c∈ℝ^s 를 출력한다. 인코더는 자동 인코더 방식으로 재구성 손실을 최소화하며, 장면의 공간 관계를 압축한다. - **스타일 예측기**: 두 개의 MLP(가독성 전용, 예측성 전용)가 각각 c를 받아 γ,β 파라미터를 생성한다. 이 파라미터는 FiLM(Film Layer Modulation) 방식을 통해 U‑Net 중간 레이어 h에 적용돼, h←γ⊙h+β 로 스타일을 조절한다. - **모호성 감지 모듈**: 로봇 현재 상태 s_t와 목표 g* 사이의 중간점 e = s_t + κ(g*−s_t) (κ∈(0.5,1)) 를 중심으로, 양의 정부호 행렬 M 로 정의된 타원 E를 만든다. 방해 목표 g‑가 E 내부에 있으면 모호성으로 판단한다. 이 이진 판단 결과에 따라 가독성 예측기 또는 예측성 예측기를 선택한다. 3. **학습 절차** - **1단계**: 전체 시연 데이터(200개)를 사용해 베이스 Diffusion Policy를 학습한다. - **2단계**: 장면 인코더를 별도로 학습한다(자동 인코더 재구성 손실). - **3단계**: 스타일 전용 시연(각 환경당 30~40개)만을 이용해 가볍게 MLP(γ,β 생성기)만을 MSE 손실로 학습한다. 베이스 U‑Net 가중치는 고정된다. 4. **실험 설정** - **작업**: (a) Block Reach – 프랑카 에미카 판다 로봇이 두 블록 중 하나를 잡는 조작 과제, (b) Navigation – 터틀봇이 두 목표 지점 중 하나로 이동. - **시나리오**: 각 작업을 ‘Spatial Ambiguity’와 ‘No Spatial Ambiguity’ 두 환경으로 구분. - **평가 지표**: 가독성 점수(관찰자가 목표를 추론할 확률 기반), 효율성 점수(경로 길이·시간), 성공률, 그리고 스타일 전환 정확도. 5. **결과** - 모호한 환경에서는 SCDP가 기존 Diffusion Policy 대비 가독성 점수를 평균 18% 향상시켰으며, 경로 길이 증가는 5% 이하에 그쳐 효율성 손실을 최소화했다. - 비모호 환경에서는 가독성 예측기가 비활성화돼 베이스 정책과 동일한 효율성을 유지했다. - 모호성 감지 정확도는 92% 이상으로, 타원 기반 판단이 실시간 적용에 충분히 신뢰할 수 있음을 보여준다. - 전체 성공률은 97%로, 스타일 전환이 로봇 작업 성공에 부정적 영향을 주지 않음을 확인했다. 6. **논의 및 한계** - **장점**: (1) 베이스 정책 재학습이 필요 없어 기존 시스템에 손쉽게 적용 가능, (2) 경량 MLP만 추가해 연산 비용이 낮음, (3) 상황에 따라 자동으로 스타일을 전환해 인간‑로봇 상호작용 품질을 향상. - **제한점**: 현재는 2D 평면 기반 모호성 정의에 국한돼 3D 복합 환경에서는 추가적인 깊이·시점 고려가 필요하고, 타원 파라미터 κ와 M을 수동 설정한다는 점이 있다. 또한, 가독성·예측성 외에 힘·안전성 등 다른 스타일을 확장하려면 추가적인 컨디션 설계와 데이터가 요구된다. FiLM이 중간 레이어에만 적용되므로 전체 확산 과정에 걸친 미세한 스타일 변형에는 한계가 있을 수 있다. 7. **결론 및 향후 연구** - SCDP는 “모델을 재학습하지 않고도 상황에 맞는 행동 스타일을 동적으로 삽입한다”는 실용적 접근을 제시한다. 이는 로봇이 인간 의도와 환경 변화를 실시간으로 인식하고, 적절한 가독성·효율성 균형을 자동으로 맞출 수 있는 기반이 된다. - 향후 연구는 (a) 3D 공간 및 복합 센서(시각·깊이) 정보를 활용한 모호성 판단, (b) 다중 스타일(힘, 안전, 에너지) 통합 컨디션, (c) 실제 물리 로봇에서의 실시간 사용자 연구 등을 통해 인간‑로봇 협업의 전반적인 품질을 더욱 향상시키는 방향으로 진행될 예정이다.