로봇 떼는 경기장 모양을 어떻게 ‘들을’까

핵심: 한 대의 로봇이 경기장 지도를 만들지 않아도, 로봇끼리 정보를 주고받으며 퍼뜨리는 속도에서 군집의 연결 구조를 읽을 수 있다. 이 연구는 그 속도를 라플라시안의 두 번째 고유값으로 추정해 원판과 고리형 경기장을 구별했다. 다만 여기서 말하는 ‘모양 인식’은 정해진 후보 중 고르는 실험실 분류다. 임의의 공간을 복원하거나 알아서 새 모양을 발견한 것은 아니다.

이 해설은 2026년 10월 22일 갱신된 공개 저자 원고(arXiv:2403.17147v2)의 내용을 기준으로 한다. 논문은 전날 Science Robotics에 출판됐지만 출판사 최종본 전문은 확인하지 못했다. 아래 도판 번호와 설명은 저자 원고 기준이며, 최종본과의 문구·배치 비교는 하지 않았다.

#지도를 만들지 않고 모양을 묻는 문제

보통 로봇이 공간을 파악하려면 카메라나 거리 센서로 주변을 측정하고, 위치를 추정해 지도를 만들거나, 벽을 감지한다. 이런 방식은 센서와 계산, 좌표 정합을 요구한다. 반면 작은 군집 로봇은 위치나 방향을 모르는 경우가 많다. 이 연구의 질문은 더 소박하면서도 까다롭다. 각 로봇이 가까운 이웃하고만 통신할 때, 군집 전체가 놓인 공간의 모양을 집단적으로 구분할 수 있을까?

연구팀은 원판과 가운데가 비어 있는 고리형을 대표 비교 대상으로 삼았다. 로봇 한 대의 시야만 보면 둘 사이의 차이가 작을 수 있지만, 가운데 구멍과 경계는 군집 전체의 이웃 연결을 바꾼다. 연구는 경계선을 직접 찾지 않는다. 로봇끼리 연결된 관계가 만드는 그래프에서 정보가 얼마나 빠르게 퍼지는지를 측정한다.

#먼저 그래프와 ‘연결성 점수’를 익히기

로봇 한 대를 그래프의 노드, 서로 통신할 수 있는 로봇 쌍을 간선이라고 부르면 군집의 통신 관계를 그래프로 나타낼 수 있다. 이 그래프의 라플라시안은 각 노드의 이웃 수와 연결 관계를 행렬로 묶은 값이다. 이 글에서 사용하는 기본 형태는 $\mathbf{L}=\mathbf{D}-\mathbf{A}$다. $\mathbf{A}$는 이웃이면 1, 아니면 0인 인접 행렬이고, $\mathbf{D}$는 각 로봇의 이웃 수를 대각선에 기록한 행렬이다.

라플라시안의 고유값은 연결된 그래프에서 $0=\lambda_1\leq\lambda_2\leq\lambda_3\leq\cdots$ 순서로 놓인다. 두 번째 값 $\lambda_2$는 대수적 연결도라고 부른다. $\lambda_2=0$이면 통신 그래프가 여러 조각으로 끊겼고, 양수면 연결되어 있다. 연결됐더라도 값이 작으면 일부 구간을 넘어 정보가 오가기 어렵다는 뜻이다. 고리의 좁은 통로처럼 정보 흐름을 늦추는 병목이 생기면 이 값이 작아질 수 있다.

이 값이 공간의 모양을 완벽히 고유하게 알려주는 것은 아니다. 연구가 활용하는 생각은 더 제한적이다. 같은 실험 조건에서 원판과 고리형처럼 선택한 후보들의 $\lambda_2$ 추정값이 구별될 만큼 다르면, 그 값으로 미리 정한 후보를 분류할 수 있다. 논문도 $\lambda_2$ 하나만으로 임의의 형상을 복원하지는 못한다고 논의한다.

그림의 글자가 작다면 원본 크게 보기 · 새 탭

#로봇은 어떻게 감쇠율을 측정하나

먼저 로봇마다 내부 숫자 상태를 갖게 한다. 논문의 수학적 설명에서는 상태를 양수·음수 값으로 초기화하고 평균을 0으로 두는 조건을 사용한다. 실제 알고리즘 설명에는 초기 상태에서 평균 성분을 제거하기 위한 사전 확산 단계가 나온다. 두 표현의 공통 목적은 모든 로봇이 같은 값으로 수렴하는 첫 번째 모드를 떼어내는 것이다. 특정 실험에서 로봇을 실제로 어떻게 배치했는지는 이 계산 절차와 구분해야 한다.

그 다음 각 로봇은 이웃과 상태 차이를 주고받는다. 이웃과 값이 크게 다르면 더 많이 보정하고, 서로 비슷해지면 조금만 바뀐다. 반복할수록 정보가 군집을 따라 번진다. 여러 연결 패턴이 섞여 있던 상태 가운데 빠르게 사라지는 성분들이 먼저 약해지고, 충분한 시간이 지나면 두 번째 고유모드가 상대적으로 두드러진다. 이 모드의 부호는 군집을 두 구역으로 가르는 패턴으로 나타난다.

마지막 단계에서 각 로봇은 자기 상태의 절댓값이 줄어드는 속도를 로그 좌표에서 직선으로 맞춘다. 이 직선의 기울기는 그래프의 $\lambda_2$에 연결된다. 로봇들은 각자 얻은 값을 이웃에게 전하고 평균화해 군집의 추정값을 맞춘다. 논문의 분류 단계는 이 추정치를 미리 정한 형상별 기준값과 비교하고 LED 색으로 표시하는 방식이다. 따라서 분산된 계산은 스펙트럼 값 추정에 있고, 그 값을 ‘원판’이나 ‘고리형’ 같은 이름으로 바꾸는 것은 사전에 정의한 분류 규칙이다.

#수식이 말하는 것과 조건

로봇 i의 상태를 sᵢⁿ, 이웃 j의 상태를 sⱼⁿ, 통신 연결을 Aᵢⱼ라 하자. 첫 식은 각 로봇이 이웃과의 차이를 모아 한 번 갱신하는 규칙이다. 다음 식은 같은 규칙을 그래프 라플라시안 L = D − A로 묶어 쓴다. 상태와 인접 여부, 무가중 그래프 라플라시안은 무차원이고, c = 1 s⁻¹, 갱신 간격 τ는 초 단위다.

#두 로봇으로 한 번 계산해 보기

로봇 두 대만 한 간선으로 연결돼 있고, 현재 상태가 각각 1과 −1이라고 하자. 두 상태는 무차원이다. 식을 따라가기 위한 가상 예제로 c = 1 s⁻¹, 갱신 간격 τ = 0.1 s를 택하면 cτ = 0.1이다. 두 로봇은 이전 단계의 값을 기준으로 동시에 갱신한다.

• 첫 로봇: 1 + 0.1 × (−1 − 1) = 0.8
• 둘째 로봇: −1 + 0.1 × (1 − (−1)) = −0.8

두 값의 평균은 여전히 0이지만 차이는 2에서 1.6으로 줄었다. 이웃과의 차이를 조금씩 반영한다는 말이 바로 이 계산이다. 연결은 양방향이고 가중치는 1로 뒀다. cτ도 무차원이므로 상태값에 더하는 항의 차원이 맞는다. 이 수치와 갱신 간격은 논문의 실험 설정이나 측정값이 아니며, 한 단계의 계산만으로 일반적인 수렴이나 형상 분류를 입증하지는 않는다.

작은 cτ에서 반복 갱신은 연속 시간 확산의 행렬 지수로 근사할 수 있다. 이 행렬 지수는 초기 상태의 각 고유모드가 시간에 따라 얼마나 줄어드는지를 한 번에 표현한다.

대칭 라플라시안에서는 초기 상태를 서로 직교하는 고유모드의 합으로 나눌 수 있다. 각 모드의 크기는 그 모드의 고유값에 따라 다른 속도로 줄어든다. 그래서 감쇠 기록 안에 연결 구조에 관한 정보가 남는다.

초기 평균 성분을 제거하고 충분히 기다리면 빠른 고차 모드가 먼저 작아져, 두 번째 모드가 상대적으로 드러난다. 이때의 식은 처음부터 성립하는 항등식이 아니라 과도 구간 뒤의 근사다. 초기 상태가 두 번째 모드와 거의 직교하면 이를 충분히 관측하기 어렵다.

마지막으로 각 로봇은 자기 상태 크기의 로그를 시간에 따라 맞춘다. 식 (6)은 그 직선의 기울기가 −λ₂가 되도록 시간축을 ṫ = ncτ로 스케일한 관계다.

λ₂ = 0이면 그래프가 끊겨 있고, 양수면 연결되어 있다. 다만 값 하나가 공간 모양을 유일하게 결정하지는 않는다. 연구의 분류는 이 추정값을 미리 정한 원판·고리형 기준과 대조하는 제한된 과제.

#두 로봇 플랫폼과 시뮬레이션을 나누어 읽기

저자 원고 v2는 킬로봇과 포고봇을 모두 다룬다. 킬로봇은 통신 대역폭이 낮고, 포고봇은 더 빠른 적외선 통신과 높은 계산 능력을 갖는다. 논문은 킬로봇의 메시지 송신이 초당 최대 2회(각 9바이트)이며 실제 충돌을 고려하면 유효 전송량은 초당 약 5바이트라고 설명한다. 포고봇은 조건에 따라 초당 최대 120회, 메시지당 20–100바이트를 보낼 수 있고, 통신 거리도 최대 135mm(중심 간)로 제시된다. 두 플랫폼의 차이는 연구 결과를 단순히 “같은 로봇으로 재현했다”고 묶을 수 없게 한다.

시뮬레이션에서는 킬로봇 모델에 Kilombo, 포고봇 모델에 Pogosim을 각각 사용했다. 논문은 해당 플랫폼의 같은 C 코드를 시뮬레이터와 실제 기기에 공통 사용했다고 보고한다. 이는 두 구현이 동일한 시뮬레이터라는 뜻은 아니다. 각 시뮬레이터는 충돌 물리와 통신 손실, 센서·모터 편향을 모델링한다. 처리 시간은 본문에서 포고봇 약 5분, 킬로봇 약 79분(사전 확산 포함)으로 제시하지만 SI 3.6은 각각 약 3분과 약 1시간으로 적는다. 두 서술 모두 포고봇이 빠르다는 방향은 같지만, 분 단위 수치가 달라 여기서는 하나로 단정하지 않는다.

실물 비교의 주된 형상은 원판과 고리형이고, 로봇은 플랫폼별 25대다. 본문은 각 형상에서 15회 실험을 보고한다. 실험 시작 시 로봇이 잘 분포하도록 배치했다고 본문은 설명한다. 보충자료의 별도 킬로봇 시뮬레이션 비교에서는 무작위 배치와 균일 배치를 나누고, 사람이 시작 전에 고르게 놓는 방식이 킬로봇 실험에서 가능하다고 설명한다. 이것은 논문이 연구한 일반 알고리즘의 run-and-tumble 분산 단계와 구별해야 한다. 알고리즘은 각 확산 세션 동안 로봇을 멈추고, 반복 단계의 짧은 이동은 이웃 그래프를 바꾸는 용도로 둔다. 또한 Figure 6 시간 경과 화면은 사전 확산 구간을 생략한다고 캡션에 적혀 있다.

실험 성공률을 구별하면 킬로봇은 두 형상 합계 30회 중 22회를 맞혀 73%, 포고봇은 30회 모두 맞혀 100%였다. 해당 조건의 시뮬레이션은 킬로봇 95%, 포고봇 100%로 보고됐다. 이 네 수치는 분류 정확도다. 이와 별도로 저자 원고 Figure 5는 정규화한 $\lambda_2$ 추정값의 분포를 보여준다. Figure 5의 각 조건은 형상별 64회 시뮬레이션 또는 15회 실험이며, 한 점은 25대 로봇의 추정치를 평균한 한 회차 값이다. 평균·범위와 통계 비교가 제시되지만, 이는 Figure 6의 혼동행렬과 다른 분석이다.

플랫폼별 경기장 넓이도 달랐다. 캡션은 킬로봇 약 70,000mm², 포고봇 약 150,000mm²이며 로봇 밀도는 대략 비슷하다고 적는다. 따라서 실험 성능 차이를 로봇 종류 하나의 영향으로만 해석할 수 없다. 통신 속도, 센서 범위, 면적, 구현, 배치가 함께 달라진다.

그림의 글자가 작다면 원본 크게 보기 · 새 탭

그림의 글자가 작다면 원본 크게 보기 · 새 탭

#로봇 수와 통신 범위도 답의 일부다

논문은 로봇 수 $N$, 통신 범위 $\sigma$, 경기장 면적 $S$ 사이의 관계를 시뮬레이션에서 조사했다. 한 로봇이 반경 $\sigma$ 안에서 덮는 면적을 단순히 $\pi\sigma^2$로 두고, 전체 덮임 정도를 다음 비율로 정의한다.

저자들은 7개 형상, 50–500대 로봇, 30–320mm 통신 범위의 시뮬레이션에서 좋은 설정이 대체로 $\alpha\approx17$ 근처에 놓였다고 보고한다. 다만 SI Table S5와 S6는 sim-large-7의 로봇 수 범위를 50–550대로 적어, 본문과 보충자료의 상한이 일치하지 않는다. 이는 경험적으로 찾은 설정의 관계이지, 모든 군집·센서·공간에 통용되는 보편 상수가 아니다. $\alpha$가 너무 작으면 그래프가 여러 연결 성분으로 끊기고, 너무 크면 각 로봇의 이웃이 지나치게 많아져 형상 차이가 흐려지거나 명시적 오일러 갱신의 수치 불안정이 나타날 수 있다. 본문은 경계 사례로 $\alpha=7.5$와 $\alpha=32$ 부근을 논의한다. 평균 이웃 수가 25를 넘으면 수렴하지 않는 설정도 보고한다.

특히 Figure 4는 “잘 맞힌 경우만” 그린 그림이 아니다. 캡션상 정확도는 확산이 수렴한 시뮬레이션만 표시했고, 알고리즘 불안정이 50%를 넘는 칸은 비워 두었다. 좋은 점수와 수렴 불능을 함께 읽어야 한다. 7개 형상 시뮬레이션에서 충분히 잘 연결된 r1 설정은 100%, 중간 r3 설정은 86%로 보고됐다. 모양별 $\lambda_2$가 비슷하면 여러 반복이 필요하고, 논문은 원판과 정사각형을 구분하는 예에서 약 20회 반복이 필요하다고 쓴다. 이 시뮬레이션 수치를 실물 두 형상 실험의 정확도와 섞으면 안 된다.

연속 공간의 라플라시안 고유값은 길이 척도에 따라 달라지고, 논문은 연속 값이 길이의 제곱에 반비례해 스케일된다고 설명한다. 반면 실험의 무가중 그래프 라플라시안은 로봇 간 연결을 세는 이산 객체다. 서로 다른 표현을 정규화해 비교할 수는 있지만, 단위와 계산 대상이 처음부터 동일한 것은 아니다.

#단순한 대안과 비교한 범위

보충자료는 포고봇 25대, 3개 형상, 형상별 64회 시뮬레이션을 대상으로 세 가지 간단한 기준선과 비교한다. 첫째 평균 차수는 로봇별 이웃 수를 구해 합의 평균을 만들고 이를 분류 특징으로 쓴다. 둘째 차수 통계는 이웃 수의 평균·분산·25백분위수·75백분위수를 모아 기준 중심점과의 거리를 비교한다. 셋째 수렴 시간은 상태 확산이 평탄해지는 데 걸린 시간을 국소적으로 판정해 이웃 평균으로 합친다. 세 방식 모두 벽 감지 같은 외부 센서 없이 로봇 간 통신만 사용하도록 구성됐다.

비교는 시뮬레이션에 한정되어 있고, 초기 배치도 완전 무작위와 Lloyd 방식으로 고르게 만든 배치를 따로 본다. 세 번 반복한 3형상 과제에서 저자들은 평균 차수·차수 통계가 형상 정보를 일부 담지만 SSR보다 낮았다고 보고한다. 단순 수렴시간 기준은 성능이 더 낮았다. 이는 특정 초기 배치와 포고봇 시뮬레이션 범위의 비교다. 이 결과가 모든 형상·하드웨어에서 스펙트럼 방식이 우월함을 증명하지는 않는다.

#실패와 안정성: 무엇이 흔들리나

수학적 설명은 라플라시안이 대칭이고 그래프가 연결된 경우에 기대는 부분이 있다. 실제 적외선 통신은 충돌·수신율 차이·환경 영향 때문에 한쪽 로봇은 다른 쪽에 닿지만 반대 방향은 그렇지 않은 비대칭을 만들 수 있다. 저자들은 이를 줄이기 위해 서로 메시지를 주고받는 이웃을 확인하는 핸드셰이크를 둔다. 하지만 짧은 기간만 통신이 끊기는 비대칭까지 모두 제거하지는 못한다고 보충자료에서 설명한다.

또 모든 로봇이 확산 단계를 비슷한 시간에 수행해야 한다. 킬로봇은 내부 시간 카운터를 맞추고, 실험마다 배터리를 완충해 클록 차이를 줄였다고 적혀 있다. 상태가 0에 가까울 때 계산 오차가 퍼지거나, 비대칭·시간 지연으로 확산이 수렴 후 다시 흐트러질 수도 있다. 로봇은 각 시점의 선형 회귀 오차도 계산하고, 구간별 MSE가 가장 낮은 추정값을 채택한다. 따라서 그림의 분할 장면 하나만 보고 모든 회차가 안정적으로 수렴했다고 결론 낼 수 없다.

보충자료의 시간 드리프트 결과는 포고봇 시뮬레이션에서 시험한 설정이다. 작은 드리프트 조건에서는 보고된 정확도가 유지됐지만, 100ms 규모 조건에서는 시간 재동기화가 여러 확산 단계를 건너뛰어 알고리즘이 작동하지 않았다고 설명한다. 이 수치는 실물 포고봇에서 같은 고장을 관찰했다는 뜻이 아니다. 통신 잡음과 보유시간(max age)도 별도의 시뮬레이션 매개변수로 시험했다.

또한 물리 로봇은 확산 계산 동안 멈춰 있고, 일부 시뮬레이션·실험 설정은 사전에 로봇을 비교적 고르게 배치한다. 계속 이동하는 군집, 비동기 로봇, 장애물이 있는 미지 환경에서 같은 품질을 낸다고 입증된 것은 아니다. 한 개의 고유값만 쓰므로 서로 스펙트럼이 닮은 공간을 구분하는 데도 한계가 있다.

#성과를 어디까지 말할 수 있나

이번 결과는 로봇들이 직접 지도를 공유하거나 중앙 컴퓨터에 전체 위치를 전송하지 않고, 이웃 간 상태 갱신만으로 군집의 전역 연결 정보를 추정할 수 있다는 실험실 개념증명이다. 논문은 7개 공간의 대규모 시뮬레이션과 두 플랫폼의 원판·고리 실험을 제시한다. 이는 분산형 감지의 가능성을 보이는 일이지, 임의의 경기장을 자동으로 이해하거나 현장 제품으로 운용한다는 증거는 아니다.

다음 단계에서 중요한 질문은 더 큰 실물 군집에서도 계산이 안정적인지, 이동과 통신 손실이 계속되는 동안 값이 유지되는지, 서로 비슷한 형상에서 어디까지 구별할 수 있는지다. 연구팀은 더 많은 고유값을 사용하거나 동적 그래프에서 스펙트럼을 추정하는 방향을 논의하지만, 그 방식은 이 논문에서 실증한 결과가 아니다.

#직접 확인해 보기

같은 두 로봇 예제에서 (0.8, −0.8)을 한 번 더 갱신하면 얼마가 될까? 이 계산만으로 경기장 모양을 알아냈다고 말할 수 있을까?

#출처와 검토 범위

• Cazenille, L. 외, “Hearing the shape of an arena with spectral swarm robotics,” Science Robotics 11(119), eadr9578 (2026), DOI: 10.1126/scirobotics.adr9578. 출판 메타데이터는 Crossmark·PubMed에서 확인했으며 VOR 전문은 확인하지 못했다.
• arXiv:2403.17147v2 저자 원고, 개정 2026-10-22. 이 글의 Methods·Results·그림 설명과 선택된 보충자료 범위의 주된 근거다.
• 보충영상 자료, Figshare DOI 10.6084/m9.figshare.31074412.v2, CC BY 4.0. 영상 SI1은 킬로봇, SI4는 포고봇 실험이다. 본문 두 정지 프레임은 각 영상의 00:30에서 추출했다.
• 코드 자료, Figshare DOI 10.6084/m9.figshare.33963613.v1, 메타데이터는 CC BY 4.0으로 표시한다. 이 글에서는 코드를 실행하거나 분석하지 않았다.