Development of a Deep Learning-Driven Control Framework for Exoskeleton Robots

논문 요약: 딥러닝 기반 엑소스켈레톤 로봇 제어 프레임워크 개발

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 엑소스켈레톤 로봇은 인간의 운동 능력을 증강하고 재활을 지원하며 이동 장애인의 삶의 질을 향상시키는 잠재력을 가지고 있습니다.
• 문제점: 기존 모델 기반 제어 (Model-based Control) 는 로봇의 비선형 동역학 (중력, 코리올리 힘, 원심력, 마찰 등) 을 명시적으로 계산하여 보상하는 방식입니다. 그러나 자유도 (DOF) 가 증가할수록 동역학 모델이 복잡해지고, 실시간 제어에 필요한 계산 부하가 급격히 증가합니다.
• 제약 사항: 다중 코어 CPU 나 GPU 를 사용하더라도 동역학 방정식의 순차적 구조로 인해 병렬 처리 효율이 낮아 실시간 실행 속도를 높이는 데 한계가 있습니다. 또한, 정확한 동역학 모델의 구축은 어렵고 파라미터 변화에 민감합니다.

2. 연구 방법론 (Methodology)

이 연구는 계산 효율성이 높은 딥러닝 기반의 하이브리드 제어 프레임워크를 제안하며, 다음과 같은 단계로 수행되었습니다.

• 동역학 모델링:
  • 7 자유도 (DOF) 인간 하체 엑소스켈레톤 로봇의 동역학을 라그랑주 (Lagrange) 에너지 법칙을 사용하여 모델링했습니다.
  • 수정된 D-H (Denavit-Hartenberg) 파라미터를 사용하여 기구학적 모델을 구성하고, 관성 행렬, 코리올리/원심력 항, 중력 항을 포함한 동역학 방정식을 유도했습니다.
  • Coulomb, Viscous, Stribeck 효과를 포함한 정교한 마찰 모델을 통합하여 물리적 현실성을 높였습니다.
• 데이터 생성 및 학습:
  • 물리 기반 데이터 생성: 계산 토크 (Computed Torque) 제어기를 사용하여 다양한 관절 궤적 (순차적 및 동시 운동), 다양한 사용자 체중/키 조합에 대한 시뮬레이션을 수행했습니다.
  • 데이터셋: 총 4,356,088 개의 데이터 샘플을 생성하여 학습에 사용했습니다. 입력 변수는 7 개의 관절 위치, 속도, 가속도 및 사용자 키/체중 (총 23 개), 출력은 7 개의 관절 토크입니다.
• 딥러닝 아키텍처 설계:
  • 구조: 4 층 구조의 심층 신경망 (DNN) 을 설계했습니다. (입력층 - 3 개의 은닉층 - 출력층).
  • 네트워크 크기: 은닉층의 뉴런 수는 각각 21, 14, 7 개로 구성되었으며, 총 49 개의 뉴런과 224 개의 학습 가능한 파라미터를 가집니다.
  • 활성화 함수: 은닉층에는 비선형성을 위한 하이퍼볼릭 탄젠트 (tanh) 함수를, 출력층에는 연속 토크 예측을 위한 선형 (linear) 함수를 사용했습니다.
  • 학습 알고리즘: Levenberg-Marquardt 알고리즘을 사용하여 평균 제곱 오차 (MSE) 를 최소화하며 가중치를 업데이트했습니다.
• 하이브리드 제어 전략:
  • Feedforward (전향): 학습된 DNN 이 비선형 동역학 (중력, 관성, 마찰 등) 을 예측하여 토크 명령을 생성합니다.
  • Feedback (피드백): DNN 의 예측 오차와 모델 불확실성을 보상하기 위해 비례 - 미분 (PD) 제어기를 병렬로 적용합니다.

3. 주요 기여 (Key Contributions)

1. 물리 기반 학습 데이터 생성 방법론: 다중 DOF 로봇 시스템의 역동역학 (Inverse Dynamics) 모델링을 위한 머신러닝 학습 데이터 생성을 위한 체계적인 물리 기반 방법론을 제시했습니다.
2. 계산 효율적인 하이브리드 제어기 개발: CPU-GPU 병렬 계산을 가능하게 하는 DNN 기반 제어기를 개발하여, 기존 비선형 제어 기법과 유사한 궤적 추적 성능을 유지하면서도 계산 부하를 획기적으로 줄였습니다.
3. 안정성 및 강인성 검증: 제안된 제어기의 수학적 안정성을 라우스 - 후르비츠 (Routh-Hurwitz) 기준을 통해 분석하고, ANOVA(분산 분석) 를 통해 사용자 파라미터 (체중, 키) 변화에 대한 강인성을 통계적으로 입증했습니다.

4. 실험 결과 (Results)

• 궤적 추적 성능:
  • 순차적 및 동시 관절 운동 모두에서 DNN-PD 하이브리드 제어기는 매우 높은 추적 정확도를 보였습니다.
  • 최대 추적 오차는 약 0.26 도 (°) 이내로 매우 작았으며, 기존 Computed Torque Control (CTC), Sliding Mode Control (SMC), Adaptive Control, LQR 등 기존 제어기들과 비교했을 때 동등하거나 더 우수한 성능을 나타냈습니다.
• 토크 프로파일:
  • DNN 이 예측한 토크가 전체 요구 토크의 대부분을 담당했으며, PD 제어기는 미세한 오차 보정만 수행했습니다. 이는 DNN 이 비선형 동역학을 효과적으로 학습했음을 의미합니다.
• 강인성 (Robustness):
  • ANOVA 분석 결과, 사용자의 체중과 키 변화에 따른 궤적 추적 오차의 통계적 유의성 (p-value) 이 0.005 보다 훨씬 커서, 파라미터 변화가 제어 성능에 유의미한 영향을 미치지 않음을 확인했습니다. 즉, 다양한 사용자에 대해 강인한 제어기가 구현되었습니다.
• 계산 효율성:
  • 복잡한 동역학 방정식의 실시간 해석적 계산 대신, 병렬 처리가 용이한 신경망 추론을 사용하여 실시간 제어의 계산적 병목 현상을 해결했습니다.

5. 의의 및 결론 (Significance)

• 실시간 제어의 혁신: 고차원 다자유도 로봇의 복잡한 비선형 동역학을 실시간으로 처리하는 데 있어 기존 모델 기반 제어의 계산적 한계를 딥러닝으로 극복했습니다.
• 개인화 및 적응성: 사용자의 신체 치수 (키, 체중) 를 입력 변수로 포함시켜 다양한 사용자에게 적용 가능한 범용 제어 프레임워크를 제시했습니다.
• 미래 전망: 본 연구는 데이터 기반 제어와 전통적 제어 이론의 결합이 로봇 공학 분야에서 효율적이고 강인한 솔루션을 제공할 수 있음을 입증했습니다. 향후 강화 학습 (Reinforcement Learning) 을 도입하여 온라인 파라미터 조정을 통해 실제 환경에서의 적응성을 더욱 높이는 것이 향후 과제로 제시되었습니다.

이 논문은 딥러닝을 로봇 제어에 적용할 때 단순한 데이터 피팅을 넘어, 물리 법칙을 기반으로 한 데이터 생성과 안정성 분석을 체계적으로 결합한 모범 사례를 제시한다는 점에서 의의가 큽니다.