1.2 PROBABILISTIC ROBOTICS

PROBABILISTIC ROBOTICS

• 이 책은 로보틱스를 위한 확률적 알고리즘(probabilistic algorithms)에 대한 포괄적인 개요를 제공한다.
• Probabilistic robotics는 로봇의 인식(perception)과 동작(action)에 내재한 불확실성(uncertainty)을 정면으로 다루는 새로운 접근법이다.
  • 이 접근법의 핵심 아이디어는 불확실성을 확률 이론(calculus of probability theory)을 이용해 명시적으로 표현하는 것입니다. 다시 말해, 세계에 대해 “가장 그럴듯한 하나의 추정치(best guess)”만을 사용하는 대신, probabilistic algorithms는 가능한 모든 가설(hypotheses)의 공간 전체에 걸친 확률 분포(probability distributions)로 정보를 표현합니다.
  • 이를 통해 모호성(ambiguity)과 신념의 정도(degree of belief)를 수학적으로 타당한 방식으로 다룰 수 있으며, 앞서 나열된 모든 불확실성 원인들을 수용할 수 있게 됩니다.
  • 더욱이, 확률 정보를 기반으로 제어 결정(control decisions)을 내리기 때문에, 위에서 설명한 다양한 불확실성 요인에 직면했을 때도 graceful degradation을 보이며, 어려운 로보틱스 문제들에 대한 새로운 해결책을 제시합니다.

 

• 다음으로 동적 예시를 통해 probabilistic 접근법을 살펴보겠습니다:
  • mobile robot localization.
    • Localization은 센서 데이터(sensor data)와 환경 지도(map of the environment)를 사용하여 로봇의 좌표(coordinates)를 외부 기준 좌표계(external reference frame)에서 추정하는(state estimation) 문제입니다.
    • 그림 1.1은 mobile robot localization에 대한 probabilistic 접근법을 보여줍니다. 여기서 다루는 구체적인 문제는 global localization으로, 로봇이 어디에 놓여 있는지 전혀 모르는 상태에서 스스로 위치를 찾아야 합니다.
    • probabilistic 패러다임에서는 로봇의 순간적인 추정치(momentary estimate, 또는 belief)를 로봇 위치의 전체 공간에 대한 확률 밀도 함수(probability density function)로 표현합니다.

1. 초기 다이어그램은 최대 불확실성(maximum uncertainty)에 해당하는 균일 분포(uniform distribution, prior)를 보여 줍니다.
2. 로봇이 첫 센서 측정을 수행하여 “문(door)” 옆에 있음을 관측하면, 두 번째 다이어그램처럼 door 옆 위치에는 높은 확률, 그 밖에는 낮은 확률을 부여하는 belief가 형성됩니다. 이때 분포에는 환경 내 구별할 수 없는 세 개의 문 각각에 대응하는 세 개의 봉우리(peaks)가 나타납니다.
   또한 비문(non-door) 위치에도 소량의 확률이 남아 있는데, 이는 센서 측정에 내재된 불확실성(sensor noise)으로 인해 로봇이 실제로는 door 옆이 아닐 가능성(non-zero probability)을 반영한 것입니다.
3. 로봇이 이동(move)하면, 세 번째 다이어그램에서 보듯이 belief가 이동 방향으로 이동(shift)하고, motion uncertainty를 반영해 부드럽게(smoothing) 퍼집니다.
4. 다시 문을 관측하면 네 번째 다이어그램에서 보듯이 대부분의 확률 질량(probability mass)이 특정 문 옆 위치로 집중되어, 로봇이 자신의 위치를 상당히 확신(confident)하게 됩니다.

• 이 예시는 특정 인식 문제(contextual perceptual problem)에서 probabilistic 패러다임이 어떻게 적용되는지 보여 줍니다.
• 확률론적으로(statistically) 표현하면, 로봇의 인식 문제는 state estimation 문제이고, 위 localization 예시에서는 posterior estimation(사후 추정)을 수행하는 Bayes filter라는 알고리즘을 사용합니다.
• 이와 마찬가지로, 행동 선택(action selection)에서도 probabilistic 접근법은 단순히 가장 그럴듯한 추정치(likely guess)만을 고려하지 않고 전체 불확실성을 고려합니다.
• 이를 통해 probabilistic 접근법은 정보 수집(exploration)과 활용(exploitation)을 균형 있게(trade off) 수행하며, 현재의 지식 상태(state of knowledge)에 최적(optimal)인 행동을 할 수 있도록 합니다.