기술 요약: 인간의 선호 불확실성을 고려한 인간-로봇 공동 운반에서의 상호 적응

문제 정의

본 논문은 인간과 로봇이 물체를 함께 운반하여 장애물 통로를 통과해 목표 지점까지 이동하는 시나리오에 초점을 맞추어, 인간-로봇 공동 운반(co-transportation)의 과제를 다룹니다. 핵심 문제는 인간의 선호 매개변수(preference parameters)에 존재하는 불확실성과 적응 전략 사이의 균형을 맞추는 어려움입니다.

전통적인 접근 방식은 인간의 행동을 모델링하기 위해 고정된 매개변수에 의존하는 경우가 많으나, 이는 개인별 차이나 위험 인지 및 거리 민감도의 변화를 반영하지 못합니다. 또한, 기존의 협업 모델은 정적이고 일회적인 상호작용이나 단방향 적응(로봇이 인간에게 적응하거나 인간이 로봇에게 적응하는 방식)에 집중하는 경향이 있으며, 진화하는 환경에서의 동적인 상호 적응(mutual adaptation)은 간과하고 있습니다. 저자들은 세 가지 구체적인 공백을 식대로 제시합니다:

1. 주관적인 선호 매개변수로 인해 발생하는 인간의 의사결정 불확실성을 정량화하는 모델의 부재.
2. 인간이 로봇의 계획에 저항할 때 (누가 팀을 이끌 것인지에 대한) 동적인 역할 전환 메커니즘의 부재.
3. 인간이 리드하는 상황에서 불확실한 인간의 선택이 미치는 영향을 완화하기 위한 저수준 제어 전략의 부족.

방법론

저자들은 인간의 선호 불확실성, 상호 적응, 그리고 저수준 제어에 관한 각각의 가설을 해결하는 세 가지 상호 연결된 모듈로 구성된 통합 프레임워크를 제안합니다.

1. 매개변수 불확실성을 포함한 인간 선호 모델 (H1)

고정된 인간 매개변수를 가정하는 대신, 저자들은 인간의 의사결정을 확률 분포로 모델링합니다.

• 주관적 비용: Prelec의 확률 가중치 함수(위험 인지를 위한 매개변수 $\gamma$)와 Stevens의 멱법칙(거리 인지를 위한 매개변수 $\alpha$)을 기반으로 주관적 비용 함수 $\hat{J}_o(\alpha, \gamma)$를 정의합니다.
• 불확실성 모델링: 매개변수 $\alpha$와 $\gamma$는 독립 변수로 취급되어 균등 분포($\alpha \sim U(0.55, 0.95)$, $\gamma \sim U(0.5, 1.1)$)를 따릅니다.
• 선택 분포: 매개변수 공간에 대해 적분을 수행함으로써, 모델은 인간이 특정 경로 옵션 $o$를 선택할 확률 $P_o$를 계산합니다. 이를 통해 매개변수의 불확실성을 선택 분포로 변환하며, 로봇이 단일한 결정론적 경로가 아닌 다양한 인간의 선호를 예측할 수 있게 합니다.

2. 시변 고집(Time-Varying Stubbornness)을 통한 협력적 경로 계획 (H2)

로봇 주도 모드와 인간 주도 모드 사이의 전환을 관리하기 위해, 프레임워크는 시변 고집 측정치 $\phi(k)$를 도입합니다.

• 불편함의 누적: 이 측정치는 팀의 움직임이 인간의 확률적 선호에서 벗어날 때 발생하는 "불편함" $g(k)$의 누적에 따라 지수적으로 증가합니다.
• 모드 전환:
  • 로봇 주도 모드 ($\phi(k) \le 1$): 로봇은 자신의 목적 비용과 근사된 인간의 주관적 비용 사이의 균형을 맞추는 경로를 선택합니다. $\phi(k)$가 1에 가까워질수록 인간 비용의 가중치가 증가합니다.
  • 인간 주도 모드 ($\phi(k) > 1$): 인간의 고집이 임계값(1)을 초과하면, 로봇은 제어권을 양보하고 인간을 따릅니다.
• 동적 적응: 이 메커니즘을 통해 팀은 로봇의 안내로 시작하되, 인간이 로봇의 계획에 지속적으로 저항할 경우 인간의 리더십으로 전환함으로써 상호 적응을 달 수 있습니다.

3. 포즈 최적화를 통한 저수준 제어 (H3)

로봇이 인간 주도 모드에 있을 때, 로봇은 인간이 정확히 어떤 경로를 택할지 알지 못하더라도 여러 잠재적 선택에 대비해야 합니다.

• 여유 자유도 해결: 로봇은 매니퓰레이터 암의 여유 자유도를 활용합니다.
• 확률적 포즈 최적화: 시스템은 가능한 모든 경로 옵션에 대한 모델 예측 제어(MPC) 비용의 확률 가중 합을 최소화하는 관절 구성 $q^*$를 선택하기 위해 최적화 문제를 해결합니다.
• 목적: 이러한 선제적 조정을 통해 로봇은 예상치 못한 경로 변경에도 효과적으로 대응할 수 있는 유리한 운동학적 구성을 유지함으로써, 제어 노력과 추적 오차를 줄입니다.

주요 기여

1. 확률적 인간 선호 모델: 인간의 위험 및 거리 인지 매개변수의 불확실성을 포착하여, 고정된 값에 의존하는 대신 인간 선택의 확률 분포를 생성하는 수학적 프레임워크를 제공합니다.
2. 고집을 통한 상호 적응: 시변 고집 측정치를 사용하여 로봇 주도 모드와 인간 주도 모드 사이를 동적으로 전환함으로써, 시간이 흐름에 따라 인간의 저항에 적응할 수 있는 조정 모델을 제시합니다.
3. 불확실성을 위한 포즈 최적화: 인간의 선택에 대한 확률 분포를 사용하여 로봇의 관절 구성을 최적화함으로써, 인간 주도 운반 중 불확실한 인간의 결정이 미치는 영향을 완화하는 저수준 제어 전략을 제공합니다.

실험 결과

본 프레임워크는 인간 참여자 연구와 시뮬레이션을 통해 검증되었습니다:

• H1(선호 모델) 검증: 네 가지 서로 다른 장애물 환경에서 20명의 참가자를 대상으로 한 실험 결과, 제안된 확률 모델이 인간이 선택한 경로 옵션의 순위를 정확하게 포착함을 보여주었습니다. 모델은 인간이 더 안전하지만 긴 경로를 선택할지, 아니면 더 위험하지만 짧은 경로를 선택할지에 대한 가능성을 성공적으로 예측했습니다.
• H2(상호 적응) 검증: 제안된 모드 전환 메커니즘을 고정 모드 베이스라인(로봇이 항상 리드하거나 항상 따르는 방식)과 비교한 시뮬레이션 결과, 적응형 방식이 일관되게 더 낮은 전체 목적 비용을 달s성했습니다. 결과는 로봇이 인간이 모드 전환을 강제할 만큼 충분히 고집스러워지기 전까지 인간을 더 효율적인 경로로 유도할 수 있음을 나타냈습니다.
• H3(포즈 최적화) 검증: 다양한 매개변수 설정에 대한 시뮬레이션 결과, 인간 주도 모드에서 포즈 최적화를 활성화하는 것이 포즈 최적화가 없는 베이스라인에 비해 전체 로봇 제어 비용(추적 오차 및 제어 노력)을 유의미하게 감소시켰습니다. 이는 여러 잠재적 인간 선택에 대비하는 것이 저수준 제어 성능을 향상시킨다는 것을 확인시켜 줍니다.

의의 및 주장

본 논문은 인간 모델링과 불확실한 매개변수, 상호 적응 전략, 그리고 저수준 제어 최적화를 통합하는 통합적 접근 방식을 제공한다는 점에 주요 의의가 있다고 주장합니다.

• 불확실성 해결: 본 연구는 결정론적인 인간 모델링을 넘어 인간의 매개변수가 가변적이고 변동할 수 있음을 인정하며, 확률 분포를 통해 이를 처리하는 메커니즘을 제공합니다.
• 적응의 균형: 로봇의 효율성과 인간의 선호 사이의 트레이드오프에 대한 해결책을 제시하며, 로봇이 유익할 때는 리드하고 인간의 저항(고집)이 리더십의 필요성을 나타낼 때는 양보할 수 있도록 합니다.
• 선제적 제어: 고수준의 인간 의도 불확실성을 저수준의 관절 구성과 연결함으로써, 시스템은 예상치 못한 인간의 행동에 따른 위험을 선제적으로 완화하여 더 안전하고 매끄러운 공동 운반을 보장합니다.

저자들은 물리적 상호작용 대신 정적 이미지와 영상을 통해 인간 피드백을 수집했다는 한계점을 언급하였으며, 향후 연구에서는 이 프레임워크를 실제 물리적 공동 운반 및 다중 로봇 시나리오로 확장하는 것을 목표로 한다고 밝혔습니다.