Remember Where You Walk: Learning Spatial Memory for End-to-End Legged Robot Exploration

이 논문은 다리 로봇이 미로를 탐사하며 본 지도를 위치 기반 행렬 메모리에 그대로 보존하는 LSMM 구조를 제안했다.

이 논문은 한마디로 네발 로봇이 미로를 돌아다니며 본 것을 위치별 메모리 칸에 저장해 잊지 않고 탐사하게 만든 연구다. 저자들은 Hadamard 메모리 갱신 규칙을 로봇 위치 주변의 작은 창에만 적용하는 Local Spatial Matrix Memory(LSMM)를 제안했다. 정책과 메모리는 강화학습으로 끝까지 함께 학습되며, 보조 미로 재구성 손실이 메모리에 지도 정보를 담도록 유도한다. 시뮬레이션과 실외 미로의 Unitree Go2 배치에서 LSMM은 탐사 커버리지를 유지하면서 미로 구조를 유일하게 기억했다.

핵심 요약

• 저자들은 위치 기반 행렬 메모리인 LSMM을 제안해 강화학습 에이전트가 특정 위치의 메모리 칸에 과제 정보를 저장하게 했다.
• LSMM은 매 순간 로봇 위치 추정 중심의 5 × 5 칸 창만 갱신하고 나머지 메모리는 그대로 두어, 지나간 위치의 정보가 사라지지 않게 했다.
• 정책은 PPO로 미로 재구성 손실과 함께 끝까지 학습되었고, 보조 머리가 메모리 특징에서 미로 벽 배치를 맞추도록 훈련되었다.
• 100개의 새 미로 평가에서 모든 구조가 65.4에서 82.8% 사이의 비슷한 커버리지에 도달해, 순수 탐사 성능만 보면 공간 메모리가 필수는 아니었다.
• 미로 재구성 오차에서 LSMM만 유일하게 탐사 중 0.33에서 0.1로 크게 줄었고, 이는 어느 기준선보다 세 배 이상 낮은 수치였다.
• 한계로 메모리가 미로 크기에 맞춘 고정 영역이라 환경이 커지면 늘려야 하고, 갱신이 외부 위치 추정에 의존해 아직 로봇 자체 센서만으로 위치를 잡지는 못한다고 적었다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.