Regulated Pure Pursuit: nav2 기본 컨트롤러의 3가지 규제 메커니즘 완전 분석

TL;DR

RPP(Regulated Pure Pursuit)는 Samsung Research의 Steve Macenski 등이 2023년 발표한 모바일 로봇 경로 추적 컨트롤러입니다(arXiv:2305.20026). 기존 Pure Pursuit의 고질적인 문제 — 속도 무시, 맹목 코너 충돌, 장애물 근접 시 감속 없음 — 를 세 가지 규제(Regulation) 휴리스틱으로 해결합니다: (1) 곡률 기반 속도 규제: 날카로운 커브 전 자동 감속, (2) 장애물 근접 속도 규제: 장애물 가까워질수록 감속, (3) 선제 충돌 감지: 호(arc) 투영으로 충돌 예측. ROS 2 nav2에 기본 컨트롤러로 탑재됐고, PAL Tiago 실제 로봇에서 기존 Pure Pursuit 대비 경로 추적 오차 0.19m → 0.03m로 85% 감소.

Background: Pure Pursuit의 문제

Pure Pursuit는 1992년 Craig Coulter가 제안한 고전 경로 추적 알고리즘입니다. 원리는 단순합니다:

경로 위에서 현재 위치로부터 lookahead 거리만큼 앞의 점을 찾아
그 점을 향해 원호(circular arc)를 그리며 따라간다.

조향각 = arctan(2L·sin(α) / ld)
   L  = 로봇 축거(wheelbase)
   α  = 목표점과 로봇 진행방향 사이 각도
   ld = lookahead 거리

단순하고 계산이 가볍지만 실제 배포에서는 문제가 쏟아집니다:

Adaptive Pure Pursuit(APP): lookahead 거리를 속도에 비례(ld = v · lt)해 동적으로 조정했지만, 속도 자체를 규제하는 메커니즘은 없었습니다.

RPP는 APP 위에 세 가지 규제를 추가해 이 문제를 해결합니다.

Core Algorithm: Regulated Pure Pursuit

1. Adaptive Lookahead (APP에서 계승)

lookahead 거리:
  ld = v · lt        (속도 비례 동적 lookahead)

  v  : 현재 병진 속도
  lt : lookahead 시간 게인 (기본 1.5s)

범위: [ld_min, ld_max] = [0.3m, 0.9m] 클램핑

고속에서 더 먼 경로점을 바라보고, 저속에서 가까운 점 → 고속 직진과 저속 회전 모두 안정적.

2. 곡률 기반 속도 규제 (Curvature Regulation)

경로의 곡률(κ)이 임계값(T_κ)을 초과하면 선속도를 자동으로 줄입니다:

κ = 2 · sin(α) / ld     (Pure Pursuit의 기하학적 곡률)

곡률 규제:
  if κ > T_κ:
      v_regulated = v_max · (1 / (κ · regulated_linear_scaling_min_radius))

  regulated_linear_scaling_min_radius 기본값: 0.9m

실용적 의미: 복도 교차로나 좁은 U턴 앞에서 자동으로 감속 → "맹목 코너(blind corner)" 진입 속도를 30~50% 줄임.

실험 결과: 동일 코너에서 RPP는 정지 거리가 APP 대비 33% 증가 (충돌 여유 공간 확보).

3. 장애물 근접 속도 규제 (Proximity / Cost Regulation)

costmap의 obstacle cost를 읽어 장애물 근처에서 감속:

if d_obstacle ≤ d_prox:
    v' = v · α · (d_obstacle / d_prox)

  d_prox : 규제 시작 거리 (기본 0.6m)
  α      : cost_scaling_gain (기본 1.0)

costmap 기반이라 고정 장애물(벽, 선반) + 동적 장애물(사람) 모두 처리.

실험 결과: confined corridor에서 APP 대비 경로 추적 오차 14% 감소, 장애물 근접 거리 증가.

4. 선제 충돌 감지 (Preemptive Collision Detection)

기존 방식: 현재 위치에서 공간적으로 앞을 확인 (lookahead 거리까지)

RPP 방식: 시간적으로 앞을 투영 — 현재 속도로 T초 동안 이동할 호(arc)를 그리고, 그 경로 위에 장애물이 있으면 정지:

시뮬레이션 호:
  for t in [0, T_max]:   (T_max 기본 1.0s)
      x(t) = x₀ + ∫v·cos(θ) dt
      y(t) = y₀ + ∫v·sin(θ) dt
      if costmap[x(t), y(t)] > collision_threshold:
          STOP

왜 더 나은가: 공간 기반 감지는 고속에서 반응이 늦음. 시간 기반 투영은 속도가 빠를수록 더 먼 미래까지 확인 → 고속 상황에서 안전 마진 자동 증가.

전체 제어 루프

[매 제어 주기]
1. 경로에서 lookahead 점 찾기
   ld = clamp(v · lt, ld_min, ld_max)

2. 기본 속도 설정
   v = v_max

3. 곡률 규제 적용
   κ = curvature(lookahead_point)
   if κ > T_κ: v = min(v, v_curvature_regulated)

4. 장애물 근접 규제 적용
   d_obs = nearest_obstacle_distance()
   if d_obs < d_prox: v = min(v, v_proximity_regulated)

5. 선제 충돌 감지
   if arc_collision_check(v): v = 0 (정지)

6. 조향각 계산
   ω = v · κ   (규제된 v 사용 — APP와 다른 점)

7. 속도 명령 발행: (v, ω)

6번이 핵심 포인트: APP는 최대 속도로 조향각을 계산하고 나서 감속. RPP는 먼저 v를 규제한 뒤 그 v로 ω를 계산 → 속도-조향각 일관성 유지, undershoot 방지.

nav2 파라미터 구조

nav2의 nav2_regulated_pure_pursuit_controller로 탑재된 설정:

RegulatedPurePursuitController:
  # Lookahead
  use_velocity_scaled_lookahead_dist: true
  min_lookahead_dist: 0.3
  max_lookahead_dist: 0.9
  lookahead_time: 1.5

  # 곡률 규제
  use_regulated_linear_velocity_scaling: true
  regulated_linear_scaling_min_radius: 0.9

  # 장애물 근접 규제
  use_cost_regulated_linear_velocity_scaling: true
  cost_scaling_dist: 0.6
  cost_scaling_gain: 1.0

  # 충돌 감지
  use_collision_detection: true
  max_allowed_time_to_collision_up_to_carrot: 1.0

  # 속도 한계
  desired_linear_vel: 0.5
  min_approach_linear_velocity: 0.05

실험 결과

플랫폼

• 시뮬레이션: Turtlebot 3 + Gazebo (이상적 조건, ground truth 사용)
• 실제 로봇: PAL Robotics Tiago (서비스 로봇, 실내 환경)

Experiment 1: 경로 추적 정밀도

PP 대비 85% 오차 감소. APP 대비도 67% 개선.

Experiment 2: 맹목 코너 안전성

동일한 코너에서:

• RPP: 정지 거리 33% 증가 (충돌 전 여유 공간 확보)
• 주행 완료 시간은 APP와 거의 동일 (안전성 향상이 속도 저하로 이어지지 않음)

Experiment 3: 좁은 복도 (Confined Corridor)

• RPP: APP 대비 경로 추적 오차 14% 감소
• 속도 분포 시각화: 코너 앞에서만 감속하고 직선 구간은 최대 속도 유지

Experiment 4: 전체 시스템 (캠퍼스 빌딩)

실제 빌딩에서 전체 내비게이션:

• 완료 시간: PP/APP/RPP 모두 85~95초로 유사
• 경로 이탈: RPP가 최소 (0.043m 평균 이탈)
• 결론: 속도 손실 없이 안전성 향상

Key Experiments

경로 추적 오차 vs 안전성 트레이드오프

RPP의 핵심 주장: "속도를 줄여서 안전해지는 게 아니라, 올바른 상황에서만 줄인다."

실험 데이터:
  - 전체 주행 시간: PP ≈ APP ≈ RPP (85~95s)
  - 경로 오차: RPP가 PP 대비 85% 낮음
  - 코너 안전 여유: RPP가 33% 더 큼

→ 속도는 거의 안 줄이면서 안전성과 정밀도를 동시에 향상.

minimum_radius 파라미터 영향

regulated_linear_scaling_min_radius를 0.5m → 1.5m로 변화시키는 실험:

• 값이 작을수록: 적극적 감속, 매우 안전하지만 느림
• 값이 클수록: 감속 거의 없음, 빠르지만 코너 오버슈트 증가
• 기본값 0.9m가 균형점

Limitations — 현장 엔지니어 관점

알고리즘 한계:

1. 차량 동역학 무시: Pure Pursuit 계열 공통 한계. Ackermann 조향(차량형 로봇)에서는 최소 회전 반경 제약이 있는데, 이를 기하학적으로 처리하지 않음. 경로가 "물리적으로 실현 가능한(feasibly drivable)" 형태여야 함.

2. 고속 코너 단축(shortcutting): 급커브에서 경로를 조금씩 단축하는 현상은 남아 있음 (PP, APP 대비 줄었지만 완전히 해결되지 않음).

3. costmap 의존성: 장애물 근접 규제는 costmap 품질에 의존. 센서 노이즈로 costmap이 부정확하면 불필요한 감속 또는 감속 누락.

4. 순수 반응형: 전방 경로를 기반으로 반응하는 로컬 컨트롤러. 복잡한 글로벌 경로 재계획은 global planner에게 위임.

현장 관점:

• nav2에서 즉시 쓸 수 있는 것: nav2_regulated_pure_pursuit_controller 패키지로 바로 사용 가능. 파라미터 3개(min_radius, d_prox, lookahead_time)만 잘 튜닝하면 대부분 환경에서 잘 작동.

• DWB vs RPP 선택: DWB(Dynamic Window Approach)는 동적 장애물에 더 유연하지만 무겁고 설정 복잡. RPP는 가볍고 예측 가능 → 실내 정적 환경, 서비스 로봇에 적합.

• Unitree/이동 로봇: Go2 같은 사족 보행 로봇에 nav2 올릴 때 RPP가 기본 선택지. 단, 사족 보행 특유의 발 미끄러짐을 고려하면 min_lookahead를 좀 더 늘리는 게 경험적으로 좋음.

• 속도 파라미터 우선 튜닝: 필드 배포 시 desired_linear_vel을 낮게 시작(0.2~0.3m/s)해서 안정성 확인 후 올리는 것이 정석. regulated_linear_scaling_min_radius는 환경 복잡도에 맞게.

The Lineage — RPP의 계보

RPP의 위치: 계산 효율과 직관적 파라미터 조정 가능성 덕분에 nav2 배포의 사실상 표준 컨트롤러.

Summary — Key Takeaways

1. Pure Pursuit + 3가지 규제 = 실용적 안전 컨트롤러 — 곡률 규제(코너 감속), 근접 규제(장애물 감속), 선제 충돌 감지(호 투영). 각각 독립적으로 on/off 가능한 모듈형 설계.

2. 속도-조향각 일관성이 핵심 개선 — APP는 감속 후 조향각을 재계산하지 않아 언더슈트 발생. RPP는 규제된 속도로 조향각 계산 → 실제 궤적이 의도한 경로와 일치.

3. 경로 추적 오차 85% 감소 (PP 대비 0.19m → 0.03m) — 안전성 향상이 주행 시간 증가로 이어지지 않음. 올바른 상황에서만 감속하기 때문.

4. nav2 기본 탑재 + 고품질 C++ 구현 — 92% 유닛 테스트 커버리지, production-ready. 직접 구현 없이 YAML 파라미터 튜닝만으로 사용 가능.

5. 로컬 반응형 컨트롤러의 한계는 인정 — 차량 동역학, 고속 단축, 글로벌 재계획은 다른 계층(global planner, MPPI)과 조합해 해결. RPP 단독으로 모든 걸 해결하려 하지 않음 — 그게 오히려 강점.

📚 논문: arXiv:2305.20026

🤖 nav2 소스: GitHub nav2_regulated_pure_pursuit_controller

📖 nav2 공식 문서: Regulated Pure Pursuit — Nav2 Docs

다음 포스트: GR00T — NVIDIA의 휴머노이드 범용 정책