Lite-DRTG: 실시간 맵리스 내비게이션을 위한 경량화된 확산모델 기반 궤적 생성기

국문 초록 (Abstract)

라스트 마일 배송, 수색 및 구조, 물류 전반에 걸쳐 자율 이동 로봇에 대한 수요가 급증함에 따라 맵리스 내비게이션(mapless navigation)의 필요성이 커지고 있다. 도로 공사로 인한 차로 축소나 임시 바리케이드 설치와 같이 환경이 수시로 바뀌는 요인으로 인해 사전 제작된 지도가 빠르게 무효화되는 실외 환경에서의 로봇은 탑재된 센서로부터 안전한 장거리 경로를 직접 계획해야 한다. 그러나 복잡한 실외 환경에서 지도 없이 모바일 로봇의 궤적을 생성하는 일은 여전히 어려운 과제로 남아 있다. 이 과제를 해결하기 위해 최신의 맵리스 네비게이션 프레임워크인 DTG(Diffusion-Based Trajectory Generator)가 확산 모델을 활용하여 뛰어난 성능을 보여주었다. 하지만, 확산 모델은 성능과 추론 시간이 디노이저 백본(denoiser backbone)에 크게 의존한다. 예를 들어, DTG는 연산량을 줄이고 추론 속도를 높이기 위해 조건부 순환 신경망(CRNN)을 백본으로 사용했지만, 이 방식은 로봇이 위험 요소 근처의 미세한 장애물 회피에 필요한 단서를 포착하는 데 어려움을 겪을 수 있다. 반면, UNet 백본은 주변의 세밀한 부분을 잘 모델링하지만, 높은 연산량으로 인해 실시간 작동이 어렵다. 본 논문에서는 실시간 맵리스 내비게이션을 위해 경량화된 UNet 기반 확산 모델을 이용한 궤적 생성기, Lite-DRTG를 제안한다. Lite-DRTG는 기존의 DTG UNet의 구조를 경량화 하면서 궤적 생성 성능은 유지할 수 있도록 설계된 AdaLite-UNet을 디노이저 백본으로 사용한다. AdaLite-UNet은 아키텍처의 내부의 컨볼루션 레이어를 감소시켜 경량화하며, 모든 레이어에 걸쳐 FiLM(Feature-wise Linear Modulation) 기반의 AdaGN(Adaptive Group Normalization) 컨디셔닝을 도입함으로써 연산량을 줄였다. 실험 결과, AdaLite-UNet을 사용한 Lite-DRTG는 전반적으로 강력한 성능 향상을 보였다. DTG(CRNN) 기준 모델과 비교했을 때 주행 가능성은 22.1% 향상되었으며, 훨씬 무거운 모델인 DTG(UNet)보다 대부분의 지표에서 더 뛰어난 성능을 나타냈다. 특히 Lite-DRTG는 DTG(UNet)보다 81.3% 더 빠르고 74.1% 더 작으면서도 더 작은 거리 오차를 유지했다.

다국어 초록 (Multilingual Abstract)

As demand for autonomous mobile robots surges across last-mile delivery, search-and-rescue, and logistics, the need for mapless navigation is growing: in outdoor settings where construction, weather, and sudden obstacles rapidly invalidate prebuilt maps, robots must plan safe, long-range trajectories directly from onboard sensing. However, mapless trajectory generation for mobile robots in complex outdoor environments remains challenging. Among recent diffusion-based approaches, Diffusion-based Trajectory Generation (DTG) is a state-of-the-art mapless navigation framework, but its performance and inference time depend strongly on the denoiser backbone. For example, DTG adopts a conditional recurrent neural network (CRNN) to reduce computation and speed up inference; however, this choice can struggle to capture fine obstacle-avoidance cues near hazards. In contrast, UNet backbones model nearby fine details well but incur heavy computation that hinders real-time operation. We introduce Lite-DRTG, a diffusion-based trajectory generator whose denoiser backbone is AdaLite-UNet—a lightweight UNet designed for real-time mapless navigation. AdaLite-UNet reduces computation by using halved the channel scale, introduced Feature-wise Linear Modulation(FiLM)-based Adaptive Group Normalization(AdaGN) conditioning across all layers, and redesigned the up/downsampling path. Experiments show that Lite-DRTG (with AdaLite-UNet) delivers strong overall gains: compared with the DTG (CRNN) baseline, traversability improves by 22.1%, and our model outperforms the much heavier DTG (UNet) variant on most metrics. Notably, Lite-DRTG is 81.3% faster and 74.1% smaller than a DTG (UNet) while maintaining smaller distance error.

목차 (Table of Contents)

• I. 서 론 1
• II. 관련 연구 4
• 2.1 딥러닝 기반 궤적 생성 접근법 4
• 2.2 궤적 생성을 위한 잡음 제거 확산 확률 모델 (DDPM) 5
• 2.3 확산 모델의 계산 비용 문제와 경량화 7
• III. Lite-DRTG: Lightweight Diffusion-based Real-Time Trajectory Generator 8
• 3.1 문제 정의 8
• 3.2 Lite-DRTG 아키텍처 9
• 3.3 훈련 전략 14
• IV. 실험 및 성능 평가 17
• 4.1 실험 환경 17
• 4.2 평가 지표 18
• 4.3 주요 결과 20
• 4.4 소거 연구 23
• V. 결론 28
• 참고문헌 29
• Abstract 33