Design and Experimental Validation of Sensorless 4-Channel Bilateral Teleoperation for Low-Cost Manipulators

이 논문은 힘 센서가 없는 저비용 매니퓰레이터에 비선형 동역학 보상과 관측기 기반 힘 추정 기법을 적용하여 안정적이고 고속인 양방향 원격 조작을 실현하고, 이를 통해 수집된 힘 정보가 모방 학습의 성공률을 크게 향상시킨다는 것을 실험적으로 입증했습니다.

핵심

이 논문은 **"값싼 로봇 팔을 이용해, 힘까지 느끼며 정교하게 원격 조종하는 기술"**을 개발하고 검증한 연구입니다.

일반적인 로봇 공학에서는 정밀한 작업을 하려면 비싼 센서와 고성능 모터가 필수였는데, 이 연구는 **"센서 없이도 힘의 느낌을 전달할 수 있는 마법 같은 제어 기술"**을 만들어냈습니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제 상황: "눈가리개 하고 벽장 치기"

지금까지 로봇을 원격으로 조종할 때, 대부분의 값싼 시스템은 **'한쪽 방향 통신 (Unilateral)'**만 사용했습니다.

• 비유: 당신이 로봇 팔을 조종할 때, 오직 '손의 위치'만 로봇에게 알려주는 것입니다. 로봇이 벽에 부딪히거나 무거운 물건을 들 때,你的手 (조종자) 에는 그 느낌이 전혀 전달되지 않습니다.
• 결과: 로봇이 벽을 밀어내야 할 때, 당신은 "아, 이제 밀어야지"라고 눈으로만 보고 추측해야 합니다. 그래서 로봇이 벽에 꽉 끼거나, 물건을 떨어뜨리는 실수가 자주 일어납니다. 특히 빠른 동작이나 정교한 작업 (예: 오이 껍질 벗기기) 에는 한계가 있었습니다.

2. 해결책: "쌍방향 통신 (4 채널)"과 "센서 없는 힘 감지"

이 연구팀은 **"양방향 통신"**을 도입했습니다. 로봇이 느끼는 힘과 위치를 모두 조종자에게 돌려보내는 방식입니다. 하지만 여기서 큰 문제가 있었습니다.

• 문제: 힘 센서 (Force Sensor) 는 비싸고, 값싼 로봇 팔에는 장착할 수 없습니다.
• 해결: 연구팀은 **"수학적인 추리 (관측기)"**를 통해 힘 센서 없이도 로봇이 느끼는 힘을 계산해내는 기술을 개발했습니다.

🧠 핵심 비유: "운전면허 시험의 '감각' 훈련"

일반적인 값싼 로봇은 회전각을 측정하는 센서 (엔코더) 만 있습니다. 이 센서로 속도를 계산하면 **시간 지연 (지연)**이 생기고, 그로 인해 로봇이 흔들립니다.

• 기존 방식: "눈으로 보니까 속도가 느려졌네?"라고 뒤늦게 반응하는 것 (지연 발생).
• 이 연구의 방식: "내 엔진 (모터) 에 가한 힘과 로봇의 무게를 알고 있으니, 이제부터는 어떤 속도로 움직일지 미리 예측할 수 있다"는 논리입니다.
  • 마치 운전할 때, 핸들을 꺾기 전에 차가 어떻게 움직일지 예상해서 미리 액셀을 조절하는 것처럼, **예측 (모델)**과 실제 측정값을 합쳐서 힘과 속도를 정확히 계산해냅니다.

3. 기술의 핵심: "주파수 영역의 조율"

이 기술은 마치 **오디오 이퀄라이저 (EQ)**를 조절하는 것과 비슷합니다.

• 로봇이 흔들리지 않게 하려면 '저주파 (느린 움직임)'와 '고주파 (빠른 진동)'를 적절히 조절해야 합니다.
• 연구팀은 복잡한 수식을 통해 **"이 두 가지 (속도 추정과 힘 추정) 는 사실 하나의旋钮 (노브) 로 조절하면 된다"**는 것을 발견했습니다.
• 비유: 복잡한 오디오 장비의 나사를 10 개나 돌릴 필요 없이, '베이스/트레블'을 조절하는 단 하나의 노브만 잘 돌리면 소리가 완벽해진다는 것을 증명했습니다. 이는 값싼 로봇에도 적용하기 매우 실용적인 방법입니다.

4. 실험 결과: "실제 로봇으로 확인하다"

연구팀은 일본의 'CRANE-X7'이라는 값싼 로봇 팔을 이용해 실험했습니다.

• 자유 운동: 로봇 팔을 빠르게 흔드는 실험에서, 기존 방식보다 훨씬 정확하고 흔들림 없이 움직였습니다.
• 접촉 작업: 화이트보드를 닦거나, 오이를 껍질 벗기기, 너트 조이기 같은 정교한 작업을 시켰습니다.
  • 결과: 힘의 느낌을 전달받지 못하면 실패율이 높았지만, 이 기술을 쓰면 성공률이 비약적으로 상승했습니다. 로봇이 물체를 잡을 때 너무 세게 잡거나, 너무 약하게 잡는 실수가 사라졌습니다.

5. 더 큰 의미: "로봇 학습 (Imitation Learning) 의 혁명"

이 기술의 가장 큰 성과는 **'로봇이 사람을 모방하는 학습'**에 있습니다.

• 비유: 로봇에게 "이렇게 해봐"라고 가르칠 때, 힘의 정보까지 포함해서 가르치면 로봇이 훨씬 빨리, 똑똑하게 배웁니다.
• 결과: 힘 정보가 포함된 데이터를 가지고 학습시킨 로봇은, 힘 정보가 없는 데이터를 가지고 학습시킨 로봇보다 작업 성공률이 압도적으로 높았습니다.
  • 즉, 값싼 장비로 '고퀄리티'의 학습 데이터를 만들어낼 수 있게 된 것입니다.

요약

이 논문은 **"비싼 센서가 없어도, 수학적인 지능 (관측기) 을 이용해 로봇에게 힘의 감각을 불어넣을 수 있다"**는 것을 증명했습니다.
이는 앞으로 수천 대의 값싼 로봇을 만들어 대규모 데이터를 수집하고, 더 똑똑한 로봇을 개발하는 데 필수적인 기술이 될 것입니다. 마치 저가형 스마트폰으로도 고화질 사진을 찍을 수 있게 만든 기술과 같은 의미를 가집니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 최근 딥러닝 기반의 모방 학습 (Imitation Learning) 을 위해 로봇의 데모 데이터 수집이 활발해지고 있으며, 이를 위해 ALOHA, GELLO 등 저비용 하드웨어가 널리 사용되고 있습니다.
• 한계점:
  • 기존 저비용 원격 조작 시스템은 대부분 단방향 제어 (Unilateral Control) 에 의존하여 힘 피드백이 없습니다. 이는 고속 운동이나 접촉이 많은 작업 (Contact-rich tasks) 에서 성능을 제한합니다.
  • 힘 센서가 부재한 저비용 매니퓰레이터 (예: CRANE-X7) 에서는 엔코더 해상도가 낮고 제어 주기가 느려, 기존 4 채널 양방향 제어에 필요한 정확한 속도 및 외력 추정이 어렵습니다.
  • 특히, 저해상도 엔코더에서 미분 필터를 사용할 경우 위상 지연 (Phase lag) 이 발생하여 제어 이득을 낮추게 되고, 이는 시스템의 강성 (Stiffness) 저하와 불안정성을 초래합니다.
  • 저비용 하드웨어의 비선형 동역학 (마찰, 중력, 코리올리 힘 등) 을 정확히 보정하지 못하면 모델 오차가 커져 제어 성능이 떨어집니다.

2. 제안 방법론 (Methodology)

이 논문은 센서가 없는 (Sensorless) 4 채널 양방향 제어 프레임워크를 제안하며, 저비용 매니퓰레이터에서도 고속 및 접촉 작업이 가능한 안정된 힘 - 위치 상호작용을 실현합니다.

• 비선형 동역학 보상 (Nonlinear Dynamics Compensation):

  • 매니퓰레이터의 강체 링크 모델을 기반으로 한 비선형 동역학 파라미터 (관성, 중력, 마찰 등) 를 사전에 식별 (Identification) 합니다.
  • 식별된 파라미터를 사용하여 제어 입력에 비선형 항 (코리올리, 원심력, 중력 등) 을 보상함으로써, 모델 오차를 최소화하고 저해상도 센서 환경에서도 높은 제어 성능을 확보합니다.

• 교란 관측기 기반 속도 및 외력 추정 (Disturbance Observer-based Estimation):

  • 토크 센서 없이 위치 정보와 입력 토크만으로 속도 ($\dot{q}$) 와 외부 힘 ($\tau_{ext}$) 을 동시에 추정합니다.
  • 기존 1 차 저역통과필터 (LPF) 를 사용한 미분 방식의 위상 지연 문제를 해결하기 위해, 보완 필터 (Complementary Filter) 구조를 도입했습니다.
    • 입력 토크와 식별된 동역학 모델을 기반으로 한 속도 예측값과, 위치 미분값을 결합하여 위상 지연을 줄였습니다.
  • 주파수 영역 해석: 관측기 구조를 주파수 영역에서 해석하여, 속도 추정 대역폭과 외력 추정 대역폭 사이의 내재적 결합 관계를 명확히 했습니다. 이를 통해 두 개의 관측기 이득을 하나의 차단 주파수 ($\omega_c$) 로 통합하여 튜닝할 수 있는 실용적인 가이드라인을 제시했습니다.

• 4 채널 양방향 제어 구조:

  • 주어진 좌표 변환 (차분과 평균) 을 통해 위치 제어 (차분 좌표) 와 힘 제어 (평균 좌표) 를 독립적으로 설계합니다.
  • 식별된 비선형 동역학 보상과 교란 관측기를 결합하여, 저비용 하드웨어에서도 높은 추적 성능과 안정성을 확보합니다.

3. 주요 기여 (Key Contributions)

1. 실용적인 센서리스 4 채널 양방향 제어 시스템: 비선형 동역학 식별 모델과 교란 관측기 기반 추정을 통합하여, 힘 센서 없이도 저비용 매니퓰레이터에서 고속 및 접촉-rich 데모 수집이 가능함을 증명했습니다.
2. 관측기 튜닝의 체계적 가이드라인: 주파수 영역 해석을 통해 속도와 외력 추정의 대역폭 결합 관계를 규명하고, 관측기 이득 튜닝의 자유도를 단일 차단 주파수로 축소하는 하드웨어 지향적 파라미터 설정 방법을 제시했습니다.
3. 모방 학습 성능 향상: 제안된 시스템을 통해 수집된 데모 데이터에 힘 정보를 포함시킴으로써, 다양한 조작 작업 (Dual-arm Pick-and-Place, Nut Turning, Cucumber Peeling 등) 에서 모방 학습의 성공률을 획기적으로 높였음을 실험적으로 검증했습니다.

4. 실험 결과 (Results)

• 원격 조작 성능 비교 (CRANE-X7 로봇 사용):
  • 자유 운동 (Free Motion): 제안된 방법은 단방향 제어, 대칭 위치 제어, 힘 피드백 제어, 고정 관성 4 채널 제어, 위상 지연 속도 추정 4 채널 제어보다 평균 절대 오차 (MAE) 가 가장 낮았습니다. 특히 위상 지연이 있는 속도 추정 방식은 진동이 발생했으나, 제안 방법은 안정적으로 고속 운동을 수행했습니다.
  • 접촉 작업 (Wiping Task): 접촉이 많은 작업에서도 제안 방법은 낮은 위치 오차와 안정적인 힘 추정을 보여주었습니다. 고정 관성 모델을 사용한 경우 힘 오차가 작아 보였으나, 이는 모델 오차의 상쇄 현상이었으며 실제 물리적 정확도는 제안 방법이 더 우수했습니다.
• 모방 학습 (Imitation Learning) 성능:
  • 작업: 양손 잡기 (Dual-arm Pick-and-Place), 너트 조이기, 오이 껍질 벗기기.
  • 결과:
    • 힘 정보를 입력과 출력 모두에 사용할 때 모든 작업에서 100% 성공률을 기록했습니다.
    • 힘 정보를 입력에만 사용했을 때는 잡기 (Pick) 성공률은 높았으나, 놓기 (Place) 단계에서 불안정성이 발생했습니다.
    • 힘 정보를 전혀 사용하지 않았을 경우, 작은 물체 (10~20mm) 잡기나 접촉이 필요한 작업에서 실패율이 매우 높았습니다.
  • 이는 힘 정보가 로봇의 미세한 접촉 제어와 작업 성공에 필수적임을 시사합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 저비용 하드웨어의 한계 극복: 고가의 힘 센서나 고정밀 엔코더 없이도, 정교한 동역학 식별과 관측기 설계를 통해 산업용 수준의 양방향 원격 조작이 가능함을 증명했습니다.
• 데이터 수집 및 학습 효율성: 힘 정보가 포함된 고품질 데모 데이터 수집을 가능하게 하여, 모방 학습의 성공률을 크게 향상시켰습니다. 이는 대규모 로봇 학습 데이터셋 구축에 있어 비용 효율적인 솔루션을 제공합니다.
• 실용적 튜닝 가이드: 복잡한 관측기 파라미터를 단일 차단 주파수로 단순화한 튜닝 방법은 실제 저비용 로봇 시스템 구현에 있어 공학적 실용성을 높였습니다.

이 연구는 저비용 로봇을 활용한 모방 학습의 실용성을 높이고, 힘 피드백이 필요한 정밀 조작 작업에서도 센서리스 제어의 가능성을 열었다는 점에서 중요한 의의를 가집니다.