열린 공간 탐색을 활용한 심층강화학습 기반 좁은 공간 내 이동로봇의 경로생성 기법 = Open-Space-Aware Deep Reinforcement Learning for Mobile Robot Path Planning in Narrow Spaces

국문 초록 (Abstract)

사람과 로봇이 동일한 공간을 공유하는 서비스 환경이 확산되면서, 복도나 횡단보도 등 협소한 공간에서의 자율주행이 새로운 과제로 부상하고 있다.
이러한 환경에서는 단순한 충돌 회피를 넘어, 주변의 공간 구조와 보행자 움직임을 해석하여 안전한 경로를 선택할 수 있는 주행 전략이 필요하다.
본 연구에서는 보행자와의 실시간 상호작용 속에서도 로봇이 안전하고 개방된 공간을 식별하며 주행하도록 하는 심층 강화학습 기반 경로 계획 기법을 제안하였다.
제안된 프레임워크는 3D LiDAR와 RGB 카메라 데이터를 융합하여 개별 보행자를 인식하고, 위치 및 속도를 실시간으로 추정한다. 이를 바탕으로 정적 장애물과 동적
위험 영역을 함께 반영한 인간 인지 점유 지도를 생성하여 강화학습의 상태 입력으로 활용하였다.
제안된 기법은 직선형, L자형, 교차형 복도 구조를 포함한 다양한 시뮬레이션 환경에서 학습 및 평가되었으며, 기존의 전통적 경로 계획 기법 대비 높은 주행 성공률과
낮은 충돌률을 보였다. 본 연구는 협소 공간에서의 안전하고 사회적으로 수용 가능한 자율주행 실현 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

As service environments where humans and robots share the same space continue to expand, autonomous navigation in narrow space
environments(NSEs)—such as indoor corridors and crosswalks—has emerged as a critical challenge.
In such environments, navigation strategies must go beyond simple collision avoidance to interpret the surrounding spatial
structure and pedestrian movement, enabling safe and socially compliant path selection.
This study proposes a deep reinforcement learning (DRL)-based path planning framework that enables a mobile robot to identify and
navigate through safe and open spaces while interacting with pedestrians in real time. The proposed framework fuses 3D LiDAR and
RGB camera data to detect individual pedestrians and estimate their positions and velocities.
Based on this information, a Human-Aware Occupancy Map (HAOM) is generated by integrating static obstacles with dynamic danger zones,
which is then utilized as the state input for reinforcement learning. The proposed method was trained and evaluated across various
simulated environments, including straight, L-shaped, and intersection corridors. Experimental results demonstrate that the method achieves
higher success rates and lower collision rates compared to conventional path planning algorithms. This research demonstrates the feasibility of achieving safe and socially aware autonomous navigation in confined human–robot shared spaces.

목차 (Table of Contents)

• 제1장 서론 . 1
• 제1절 연구 배경 1
• 제2절 연구 목표 . 4
• 제2장 배경 이론 . 5
• 제1절 전통적 경로 계획 5
• 1. 전역 경로 계획 5
• 2. 지역 경로 계획 6
• 제2절 군중 기반 경로 계획 6
• 제3장 심층 강화학습 기반 경로 계획 시스템 설계 9
• 제1절 시스템 구성 9
• 제2절 센서 융합 기반 개별 보행자 인식 10
• 1. 3D LiDAR 데이터 전처리 11
• 2. RGB – LiDAR 융합을 통한 보행자 인식 12
• 3. 보행자 추적 및 위험 영역 설정 13
• 제3절 HAOM 생성 14
• 제4절 열린 공간 탐색을 위한 강화학습 시스템 구축 . 16
• 1. 상태 정의 17
• 2. 보상 함수 설계 20
• 3. 학습 파라미터 구성 . 22
• 제4장 연구 결과 . 23
• 제1절 실험 구성 23
• 1. 학습 환경 23
• 2. 동적 장애물 모델링 . 24
• 3. 성능 지표 정의 24
• 제2절 실험 결과 25
• 1. 다양한 환경 조건에서의 성능 평가 . 25
• 2. 열린 공간 지향 보상의 성능 분석 . 28
• 3. 기존 경로 계획 알고리즘과의 성능 비교 29
• 4. 실시간 성능 분석 37
• 제5장 결론 . 38
• 참고문헌 . 39
• ABSTRACT 43