Stanford AA274A Principles of Robotic Autonomy

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Stanford AA274A의 샘플링 기반 모션 플래닝 강의는 구성공간 탐색과 충돌 검사, 경로 품질, 동역학을 고려한 트리 확장을 다룬다.

📌 핵심 요점

1. 구성공간을 샘플링으로 탐색한다. 제공된 자막은 구성공간을 표본 추출 절차로 탐색하는 접근을 설명한다. 샘플링이 어떤 분포를 따르는지도 논의 대상으로 등장한다.
2. 샘플 사이의 연결에는 충돌 여부 확인이 필요하다. 한 샘플에서 다른 샘플로 충돌 없이 이동할 수 있는지를 묻고, 충돌 검사기가 어떻게 작동하는지 다룬다. 초기 구성의 연결도 언급되지만 연결 대상과 절차는 자막이 잘려 있다.
3. PRM의 활용 조건과 표본 선택 방식이 논의된다. PRM, 여러 질의를 처리하는 설정, 결정론적 시퀀스에서의 성능이 등장한다. 다만 각 접근의 비교 결과나 권장 조건은 제공된 단편만으로 확정하기 어렵다.
4. 경로의 실행 가능성과 품질은 별개의 평가 대상이다. 경로 품질이 낮거나 초기 경로에 갇히는 문제와 최적해를 찾는다는 설명이 함께 나온다. 어느 알고리즘에 어떤 보장이 적용되는지는 추가 확인이 필요하다.
5. 동역학을 고려한 확장과 사후 충돌 검사가 등장한다. 무작위로 선택한 제어 입력을 사용해 트리를 확장하고, 생성한 경로에 대해 사후 충돌 검사를 수행하는 설명이 제시된다. 자동차도 관련 예시로 언급된다.

🧩 배경과 문제 정의

• 운동 계획은 로봇을 초기 위치에서 목표 영역까지 이동시키는 행동을 찾는 문제다. 장애물 회피와 시스템 동역학을 고려하며, 비용 함수 최적화도 포함할 수 있다.
• 격자 기반 접근에 이어 연속적인 경로를 다루는 표본 기반 운동 계획을 살펴본다.
• 작업 공간의 장애물을 구성 공간에 명시적으로 표현하기 어렵다는 점이 표본 추출과 충돌 검사를 사용하는 접근의 출발점이다.

🕒 시간순 섹션별 상세정리

1. 작업 공간의 충돌 회피를 구성 공간의 점 경로로 바꾼다

• 충돌 회피 조건은 작업 공간에서 정의되지만 경로 구성은 로봇의 가능한 구성을 나타내는 구성 공간에서 이루어진다. 유니사이클의 구성은 위치 x, y와 방향각으로 이루어진다. [01:37]
• 삼각형 로봇이 수평·수직 이동만 하면 작업 공간과 구성 공간은 모두 2차원이며, 로봇의 한 꼭짓점 좌표로 구성을 나타낼 수 있다. [02:40]

2. 회전과 동역학이 장애물 표현을 복잡하게 만든다

• 삼각형 로봇에 회전을 허용하면 작업 공간은 여전히 2차원이지만 구성 공간은 x, y, 방향각의 3차원이 된다. [04:38]
• 각 방향각에서 장애물 확대를 수행하고 이를 쌓아야 하므로, 평면의 장애물도 구성 공간에서는 복잡한 3차원 형상이 된다. 구성 차원이 늘거나 동역학을 고려하면 이 표현을 만드는 과정이 더욱 어려워진다. [05:04]

3. 명시적 장애물 표현과 암묵적 장애물 표현이 접근을 가른다

• 조합적 계획은 셀 분해 같은 자료구조로 연속 문제를 이산적으로 표현하면서 문제 해결에 필요한 정보를 보존한다. [06:11]
• 셀 분해를 구성하려면 구성 공간의 장애물을 명시적으로 표현해야 하며, 이 요구가 복잡한 문제에서 큰 부담이 된다. [06:39]

4. 표본과 충돌 검사로 자유 공간의 로드맵을 만든다

• 장애물 전체를 구성 공간으로 변환하기는 어렵지만, 특정 구성에 놓인 로봇이 작업 공간의 장애물과 충돌하는지는 충돌 검사기로 판별할 수 있다. [07:27]
• 구성 공간에서 무작위 표본을 추출하고 각 구성의 충돌 여부를 검사한다. 충돌 없는 표본은 유지하고 충돌하는 표본은 버린다. [07:55]

5. 단순한 구현과 넓은 적용 범위가 표본 기반 계획의 장점이다

• 표본 기반 알고리즘은 복잡한 기하 자료구조를 요구하는 셀 분해보다 개념과 구현이 단순하며, 약 50줄의 코드로 구현할 수 있다는 예가 드러난다. [09:38]
• 장애물 표현 방식이나 로봇의 특성에 대한 의존성이 상대적으로 낮다. 기하학적 계획을 넘어 동역학과 환경 불확실성을 고려하는 경우로도 확장할 수 있다. [10:11]

6. 필요한 표본 수와 해의 부재를 확정하기 어렵다

• 구성 공간을 충분히 덮는 데 필요한 표본 수에는 일반적으로 엄밀한 답이 없으므로, 적절한 표본 수를 선택하려면 경험이 필요하다. [10:54]
• 경로가 존재하면 찾을 가능성이 높지만, 경로가 없을 때는 일반적으로 해의 부재를 선언하며 종료하지 않는다. 오래 실행해도 찾지 못했다는 사실만으로 경로가 없음을 보장할 수는 없다. [11:21]

7. 동역학의 고려 여부와 표본 추출 방식이 별도의 쟁점이다

• 기하학적 계획은 동역학을 고려하지 않고 장애물을 피하는 경로를 찾는다. 동역학까지 고려하는 경우는 별도의 운동 계획 문제로 구분된다. [12:19]
• 초기의 표본 기반 알고리즘은 무작위 표본을 사용했지만, 표본 추출이 반드시 무작위여야 하는지와 결정론적으로 수행할 수 있는지도 검토할 문제다. [12:47]

8. PRM은 여러 질의를, RRT는 특정 시작·목표 쌍을 다룬다

• 다중 질의 계획은 여러 시작·목표 쌍의 경로 탐색에 재사용할 자료구조를 만든다. 단일 질의 계획은 특정 시작 구성과 목표 영역에 대한 한 문제를 해결한다. [14:22]
• PRM은 다중 질의 접근의 대표 알고리즘이고, RRT는 단일 질의 접근의 대표 알고리즘이다. 어느 접근이 적합한지는 응용에 따라 달라진다. [15:04]

9. PRM의 노드는 충돌 없는 구성 표본이다

• 구성 공간의 자유 영역과 충돌 영역은 존재하지만, PRM은 그 경계를 명시적으로 알지 못한다. [16:21]
• 각 표본에 해당하는 로봇 자세를 충돌 검사기에 넣고, 충돌하는 표본을 제거한다. 남은 표본들이 자유 구성 공간의 암묵적 표현을 이룬다. [17:16]

10. 이웃 연결 반경은 경로 품질과 계산량을 절충한다

• 각 표본을 반경 r 안의 이웃 표본들과 연결한다. 기하학적 계획에서는 두 표본 사이의 직선을 연결 후보로 삼고 충돌 여부를 확인한다. [18:11]
• 모든 표본 쌍을 연결하면 조밀한 그래프를 얻지만, 각 연결을 여러 구성으로 이산화해 충돌 검사를 수행해야 하므로 계산량이 커진다. [18:57]

11. 시작점과 목표점을 로드맵에 연결해 경로를 탐색한다

• 로드맵을 만든 뒤 시작 구성과 목표 구성을 가까운 표본에 연결하고, 그래프 경로 탐색 알고리즘으로 두 지점 사이의 경로를 찾는다. [20:37]
• 가장 가까운 노드에 연결하면 우회하거나 끊어진 그래프 부분에 연결될 수 있다. 추가 정보가 있으면 연결 노드 선택을 개선할 수 있다. [22:02]

12. 사전 정보와 학습으로 표본 분포를 개선할 수 있다

• 표본 밀도와 분포는 조정할 수 있다. 균일 분포 대신 사전 정보를 활용해 로봇 주변이나 목표 영역 가까이에 더 많은 표본을 배치할 수 있다. [23:05]
• 많은 운동 계획 문제의 결과를 학습해, 작업 공간의 장애물 표현으로부터 구성 공간의 적절한 표본 분포를 예측하는 데이터 기반 접근도 가능하다. [23:54]

13. 경로 일부를 실행한 뒤 빠르게 다시 계획한다

• 계산한 경로의 첫 부분을 실행한 뒤 경로를 다시 계산하는 후퇴 지평 방식이나 반복 최적화 방식으로 운용할 수 있다. [24:51]
• 필요한 재계획 속도는 시스템 동역학에 따라 달라진다. 환경 변화에 대응하기 위한 실행 시간의 경험적 기준으로 200밀리초에서 수 초가 드러난다. [25:20]

14. 충돌 검사는 로봇 형상과 장애물을 작업 공간에서 비교한다

• 충돌 검사는 구성에 해당하는 로봇 자세를 작업 공간에 놓고 로봇 형상과 장애물의 교차 여부를 판별하는 기하학적 문제다. 위치나 관절각으로부터 로봇이 차지하는 형상을 정한다. [25:57]
• 충돌 검사를 위한 라이브러리가 있으므로, 로봇 연구자는 이를 활용하고 계획 알고리즘을 구현할 수 있다. [26:33]

15. 성긴 로드맵의 탐색 실패는 실제 경로의 부재를 뜻하지 않는다

• 경로를 찾지 못하면 표본이 부족한 것인지 실제로 가능한 경로가 없는 것인지 구분할 수 없다. 추가 표본을 뽑아 표현을 더 촘촘하게 만들고 탐색을 반복할 수 있다. [28:06]
• 현재 로드맵에서 시작점의 이웃으로 향하는 연결이 모두 장애물에 막혀도, 이는 현재의 이산화에서 경로를 찾지 못했다는 뜻이다. [28:57]

16. 좁은 공간의 버그 트랩과 PRM의 재사용성

• 버그 트랩은 경로 계획에서 다루기 어려운 상황이며, 로봇 팔이 냉장고에 컵을 넣듯 좁은 공간에서 움직일 때 발생할 수 있다. [30:02]
• PRM은 구현이 쉽고 범용적이며 실용적으로 잘 작동한다. 새로운 출발점과 목표점을 기존 로드맵에 연결할 수 있어 여러 질의에 재사용할 수 있다. [30:23]

17. RRT는 샘플마다 충돌 없는 가지를 추가한다

• RRT는 초기 구성에 뿌리를 둔 경로 트리를 만들고, 구성을 하나씩 샘플링하면서 트리를 확장한다. [30:52]
• 새 샘플에 가장 가까운 트리 정점을 찾아 그 방향으로 확장한다. 지나치게 긴 가지가 비효율적인 경로를 만들 수 있어 보통 전체 거리의 일부만 확장하고, 충돌 없는 간선만 추가한다. [31:41]

18. 단일 질의 구조와 목표 편향

• PRM은 여러 샘플로 로드맵을 일괄 구성하지만 RRT는 샘플마다 트리를 갱신한다. RRT의 트리는 특정 출발점에 묶여 있어 일반적으로 다른 출발점의 질의에 재사용하기 어렵다. [33:16]
• 무작위 샘플링만으로 정확한 목표 구성을 뽑을 확률은 0이므로, 일정 간격으로 목표 자체를 샘플로 선택해 목표 방향으로 확장한다. 20개 샘플마다 목표를 선택하는 방식이 예시다. [34:21]

19. Lazy PRM은 필요한 경로의 충돌만 검사한다

• Lazy PRM은 이웃 샘플을 충돌 검사 없이 연결한 뒤 A*로 후보 경로를 찾는다. 후보 경로의 간선을 검사해 충돌 간선을 제거하고, 유효한 경로가 나올 때까지 탐색을 반복한다. [36:49]
• 충돌 검사를 최종 경로 검증에 필요할 때 수행하면 사용하지 않을 연결에 드는 비용을 줄일 수 있다. 반면 여러 출발점과 목표점에 로드맵을 재사용한다면 사전 검사도 활용될 수 있다. [37:42]

20. 보로노이 편향이 미탐색 영역으로 확장을 유도한다

• RRT는 미리 주어진 모든 정점을 순회하는 방식이 아니라, 새 정점을 샘플링하고 연결하면서 그래프 자체를 점진적으로 만든다. [39:22]
• 트리 정점의 보로노이 셀은 해당 정점이 가장 가까운 영역이다. 트리의 외곽 정점은 셀이 큰 경향이 있어 새 샘플의 최근접 정점으로 선택될 가능성이 높고, 이에 따라 미탐색 영역으로 확장이 집중된다. [39:47]

21. 차원이 증가하면 공간을 덮는 샘플 수가 급증한다

• 경험적 기준으로 2~4차원은 낮은 차원, 4~12차원 정도는 다룰 만한 차원으로 분류되며, 그보다 높은 차원에서는 샘플링 기반 방법도 어려워진다. [41:58]
• 각 좌표 방향의 양쪽 영역에 샘플을 배치하는 단순한 예에서도 2차원은 4개, 3차원은 8개, 4차원은 16개가 필요하다. 공간을 대략적으로 덮는 데 필요한 샘플 수가 차원에 따라 지수적으로 증가한다. [42:19]

22. 실행 가능한 경로의 보장은 점근적이다

• 일반적으로 유한 시간 안에 해를 찾는다는 이론적 보장은 없으며, 보장은 샘플 수가 무한대로 증가하는 점근적 상황에 관한 것이다. [44:27]
• 고정 연결 반경을 사용하는 PRM은 실행 가능한 해가 존재할 때 샘플 수가 증가할수록 해를 찾지 못할 확률이 0으로 수렴한다. [44:48]

23. 기본 RRT는 샘플을 늘려도 비효율적인 경로를 남길 수 있다

• RRT 경로는 지그재그가 많아 비용이 커질 수 있다. 일부 문제에서는 최적 비용과 일정한 비율 차이가 나는 긴 경로를 선택할 확률이 무시할 수 없는 수준으로 남는다. [45:39]
• 이 한계는 샘플 수가 무한대로 증가할 때 실행 가능한 해뿐 아니라 최적해로 수렴하도록 알고리즘의 추가 조건을 찾는 연구로 이어졌다. [46:37]

24. 연결 반경은 계산량과 최적성의 균형을 결정한다

• 처음 제시된 최적성 조건은 PRM의 연결 반경을 (log n / n)^(1/d) 규모로 정하는 것이다. 여기서 n은 샘플 수이고 d는 공간 차원이다. [47:05]
• 샘플 수가 증가하면 반경을 줄여 비싼 연결 연산을 제한한다. 이 스케일은 이웃 수를 대략 log n 수준으로 유지해 계산량과 로드맵 연결성을 절충한다. [47:32]

25. RRT*의 재연결과 PRM·RRT의 품질 및 속도 차이

• RRT*는 일부 간선을 국소적으로 재연결해 지그재그 경로를 곧게 만들고 점근적 최적성을 얻는다. 기본 RRT의 지그재그는 샘플 수를 늘리는 것만으로 사라지지 않는다. [49:13]
• PRM과 RRT 모두 비교적 작은 알고리즘 변경으로 최적 변형을 만들 수 있으며, 최적성 보장은 점근적 수렴에 관한 것이다. [50:02]

26. FMT*는 도달 비용으로 연결을 고르고 충돌 검사를 줄인다

• FMT*는 PRM의 경로 품질과 RRT의 계산 속도를 함께 얻는 것을 목표로 한다. 새 정점의 부모는 기존 정점까지의 도달 비용과 새 정점까지의 연결 비용 합이 가장 작은 후보로 선택한다. [51:20]
• 부모를 고를 때 마지막 연결의 충돌을 일단 무시하고, 선택한 간선 하나만 검사한다. 그 간선이 충돌하면 다른 부모를 검사하지 않고 해당 샘플을 건너뛰어 샘플당 충돌 검사를 하나로 제한한다. [52:47]

27. 충돌 검사와 최근접 이웃 탐색이 주요 병목이다

• 샘플링 기반 계획은 작업 공간의 장애물을 암묵적으로 다루고, 전체 경로 계산을 가까운 두 샘플을 연결하는 작은 문제들로 바꾼다. [54:46]
• 충돌 검사는 시간이 많이 드는 주요 병목이다. 기존 라이브러리를 활용할 수 있어도 전체 계획에서 차지하는 계산 비용을 고려해야 한다. [55:14]

28. 여러 로봇을 계획하면 충돌 조건과 공간 차원이 늘어난다

• 한 로봇의 후보 경로들은 서로 대안이므로, 후보 경로끼리 교차한다고 해서 로봇 간 충돌이 발생하는 것은 아니다. [56:11]
• 여러 로봇을 함께 계획할 때는 서로 다른 로봇의 궤적 사이 충돌을 고려해야 한다. 각 로봇의 구성 변수가 추가되면서 전체 구성 공간이 빠르게 커져 문제가 복잡해진다. [56:21]

29. 비균일 샘플링은 사전 정보나 학습을 활용한다

• 실제 샘플링은 흔히 비균일하게 수행한다. 로봇 가까이 더 많이 샘플링하거나 장애물 위치에 대한 사전 정보를 이용해 분포를 정할 수 있다. [57:02]
• 데이터 기반 방법으로 비균일 샘플링 분포를 학습하는 접근도 사용된다. [57:20]

30. 동역학 제약을 반영하는 RRT의 순방향 전파

• 동역학 제약을 포함한 계획은 장애물 회피와 비용뿐 아니라 시스템이 허용하는 운동도 만족해야 한다. 자동차가 옆으로 직접 이동할 수 없듯 각 구성에서 가능한 속도 방향이 제한된다. [57:43]
• 순방향 전파 방식은 동역학을 앞으로 전파하는 연산을 이용해 경로를 확장한다. 동역학 제약이 있으면 샘플 사이 경로는 직선 대신 곡선이 될 수 있다. [58:43]

31. 허용 제어와 동역학 적분으로 트리를 확장한다

• 기존 표본을 초기 상태로 두고, 무작위로 선택한 제어 입력에 대해 동역학 방정식을 일정 시간 전방 적분한다. 적분이 끝난 상태가 새 표본이 된다. [1:00:15]
• 제어 입력은 해당 상태에서 사용 가능한 제어 집합 안에서 선택하며, 제어와 적분 시간 구간을 무작위로 정해 트리를 확장한다. [1:01:22]

32. 무작위 전방 확장은 단순하지만 비효율적인 기준 방법이다

• 무작위 제어가 목표 방향으로 이어진다는 보장은 없다. 많은 노드를 생성하며 유용한 움직임을 찾는 방식은 문제에 대한 사전 지식을 활용하지 못해 낭비가 크다. [1:01:57]
• 동역학이나 문제 구조가 매우 복잡할 때는 단순한 전방 확장이 구현 가능한 기준 방법이 되지만, 시스템 특성을 활용할 수 있다면 더 효율적인 연결을 구할 수 있다. [1:02:25]

33. 궤적 최적화로 표본을 연결하고 충돌을 검사한다

• 무작위 제어를 선택하는 대신 두 표본을 최적으로 연결하는 궤적 최적화 문제를 풀면 목표에 더 직접적으로 접근하고 불필요한 제어 탐색을 줄일 수 있다. [1:03:17]
• 궤적 최적화는 전방 적분보다 계산 부담이 크다. 시스템에 따라 해석적 계산이나 미분 평탄성을 활용할 수 있지만, 복잡한 경우에는 본격적인 최적 제어 기법이 필요하다. [1:03:37]

34. 이웃 탐색은 거리 반경 대신 도달 가능 집합을 사용한다

• 동역학 제약을 반영한 PRM이나 FMT*에서는 표본 사이를 직선 대신 동역학에 맞는 궤적으로 연결하고, 이웃을 찾을 때도 도달 가능성을 고려한다. [1:05:24]
• 도달 가능 집합은 주어진 시간 안에 도달할 수 있는 상태들의 집합이다. 자동차는 측면 이동에 여러 움직임을 조합해야 하므로 같은 시간 동안 전방보다 측면으로 이동할 수 있는 거리가 짧다. [1:06:28]

35. 사전 계산과 장애물 처리의 분리로 계산 부담을 줄인다

• 사전 계산 등을 활용해 표본 간 궤적을 빠르게 구하면 동역학 제약이 있는 계획도 빠르게 실행할 수 있다. 이중 적분기 모델을 사용하는 3차원 계획 문제에서는 약 50밀리초에 해결하는 예가 드러난다. [1:08:39]
• 도달 가능 집합은 시스템에 따라 해석적으로 또는 수치적으로 계산할 수 있으며, 대표적인 여러 시스템에 대해서는 계산 방법이 알려져 있다. [1:09:14]

36. 결정론적 표본은 인증과 사전 계산 재사용에 유리하다

• PRM과 RRT가 반드시 무작위 표본열에 의존해야 하는지는 안전이 중요한 시스템에서 의미 있는 문제다. 결정론적 표본열을 사용할 수 있다면 확률적 보장에 의존하는 경우보다 인증 절차를 쉽게 만들 수 있다. [1:11:49]
• 같은 로드맵을 재사용하면 표본 간 연결 문제와 도달 가능 집합에 대한 사전 계산을 활용할 수 있다. 결정론적 구조는 최근접 이웃 탐색 같은 연산도 단순화할 수 있다. [1:12:25]

37. 낮은 L2 분산도가 공간을 고르게 덮는 표본을 만든다

• L2 분산도는 공간의 각 지점에서 가장 가까운 표본까지의 거리 중 최댓값으로 정의된다. 표본을 포함하지 않는 가장 큰 빈 공의 반지름으로도 이해할 수 있다. [1:12:55]
• 표본이 한곳에 몰리면 큰 빈 영역이 남아 분산도가 커진다. 운동 계획에서는 낮은 분산도의 표본 집합이 환경을 더 고르게 덮는다. [1:13:20]

38. PRM의 최적성은 무작위성보다 표본 배치와 연결 조건에 달려 있다

• PRM의 주요 선택 요소는 구성 공간에 표본을 배치하는 방식과 표본들을 연결하는 반경이다. [1:15:00]
• 점근적으로 최적인 분산도 감소율을 갖는 표본열을 사용하고 연결 반경을 지나치게 빠르게 줄이지 않으면, PRM은 최적 경로로 결정론적으로 수렴할 수 있다. [1:15:24]

39. 결정론적 표본은 실험 성능과 수렴 보장에서도 이점을 보인다

• 2차원부터 8차원까지의 여러 계획 문제와 동역학 제약을 포함한 시스템에서 PRM을 비교한 실험에서는 결정론적 표본열이 무작위 표본열보다 우수한 성능을 보이는 경향이 나타난다. [1:16:39]
• 결정론적 표본열에 대해서는 정해진 최적성 격차 안의 해를 얻는 데 필요한 표본 수를 설명하는 수렴률 보장도 제공할 수 있다. 더 작은 연결 반경으로 점근적 최적성을 달성하면 연결 계산을 줄일 수 있다. [1:17:21]

40. 다음 학습 범위는 로봇 센서와 카메라 기반 인식이다

• 다음 모듈은 로봇 인식을 다룬다. 로봇에 사용할 수 있는 센서를 개괄한 뒤 카메라 모델링, 영상 데이터 처리, 특징 추출과 의미 정보 추출로 계속된다. [1:18:26]

🧾 결론

• 강의의 중심은 구성공간에서 샘플을 만들고, 연결 가능성을 확인하며 경로를 탐색하는 샘플링 기반 모션 플래닝이다.
• 충돌 없는 연결, 경로 품질, 최적해 보장, 동역학 반영은 각각 확인해야 할 평가 항목으로 읽을 수 있다.
• 제공된 자료는 자막 단편이므로 알고리즘별 성능 우열이나 최적성 조건을 단정하는 요약에는 근거가 부족하다.

📈 투자·시사 포인트

• 로봇 자율성 기술을 검토할 때는 경로 생성 여부와 함께 충돌 검사 방식, 경로 품질, 동역학 반영 여부를 확인하는 관점이 유용하다.
• 반복적으로 경로를 요청하는 사용 환경에서는 강의에 등장하는 다중 질의 설정을 검토 항목으로 삼을 수 있다. 성능상 이점은 별도 검증이 필요하다.
• 기업이나 제품의 최적 경로 주장을 평가할 때는 적용 알고리즘과 보장 조건을 확인해야 한다. 이 자료에는 기업별 경쟁력, 시장 규모, 수익성 판단 근거가 없다.

⚠️ 불확실하거나 확인이 필요한 부분

• 자막에 등장하는 ‘RT’, ‘PM’, ‘Laval’, ‘physibility’ 등은 표기 오류나 잘린 발화일 가능성이 있다. 정확한 알고리즘명, 인명, 용어는 원영상이나 강의 자료로 확인해야 한다.
• 최적해를 찾는다는 설명은 있지만 알고리즘명, 필요한 가정, 표본 수와 관련된 조건이 제공된 구간에 충분히 담겨 있지 않다.
• PRM의 결정론적 시퀀스 성능, 샘플링 분포, 다중 질의 설정은 언급만 확인된다. 구체적인 비교 결과와 구현 절차는 확인되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 12:53~13:08과 18:22~18:37의 원영상 설명을 확인해 구성공간 샘플링과 충돌 없는 연결의 정의를 정리한다.
• 35:31과 45:55 전후를 확인해 ‘RT’가 가리키는 알고리즘과 경로 품질 설명의 대상을 식별한다.
• 48:25~48:40 전후에서 최적해 보장의 적용 대상과 조건을 확인한다.
• 1:01:40~1:04:23에서 제어 입력 선택, 트리 확장, 사후 충돌 검사의 관계를 확인한다.

❓ 열린 질문

• 샘플링 분포와 결정론적 시퀀스 선택은 경로 탐색 성능에 어떤 차이를 만드는가?
• 최적해 보장은 어떤 알고리즘과 가정 아래 성립하는가?
• 동역학을 반영해 트리를 확장할 때 충돌 검사와 경로 품질 평가는 어떻게 결합되는가?