Data-Driven Soft Robot Control via Adiabatic Spectral Submanifolds

기술 요약: 아디아바틱 스펙트럼 부분 다양체(Adiabatic Spectral Submanifolds)를 통한 데이터 기반 소프트 로봇 제어

문제 정의
순응성(compliance)과 과소 구동(underactuation) 특성을 지닌 소프트 로봇의 기계적 복잡성은 모델 기반 제어에 상당한 어려움을 초래한다. 선형 데이터 기반 모델이 사용되어 왔으나, 이는 유의미한 비선형 거동을 탐색하는 복잡하고 공간적으로 확장된 경로를 따라 소프트 로봇을 제어하는 데 한계가 있다. 또한, 정확한 물리 모델(예: 유한 요소 모델)은 실시간 모델 예측 제어(MPC)를 수행하기에는 차원이 너무 높으며, 기존의 데이터 기반 접근 방식(예: 강화 학습 또는 선형 시스템 식별)은 대규모 오프라인 데이터셋에 의존하거나, 블랙박스 근사치에 불과하거나, 보이지 않는 제어력 하에서의 비선형 역학을 포착하는 데 실패하는 경우가 많다. 핵심 과제는 넓은 작동 영역 전반에서 소프트 로봇의 비선형 역학을 정확하게 포착하여 정밀한 궤적 추적을 가능하게 하는 저차원 데이터 기반 모델을 개발하는 것이다.

방법론
저자들은 아디아바틱 스펙트럼 부분 다양체(Adiabatic Spectral Submanifolds, aSSMs) 이론에 기반한 제어 전략을 제안한다. 이 접근 방식은 과도하게 댐핑된(overdamped) 소프트 로봇에서 나타나는 자연스러운 시간 척도 분리(time-scale separation), 즉 내부 진동이 로봇이 의도된 경로를 따라 이동하는 속도보다 훨씬 빠르게 감쇠하는 특성을 활용한다.

1. 이론적 기초:

   • 이 방법은 aSSM을 활용한다. aSSM은 "임계 다양체(critical manifold, 일정한 제어 입력에 대응하는 정상 상태들의 집합)"로부터 뻗어 나오는 저차원의 끌개 불변 다양체(attracting invariant manifolds)이다.
   • 표준 스펙트럼 부분 다양체(SSM)가 단일 평형점에 고정되어 있는 것과 달리, aSSM은 천천히 변화하는 제어 입력($u(t) = u_s(\epsilon t)$ where $\epsilon \ll 1$)에 대해 유효하다. 이를 통해 축소된 모델이 평형점에서 멀리 떨어진 곳에서도 정확성을 유지할 수 있게 한다.
   • 제어 입력은 임계 다양체를 추적하는 느린 성분($u_s$)과 오차를 수정하는 빠른 편차 성분($u_d$)으로 분해된다.

2. 데이터 기반 학습 파이프라인:

   • 데이터 수집: 시스템은 두 가지 유형의 데이터를 수집한다: (a) 다양한 초기 조건에서 시작되는 무부하 실험으로부터의 감쇠 궤적을 사용하여 느린 SSM 기하 구조를 식별한다. (b) 다양한 정적 구성 주변에 무작위로 변화하는 제어 입력을 적용하여 생성된 제어 궤적을 수집한다.
   • 정적 SSM 학습: 저자들은 SSMLearn 알고리즘을 사용하여 격자 형태의 정적 제어 입력에 대한 0차 SSM 모델(매개변수화, 차트 맵, 축소 역학)을 학습한다.
   • 보간(Interpolation): 작업 공간 전체에서 유효한 전역 모델을 구축하기 위해, 이러한 국소 정적 SSM들의 매개변수를 보간(수정된 역거리 가중치법 또는 이차 다항식 회귀 사용)하여 aSSM 축소 모델을 형성한다.
   • 제어 교정(Control Calibration): 빠른 제어 편차 항을 고려하기 위해 제어된 데이터로부터 선형 제어 행렬($B$)을 학습한다.

3. 제어 구현:

   • 학습된 aSSM 축소 모델은 모델 예측 제어(MPC) 체계에 내장된다.
   • 최적화 문제는 aSSM 축소 역학 제약 조건 하에서 유한 시계(finite horizon) 동안 추적 오차와 제어 노력을 최소화한다.
   • 이 방법은 고충실도 유한 요소 시뮬레이션이 적용된 소프트 트렁크 로봇과 코세라 로드(Cosserat-rod) 기반 탄성 소프트 암(arm)을 통해 검증된다.

주요 기여

• 소프트 로봇을 위한 아디아바틱 축소: 본 논문은 SSM 이론을 "아디아바틱" 영역으로 확장하여, 평형점 근처뿐만 아니라 넓은 작동 영역에서 유효한 축소 차수 모델을 구축할 수 있게 한다.
• 순수 데이터 기반 프레임워크: 저자들은 로봇의 구성 법칙이나 지배 방정식을 사전에 알 필요 없이 순수하게 실험 데이터만을 사용하여 이러한 aSSM 축소 모델을 학습하는 완전한 파이프라인을 입증한다.
• 우수한 추적 성능: 본 연구는 높은 비선형성과 고차원을 효과적으로 처리하는 제어 체계를 도입하여, 기존의 선형 및 표준 SSM 기반 방식보다 뛰어난 성능을 보여준다.

결과
제안된 방법은 4,254 자유도를 가진 소프트 트렁크 로봇의 고차원 유한 요소 모델과 탄성 소프트 암에 대해 검증되었다.

• 모델 정확도: 개루프(open-loop) 테스트에서 5차 또는 6차 aSSM 축소 모델은 4차 모델 및 표준 선형 근사 모델에 비해 현저히 낮은 정규화 평균 궤적 오차(NMTE)를 보였으며, 특히 과도 댐핑 거동이 두드한 수직 변위($z_{ee}$) 영역에서 그러했다.
• 폐루프 제어: 다양한 차원, 크기, 속도를 가진 타겟 트랙을 포함하는 폐루프 MPC 작업에서 aSSM 기반 제어기는 우수한 추적 성능을 달밀했다.
• 성능 지표: aSSM 축소 모델은 모든 테스트된 폐루프 제어 작업에서 선형 모델, 궤적 조각 선형화(Trajectory Piecewise Linearization), Koopman 기반 접근 방식 등을 포함한 다른 데이터 기반 모델링 방법들보다 통합 제곱 오차(ISE) 측면에서 최대 10배 더 뛰어난 성능을 보였다.
• 강건성: 시스템은 실험적 노이즈가 존재하고 비차원적 느림 척도(slowness measure, $r_s$)가 엄격한 이론적 요구 사항인 $r_s \ll 1$을 초과하는 약 3.7에 도달했을 때도 강건한 성능을 유지했다.

의의 및 주장
본 논문은 아디아바틱 스펙트럼 부분 다양체 이론의 적용이 소프트 로봇 역학의 복잡성을 줄이면서 필수적인 비선형 거동을 보존하는 엄격한 수학적 프레임워크를 제공한다고 주장한다. 저자들은 과도하게 댐핑된 소프트 로봇에 내재된 느린-빠른 시간 척도 분리를 활용함으로써, 정확하면서도 계산 효율적인 실시간 MPC가 가능한 저차원 모델을 도출할 수 있음을 입증한다.

저자들은 이 연구를 모델 정확도와 복잡성 사이의 절충안에 대한 해결책으로 제시한다. 이들의 데이터 기반 aSSM 접근 방식은 선형화의 함정(고도로 비선형인 영역에서 실패함)과 강화 학습의 데이터 집약적인 특성을 모두 피한다고 주장한다. 결과는 aSSM 축소 모델이 미지의 궤적에 대해서도 일반화될 수 있으며, 운동이 내부 감쇠율에 비해 엄격하게 "느리지" 않은 경우에도 실용적인 범위 내에 있다면 효과적으로 작동할 수 있음을 시사한다. 이 연구는 이러한 모델들이 정밀한 고속 소프트 로봇 제어를 위한 실행 가능한 경로임을 입증하며, 이는 적절한 축소 차수 모델의 부재로 인해 제한되었던 능력이다.