복잡한 군중 환경에서의 사회적 상호작용을 고려한 흐름 기반 자율 이동 로봇 네비게이션

• 영문명: Flow-based Autonomous Mobile Robot Navigation Considering Social Interaction in Complex Crowd Environments
• 발행기관: 표준인증안전학회
• 저자명: 황준태 곽대원 임현우 최정환 진일성 김현우 유지상 김동한
• 간행물 정보: 『표준인증안전학회지』제15권 제2호, 92~104쪽, 전체 13쪽
• 주제분류: 사회과학 > 사회과학일반
• 파일형태: PDF
• 발행일자: 2025.06.30

국문 초록

최근 도시 환경과 축제·전시회 등 다양한 공공장소에서 자율 이동 로봇은 물류 배송, 안내, 정보 제공 등의 역할을 수행하며 주목받고 있다. 그러나 기존 연구는 장애물 회피와 최단 경로 탐색에 집중하여, 밀집된 보행자 사이에서 자연스럽고 사회적으로 수용 가능한 거리를 유지하며 이동하는 데 한계를 보여주었다. 본 연구에서는 군중 흐름의 방향성과 지역별 밀집도를 활용한 단순화된 흐름 정보를 이용하여, 로봇이 보행자와의 불필요한 상호작용을 피하면서 밀집 공간을 효율적으로 이동할 수 있도록 하는 강화학습 기반 내비게이션 기법을 제안한다. 이기법은 로봇에 장착된 센서 데이터를 통해 주변 보행자 밀집도와 이동 방향을 실시간으로 추정하고, 이를 상태 표현에 포함하여 로봇이 환경을 인지하도록 한다. 행동 선택 시 보행자 흐름과 일관된 움직임에 긍정 보상을 부여하고, 과도한 속도 변화나 충돌 위험이 있는 동작에는 페널티를 부여하여, 로봇이 자연스럽게 군중 흐름에 융합되도록 학습한다. 본 연구의 주요 기여는 군중 흐름 정보를 활용한 상태 표현 설계와 보상 구조 설계에 있으며, 이를 통해 로봇이 보행자 환경에서 보다 안전하고 사회적으로 허용되는 이동 행동을 학습하도록 한다. 시뮬레이션 환경은 보행자 수가 3명, 5명, 10명인 밀도별 시나리오로 구성했으며, 목표 지점 도달 성공률, 평균 이동 시간, 경로 매끄러움, 보행자와의 평균 거리 등 사회적 적합성 지표를 통해 성능을 평가했다. 실험 결과, 제안된 방법은 기존 대비 목표 지점 도달 성공률과 이동 효율에서 유의미한 향상을 보였으며, 밀집도가 높은 환경에서도 보행자 흐름과 조화롭게 상호작용하여 사회적으로 용인되는 거리를 효과적으로 유지함을 확인했다. 또한 다양한 밀도 변화 상황에서도 안정적인 학습을 보장하는 보상 구조를 설계했고, 학습된 정책의 일반화 가능성을 확인했다. 본 연구는 스마트 시티 및 대규모 행사장에서 자율 이동 로봇이 사람들과 조화롭게 이동할 수 있는 가능성을 제시하며, 향후 실제 로봇 플랫폼에 적용하여 현장 실험과 실시간 대응 능력 평가를 통해 검증할 계획이다.

영문 초록

In recent years, autonomous mobile robots have attracted attention in various public spaces, such as urban environments, festivals, and exhibitions, where they perform tasks like goods delivery, guidance, and information provision. However, existing research has focused on obstacle avoidance and shortest‐path planning, showing limitations in maintaining natural and socially acceptable distances while navigating among densely packed pedestrians. In this study, we propose a reinforcement learning–based navigation method that enables a robot to traverse crowded spaces efficiently by utilizing simplified flow information derived from crowd movement directions and local densities. This method estimates surrounding pedestrian density and movement directions in real time from the robot’s onboard sensor data, incorporating them into the state representation so that the robot can perceive its environment more effectively. During action selection, positive rewards are given for movements consistent with pedestrian flow, while penalties are applied for abrupt speed changes or maneuvers that risk collisions; thus, the robot learns to integrate smoothly into the crowd flow. The main contributions of this research lie in the design of the state representation using crowd‐flowinformation and the formulation of the reward structure, which together guide the robot to learn safer and more socially acceptable navigation behaviors in pedestrian environments. The simulation environment comprises scenarios with pedestrian counts of three, five, and ten, corresponding to different density levels. We evaluate performance using metrics such as goal reaching success rate, average travel time, path smoothness, and average distance to pedestrians to reflect social compliance. Experimental results demonstrate that the proposed method yields statistically significant improvements in goal reaching success and travel efficiency compared to baseline approaches. Even in high‐density environments, the robot interacts harmoniously with pedestrian flow, effectively maintaining socially acceptable distances. Additionally, we design a reward structure that ensures stable learning under varying density conditions and verify the generalizability of the learned policy. This study suggests the feasibility of deploying autonomous mobile robots in smart cities and large‐scale event venues to navigate in harmony with people. In future work, we plan to implement the method on a real robot platform and conduct field experiments to evaluate real time responsiveness.

목차

Ⅰ. 서 론

Ⅱ. 관련 연구

Ⅲ. 제안 방법

Ⅳ. 실험 방법 및 환경

Ⅴ. 실험 결과 및 분석

ⅤI. 실험 결과 및 분석

참고문헌

키워드

자율 이동 로봇 군중 탐색 사회적 거리 강화 학습 군중 흐름 모델 Autonomous mobile robot crowd navigation social distancing reinforcement learning crowd-flow model