Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios

논문 요약: 인간 - 로봇 근접 상호작용을 위한 계층적 제어 장벽 함수 (CBF) 기반 안전 우선순위화

1. 문제 제기 (Problem Statement)

협동 로봇 (Cobot) 이 인간과 밀접한 환경에서 작업할 때, 인간의 움직임은 예측 불가능하고 역동적입니다. 이러한 상황에서 로봇과 인간 간의 충돌이 피할 수 없는 상황 (inevitable collision) 이 발생할 수 있습니다. 기존 안전 제어 방식은 모든 안전 제약을 동등하게 취급하거나, 제약 조건 간의 충돌로 인해 최적화 문제 (QP) 가 해를 찾을 수 없는 (infeasible) 상황에 직면할 수 있습니다. 특히, 로봇이 인간의 머리나 손 등 신체의 민감한 부위와 충돌할 때 발생할 수 있는 부상의 심각도가 다르기 때문에, 신체 부위별 위험도에 따라 안전 제약을 우선순위로 분류하고, 충돌이 불가피할 때 더 위험하지 않은 부위와의 충돌을 허용하여 더 심각한 부상을 방지하는 지능형 제어 전략이 필요합니다.

2. 방법론 (Methodology)

이 논문은 계층적 제어 장벽 함수 (Hierarchical Control Barrier Function, CBF) 프레임워크를 제안하여 안전 우선순위화 메커니즘을 구현했습니다.

• 계층적 제어 구조:
  • 성능 제어기 (Performance Controller): 로봇의 엔드 이펙터가 원하는 궤적을 따르도록 관절 속도를 계산합니다.
  • 안전 제어기 (Safety Controller): 성능 제어기의 명령을 모니터링하며, CBF 를 기반으로 안전 집합 (Safe Set) 내에 상태를 유지하도록 실시간으로 조정합니다.
• 안전 우선순위화 및 완화 변수 (Relaxation Variable):
  • 인간의 신체 부위 (예: 머리 vs 손) 에 따라 다른 위험 수준을 부여합니다. 머리는 1 순위 (최고 위험), 손은 2 순위로 간주합니다.
  • 제약 조건 간의 충돌로 인해 최적화 문제가 해를 찾을 수 없을 때, **낮은 우선순위의 제약 (손)**에 **완화 변수 ($\delta_{ha}$)**를 도입하여 제약을 완화합니다.
  • 목적 함수: $\min ||\dot{q}_{safe} - \dot{q}_{perf}||^2 + \beta \delta_{ha}^2$
    • 여기서 $\beta$는 큰 값을 가지도록 설정되어, 불필요한 완화는 억제하고 오직 충돌 회피가 필수적인 경우에만 낮은 우선순위 제약을 완화하도록 합니다.
  • 이를 통해 로봇은 머리와 충돌할 위험이 있는 경우, 손과의 충돌을 감수하더라도 머리를 보호하는 방향으로 움직이게 됩니다.
• 센싱 및 감지:
  • ZED2i AI 카메라: 3D 깊이 센싱과 스테레오 비전을 활용하여 실시간으로 인간의 포즈 (Pose) 를 감지하고 추적합니다.
  • 신체 부위 매핑: 감지된 34 개의 키 포인트 중 머리와 손의 위치를 추출하여, 로봇 링크와의 거리를 기반으로 CBF 제약 조건을 동적으로 생성합니다.
• 수학적 모델:
  • 로봇 역학은 비선형 시스템으로 모델링되며, CBF 는 $h(x, p_{obs}) \geq 0$ 형태의 0-초과 레벨 집합으로 정의됩니다.
  • 고차 CBF(HOCBF) 또는 1 차 미분을 통해 제어 입력과의 선형 관계를 유도하여 2 차 계획법 (QP) 문제로 변환합니다.

3. 주요 기여 (Key Contributions)

1. 계층적 CBF 프레임워크 및 안전 우선순위화 메커니즘:
   • 인간의 신체 부위별 중요도 (머리 > 손) 에 따라 안전 제약을 차별화하는 새로운 메커니즘을 제안했습니다.
   • 완화 변수를 사용하여 제약 조건 간의 트레이드오프를 가능하게 하여, 고위험 상황에서도 최적화 문제의 해 (Feasibility) 를 보장합니다.
2. 실험적 검증:
   • Franka Research 3 로봇과 ZED2i 카메라를 활용한 실제 실험을 통해 제안된 기법의 유효성을 입증했습니다.
   • 다양한 시나리오 (픽 앤 플레이, 원형/정사각형 궤적 등) 에서 인간이 로봇에 접근할 때 로봇이 어떻게 반응하는지 검증했습니다.

4. 실험 결과 (Results)

• 안전성 및 적응성:
  • 실험 결과, 로봇은 인간의 머리나 손이 접근할 때 즉시 궤적을 수정하여 충돌을 회피했습니다.
  • 특히, 머리와 손이 동시에 위협을 줄 때, 로봇은 손과의 거리를 다소 줄이더라도 머리를 보호하는 방향으로 움직이는 우선순위 준수 행동을 보였습니다.
• 상대 속도 및 거리 분석:
  • 손은 머리에 비해 더 공격적인 움직임 (빠른 접근) 을 보였으나, 시스템은 손에 대한 완화 변수를 활성화하여 머리에 대한 안전 거리는 엄격하게 유지했습니다.
  • Table 1 및 Table 3 의 데이터에 따르면, 계층적 CBF 를 적용한 경우 고우선순위 장애물 (빨간색/머리) 에 대한 충돌 위반이 발생하지 않았으며, 저우선순위 장애물 (초록색/손) 에 대해서만 제한적인 위반이 허용되었습니다.
• 성능:
  • 솔버 (ProxSuite) 의 계산 시간은 평균 0.16ms 로 매우 빠르며, 전체 제어 주기 (16.6ms) 내에 실시간으로 작동하여 성능 저하 없이 안전을 보장했습니다.
  • 안정성 분석 (Lyapunov) 을 통해 제안된 제어기가 수렴하고 안정적임을 수학적으로 증명했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 안전성: 기존의 "모든 충돌 회피" 방식에서 벗어나, 부상의 심각도에 기반한 지능형 안전 관리를 가능하게 합니다. 이는 협동 로봇이 인간과 더 밀접하게 작업할 수 있는 신뢰성을 높입니다.
• 충돌 불가피 상황 대응: 모든 안전 제약을 동시에 만족할 수 없는 극한 상황에서도, 시스템이 해를 잃지 않고 (Infeasibility 방지) 가장 위험한 상황을 피하도록 설계되었습니다.
• 확장성: 이 프레임워크는 기존 로봇 제어기에 통합 가능하며, 다양한 산업, 의료, 서비스 분야에서 인간 - 로봇 상호작용의 안전 표준을 높이는 데 기여할 수 있습니다.
• 향후 과제: 환경적 맥락 (예: 날카로운 도구 사용 여부) 에 따라 완화 변수의 가중치 ($\beta$) 를 학습 기반 (Learning-based) 으로 적응적으로 조정하는 연구가 향후 과제로 제시되었습니다.

이 논문은 동적 환경에서 인간 - 로봇 협업의 안전성을 보장하기 위해 **수학적 최적화 (CBF)**와 실시간 센싱을 결합한 선구적인 접근법을 제시하며, 특히 위험 우선순위화를 통해 안전과 작업 효율성의 균형을 찾는 중요한 통찰을 제공합니다.