기술 요약: SPARK (Safe Protective and Assistive Robot Kit)

1. 문제 정의

휴머노이드 로봇은 복잡한 환경 및 인간과 상호작용할 때 상당한 안전 위험을 초래할 수 있는 중대한 물리적 능력을 갖추고 있습니다. 제어 장벽 함수(Control Barrier Functions, CBF)와 같은 분석적 방법부터 데이터 기반 정책에 이르기까지 수많은 안전 제어 접근 방식이 존재하지만, 이러한 컨트롤러를 합성하고 배포하는 과정은 비전문가에게 여전히 비효율적입니다.

식별된 핵심 과제는 다음과 같습니다:

• 모듈성 부족: 새로운 로봇, 작업 또는 환경을 위해 처음부터 안전한 컨트롤러를 합성하는 것은 시간이 많이 소요됩니다. 기존의 툴박스들은 다양한 프레임워크와 원활하게 통합되거나 휴머노이드와 같은 복잡하고 고차원적인 시스템을 처리할 수 있는 모듈성이 부족한 경우가 많습니다.
• 확장성 및 일반화: 다양한 작업, 다양한 로봇 역학 및 변화하는 환경을 처리할 수 있는 단일 범용 안전 컨트롤러를 설계하는 것은 어렵습니다. 현재의 벤치마크는 안전한 강화 학습(RL)이나 단순한 이동 로봇에 집중되어 있어, 복잡한 휴머노이드 플랫폼에서 모델 기반 안전 제어 방법을 비교하기 위한 표준화된 작업을 제공하지 못합니다.
• 배포 장벽: 효율적인 배포를 위해서는 목표와 제약 조건의 쉬운 명세화, 정보에 기반한 제어 접근 방식의 선택, 그리고 튜닝이 필요 없는 실물 하드웨어와의 통합이 필요하지만, 현재의 시스템은 이를 충분히 지원하지 못합니다.

2. 방법론: SPARK 프레임워크

이러한 과제를 해결하기 위해 저자들은 휴머노이드 로봇을 위한 안전한 컨트롤러의 합성, 테스트 및 배포를 위해 설계된 종합적이고 모듈화되며 조합 가능한 벤치마크 프레임워크인 **SPARK (Safe Protective and Assistive Robot Kit)**를 소개합니다.

A. 모듈형 아키텍처

SPARK는 로봇 제어 시스템의 자연스러운 의존성에 따라 제어 합성 과정을 다음과 같이 구별되고 교체 가능한 모듈로 분해합니다:

1. 구성(Configuration) 모듈: 로봇 특유의 역학(예: 자유도, 모터 인터페이스) 및 시스템 모델을 캡슐화합니다.
2. 에이전트(Agent) 모듈: 물리적 세계 또는 시뮬레이션과의 인터페이스 역할을 합니다. 상태 실행을 처리하며, MuJoCo와 같은 시뮬레이션 에이전트와 하드웨어 SDK를 통한 실제 로봇(예: Unitree G1)을 모두 지원합니다.
3. 태스크(Task) 모듈: 시스템 상태, 로봇 상태 및 사용자 정의 목표(예: 텔레오퍼레이션 명령, 궤적)를 하나의 통합된 데이터 구조로 집계합니다. 이는 정보 수집과 제어 알고리즘을 분리합니다.
4. 알고리즘(Algorithm) 모듈 (백엔드):
   • 정책(Policy) 모듈: 안전을 고려하지 않고 성능 목표(예: 목표 도달)를 달ien하기 위한 명목 제어 명령을 생성합니다.
   • 안전(Safety) 모듈: 명목 명령을 수정하거나 덮어써서 안전 제약 조건을 강제합니다. 이러한 분리된 설계는 사용자가 명목 정책을 변경하지 않고도 안전 알고리즘을 교체할 수 있게 합니다.

B. 안전 옵션 및 알고즘

SPARK는 위험을 정량화하기 위해 스칼라 에너지 함수 $\phi(x)$를 정의하는 에너지 함수 기반의 안전 알고리즘(가치 기반 방법) 세트를 구현합니다. 이 프레임워크는 다음을 지원합니다:

• 안전 집합 알고리즘 (Safe Set Algorithm, SSA): 시스템이 안전 집합 내에 머물도록 보장하기 위해 안전 지수를 사용합니다.
• 제어 장벽 함수 (Control Barrier Function, CBF): $\dot{\phi} < -\alpha(\phi)$를 보장함으로써 안전을 강제합니다.
• 하위 레벨 안전 집합 (Sublevel Safe Set, SSS): SSA와 CBF의 강점을 결합하여, 제약 조건이 활성화될 때만 수정을 적용합니다.
• 포텐셜 필드 방법 (Potential Field Method, PFM): 데카르트 공간에서 반발력을 사용합니다.
• 슬라이딩 모드 알고리즘 (Sliding Mode Algorithm, SMA): $\phi=0$에 의해 정의된 슬라이딩 층 주변으로 시스템 상태를 유지합니다.

이러리즘들은 로봇 링크와 장애물 사이의 쌍별 거리 함수로부터 유도된 안전 제약 조건을 만족하면서, 참조 제어로부터의 편차를 최소화하기 위해 제약 최적화 문제(주로 이차 계획법, QP)를 해결합니다.

C. 벤치마크 제품군

SPARK는 다음과 같은 특징을 가진 표준화된 테스트 제품군을 제공합니다:

• 로봇 구성: 고정 베이스(fixed-base), 이동 베이스(floating/mobile-base), 스포츠 모드(학습된 정책) 역학을 포함한 Unitree G1 휴머노이드를 기반으로 합니다.
• 태스크 목표: 팔 조작(3D 타겟 도달) 및 베이스 네비게이션(2D 목표 도달)을 포함합니다.
• 제약 조건: 정적 및 동적 장애물(구 및 박스로 모델링), 자기 충돌 방지, 다양한 장애물 밀도 등을 포함합니다.
• 지표: 팔/베이스 목표 추적($J_{arm}, J_{base}$) 및 자기/환경 안전($M_{self}, M_{env}$)에 대한 단계별 평균 점수를 제공합니다.

3. 주요 기여

• 모듈형 프레임워크: SPARK는 사용자가 전체 시스템을 다시 설계하지 않고도 모듈(예: 로봇 역학, 태스크 또는 안전 알고리즘 변경)을 교체함으로써 커스텀 안전 제어 시나리오를 구성할 수 있는 "플러그 앤 플레이" 아키텍처를 제공합니다.
• 표준화된 벤치마킹: 고차원 휴머노이드 로봇에서 모델 기반 안전 제어 접근 방식을 비교하기 위한 최초의 표준화된 벤치마크를 제공하며, 이는 안전한 RL이나 더 단순한 플랫폼에 치중되어 있던 기존 문헌의 공백을 메웁니다.
• Sim-to-Real 배포: 실시간 미들웨어(ROS, DDS) 및 외부 센서(Apple Vision Pro, 모션 캡처)를 지원하여 시뮬레이션과 현실 사이의 가교 역할을 하며, 합성된 컨트롤러를 실제 하드웨어(Unitree G1)에 직접 배포할 수 있게 합니다.
• 포괄적인 알고리즘 제품군: 5가지 서로 다른 안전 제어 알고리즘을 구현하고 비교하여, 미래 연구를 위한 베이스라인과 실무자를 위한 툴박스를 제공합니다.

4. 실험 결과

저자들은 시뮬레이션 벤치마크와 Unitree G1을 이용한 실물 로봇 사례 연구를 통해 SPARK를 평가했습니다.

• 알고리즘 성능:
  • **최적화 기반 방법 (SSA, CBF, SSS)**은 고차원 관절 공간에서 어려움을 겪은 PFM에 비해 안전성과 효율성 사이에서 우수한 균형을 보여주었습니다.
  • SSS는 전신 운동 태스크에서 가장 높은 성공률을 달성했으며, SMA는 단순한 태스크에서 좋은 성능을 보였습니다.
  • CBF는 환경 안전 측면에서 뛰어났으나, 때때로 동작 정확도를 희생하는 모습을 보였습니다.
  • PFM은 복잡하고 제약이 많은 환경에서 지속적으로 낮은 성능을 보였습니다.
• 트레이드오프: 본 연구는 안전과 효율성 사이의 내재된 트레이드오프를 강조했습니다. 최적화 기반 방법은 일반적으로 안전을 우선시한 반면, SMA와 같은 비최적화 방법은 더 단순한 시나리오에서 더 나은 효율성을 제공했습니다.
• 실제 배포:
  • 안전 자율 주행: 실제 로봇은 정적 및 동적 타겟을 추적하면서 인간의 손과의 충돌을 성공적으로 피했습니다.
  • 안전 텔레오퍼레이션: Apple Vision Pro를 사용하여, 로봇은 인간의 손이 안전 구역에 들어왔을 때 충돌 방지를 우선시하면서도 텔레오퍼레이션 명령(예: 물체 회수)을 안전하게 수행했습니다.
  • Sim-to-Real 상관관계: 통계적 분석 결과, 목표 추적 및 안전 거리 측면에서 시뮬레이션과 실제 세계의 지표 사이에 높은 피어슨 상관관계($r > 0.7$)가 나타나 프레임워크의 충실도를 검증했습니다.
  • 계산 비용: 시스템은 표준 노트북 CPU에서 약 70–100 Hz의 런타임 빈도를 유지하였으며, 이는 실시간 제어에 충분한 수준입니다.

5. 의의 및 주장

본 논문은 SPARK가 복잡한 로봇 시스템을 위한 안전한 컨트롤러를 합성하고 배포하는 데 드는 장벽을 크게 낮춘다고 주장합니다. 모듈화되고 확장 가능하며 조합 가능한 프레임워크를 제공함으로써, 연구자들이 다음과 같은 작업을 수행할 수 있도록 합니다:

• 다양한 로봇 구성 및 태스크에 걸쳐 안전 제어 전략을 빠르게 프로토타이핑하고 벤치마킹합니다.
• 마찰을 최소화하며 시뮬레이션에서 실제 세계 배포로 원활하게 전환합니다.
• 안전과 성능 사이의 트레이드오프를 체계적으로 평가하여, 더욱 견고한 휴머노이드 자율 주행의 발전을 촉진합니다.

저자들은 현재의 구현이 불가피한 충돌과 방법론적 실패를 구분하지 못하며, 시뮬레이션과 현실 사이의 "모델 불일치(model mismatch)"가 여전히 과제로 남아 있음을 언급하며 한계를 인정했습니다. 그들은 SPARK를 연구를 가속화하기 위한 기초적인 도구로 포지셔닝하며, 향후 안전한 강화 학습, 형식 검증 도구 및 자동화된 전략 튜닝을 통합할 계획이라고 밝혔습니다.