최근 라이다(LiDAR) 센서만으로 실내 환경을 자율주행하는 로봇 내비게이션 시스템이 공개되어 주목받고 있습니다. 이 시스템은 기존의 로봇 운영체제(ROS2) 기반 내비게이션 스택인 내비게이션2(Nav2)의 전역 경로 계획(Global Path Planning) 기능과 PPO(Proximal Policy Optimisation) 딥 강화 학습(Deep Reinforcement Learning) 에이전트의 지역 내비게이션 및 반응형 장애물 회피 능력을 결합한 하이브리드 방식입니다. 카메라나 별도의 객체 감지 없이 순수하게 라이다 센서 데이터만을 활용해 센서-액션(sensor-to-action) 제어를 구현한 것이 특징입니다.
이 시스템은 16x16m 크기의 시뮬레이션 아파트 환경에서 방, 복도, 가구 등 복잡한 장애물을 성공적으로 탐색했습니다. PPO 에이전트는 50차원 관측값(36차원 라이다 섹터, 2차원 목표 웨이포인트, 2차원 현재 속도, 10차원 Nav2 경로 특징)을 입력받아 초당 10회 부드러운 속도 명령을 출력합니다. 이를 통해 좁은 회전, 벽으로 막힌 복도, 복잡한 장애물 군집 등 기존 경로 계획만으로는 어려웠던 상황들을 효과적으로 처리할 수 있습니다. 150개의 벤치마크 시나리오에서 82.7%의 성공률을 달성했으며, 이는 PPO 단독(52.0%)이나 초기 하이브리드 모델(64.2%)보다 크게 향상된 수치입니다. 특히 진동(oscillation)이나 대체 경로(fallback) 트리거 없이 안정적인 주행을 보여주었습니다.
이번 성과는 라이다 센서만으로도 복잡한 실내 환경에서 높은 수준의 자율주행이 가능하다는 것을 입증하며, 로봇 내비게이션 분야에 중요한 진전을 가져왔습니다. 특히 카메라나 고성능 컴퓨팅 자원이 제한적인 환경에서 저비용, 고효율 로봇 개발의 가능성을 열어줍니다. 물류 로봇, 서비스 로봇, 청소 로봇 등 다양한 실내 자율 이동 로봇에 적용될 수 있으며, 강화 학습을 통해 실제 환경 변화에도 유연하게 대응할 수 있는 로봇 시스템 구축에 기여할 것으로 기대됩니다. 개발자는 이 시스템을 맥OS(macOS)와 윈도우(Windows)용 WSL2 환경에서 쉽게 설치하고 시연할 수 있도록 데모 스크립트와 가이드를 제공하고 있습니다.