기술 요약: 맥락 인식형 외골격 보조를 향하여

문제 정의

현재의 능동형 등 지지 외골격은 최적화 및 적응 측면에서 상당한 한계에 직면해 있다. 이러한 시스템은 근육 활성도와 척추 부하를 효과적으로 감소시키지만, 일반적으로 맥락 인식형 보조 조절 기능이 결여된 반응형 감지 메커니즘에 의존한다. 사용자 및 환경 데이터를 고수준 제어로 통합하는 데 있어 중요한 격차가 존재하며, 구체적으로 기존 시스템은 페이로드(payload)와 사용자 의도를 기반으로 최적의 지원 수준을 결정하는 데 어려움을 겪고 있다. 또한, 현재의 페이로드 추정 기술은 종종 지연 시간(latency) 문제로 인해, 등 근육의 피크 활성화가 발생하는 초기 리프팅 단계 이전에 보조를 조절하지 못하는 한계를 보인다. 아울러, "일률적인(one-size-fits-all)" 고보조 방식은 가벼운 하중의 경우 관절 불일치, 불편함 증가 및 수용성 저하를 유발할 수 있어 최적이 아니다.

방법론

1. 다중 지표 최적화 공간

저자들은 먼저 페이로드($P_{yl}$)와 보조 수준($A_s$) 사이의 관계를 정의하기 위해 인구 집단 유래 최적화 프레임워크를 구축하였다.

• 데이터 수집: 12명의 건강한 피험자를 대상으로 다양한 보조 수준(낮음, 중간, 강함) 하에서 5kg(가벼움), 10kg(중간), 15kg(무거움)의 무게를 이용한 스투프 리프팅(stoop lifting) 과업을 수행하도록 하여 실험을 진행하였다.
• 최적화 함수 (OF): 가우시안 프로세스(Gaussian Processes)와 Radial Basis Function 커널을 사용하여 연속적인 최적화 공간을 구축하였다. 전체 최적화 함수($J_{tot}$)는 세 가지 가중치 지표를 결합한다:
  • EMG 감소 ($J_{EMG}$): 등 및 다리 근육 활동의 백분율 감소 (가중치 0.6).
  • 인지된 불편함 ($J_{dsc}$): 힘, 편안함, 움직임 제한을 평가하는 가중치 적용 설문지로부터 도출 (가중치 -0.2).
  • 사용자 선호도 ($J_{prf}$): 페이로드에 따른 보조 수준에 대한 주관적 선호도 (가중치 0.2).
• 목표: 근육 감소와 편안함 및 선호도 사이의 균형을 맞추는, 주어진 페이로드에 대한 최적의 보조 수준을 정의하는 비선형 관계를 식별하는 것이다.

2. 컴퓨터 비전 기반 적응형 제어 파이프라인

예측 가능하고 지연 없는 보조를 가능하게 하기 위해, 저자들은 컴퓨터 비전을 활용한 고수준 제어 전략을 개발하였다.

• 하드웨어: 외골격의 오른쪽 엉덩이에 장착된 RGB 카메라와 ToF(Time-of-Flight) 깊이 센서를 사용한다. 데이터는 Raspberry Pi 4B를 통해 처리되며, 낮은 지연 시간(~100 ms end-to-end)을 유지하기 위해 무거운 연산은 클라우드 워크스테이션(Apple M3 칩)으로 오프로딩된다.
• 객체 탐지 및 선택: 미세 조정된 YOLOv11 모델이 객체를 탐지한다. ToF 센서는 각 객체에 대한 확률 계수($\alpha_i$)를 계산하기 위한 깊이 데이터를 제공하여, 근접성과 시야각(field-of-view angle)을 기준으로 리프팅될 가능성이 가장 높은 객체를 선택한다.
• 페이로드 추정: 선택된 객체의 이미지는 딥러닝 모델을 통해 무게를 세 가지 범주(가벼움, 중간, 무거움)로 분류한다.
  • 모델 비교: 저자들은 MobileNetv2(CNN)와 DINOv2(Vision Transformer)를 비교하였다.
  • 선택: DINOv2는 우수한 특징 추출, 깊이 인지 능력, 그리고 혼란스럽거나 투명한 박스 시나리오에서 전경과 배경을 구분하는 능력을 갖추고 있어 최종 선택되었다.
• 제어 통합: 추정된 페이로드 클래스는 실시간으로 저수준 보조 토크 프로파일($\tau_{adj} = \tau_{cmd} \cdot k_{pyl}$)의 스케일을 조정하여, 리프팅 사이클이 시작되기 전에 보조 이득(gain)을 조절한다.

3. 검증

두 번째 코호트인 12명의 피험자를 대상으로 걷기 및 리프팅 과업이 포함된 동적 환경에서 시스템을 검증하였다. 성능은 EMG(척추기립근 및 다리 근육), 인지된 불편함, 사용자 선호도를 통해 측정되었으며, 적응형 파이프라인을 정적 보조 베이스라인 및 외골격 미착용 조건과 비교하였다.

주요 기여

1. 최적화 공간 정의: 페이로드와 최적 보조 사이의 비선형 관계를 밝히는 새로운 다중 지표 최적화 공간을 공식화하였다. 본 연구는 높은 보조가 평균 등 근육 활성도는 낮추지만, 다리 근육의 피크 활성화와 불편함을 증가시킬 수 있음을 식별하여 페이로드 의존적 전략의 필요성을 입증하였다.
2. 비전 기반 파이프라인: DINOv2와 깊이 센싱을 사용하여 리프팅 전 페이로드를 추정함으로써, 지연 시간을 제거하는 실시간 예측 제어 파이프라인을 개발하였다.
3. 통합 및 검증: 비전 파이프라인을 외골격 제어 루프에 성공적으로 통합하여, 불편함을 증가시키지 않으면서 정적 베이스라인보다 개선된 성능을 입증하였다.
4. 오픈 소스 공개: 추가 연구를 촉진하기 위해 오픈 소스 데이터와 코드를 제공한다.

결과

• 최적화 경향: 베이스라인 데이터 분석 결과, 최적의 보조는 페이로드에 따라 비선형적으로 증가함이 확인되었다. 구체적으로, 다리 근육 활성화와 불편함을 최소화하기 위해서는 가벼운 하중에 낮은 보조가 최적이며, 등 근육 감소를 극대화하기 위해서는 무거운 하중에 강한 보조가 필요하다.
• 모델 성능: DINOv2 기반 페이로드 추정 모델은 안정적인 학습을 보였으며, 오프라인 학습 시 정확도가 90.32%에서 94.72%로 향상되었다. 실시간 실험에서 전체 컴퓨터 비전 기반 적응형 제어 파이프라인은 **82.41%**의 전체 분류 정확도를 달야냈으며, 가벼움, 중간, 무거움 클래스에 대해 각각 85.30%, 76.30%, 86.10%의 정밀도(precision)를 기록하였다.
• 근육 활성화: 적응형 전략은 정적 베이스라인과 비교하여 피크 등 근육 활성도를 최대 23% 감소시켰고, 평균 오프로딩(offloading)을 8.15% 개선하였다. 특히, 적응형 제어는 중간 하중에서 피크 다리 근육 활성도를 감소시킨 반면, 정적 고보조 방식은 이를 증가시켰다.
• 불편함 및 선호도: 적응형 제어 시 (무거운 하중에 대한 높은 보조로 인해) 인지된 불편함이 약간 증가했으나, 선형 혼합 효과 모델(Linear Mixed-Effects Models)을 통한 통계 분석 결과, 적응형과 정적 조건 간의 전체 불편함에는 유의미한 차이가 없었다 ($p=0.454$). 그러나 **83.33%**의 피험자가 맥락 인식형 지원을 높게 평가하며 적응형 제어를 선호하였다.
• 통계적 유의성: 선형 혼합 효과 모델은 보조 유형의 매우 유의미한 주효과를 확인하였으며 ($p < 0.001$), 적응형 보조가 정적 보조보다 등 근육 활동을 8.15% 더 많이 감소시켰다.

의의 및 주장

본 논문은 등 외골격 보조를 위한 다중 지표 지형(landscape)에 대한 최초의 체계적이고 경험적인 분석을 제공하며, 최적의 지원 수준이 직관만으로는 유추할 수 없는 비선형적 추세를 따른다는 것을 입증한다고 주장한다. 저자들은 다음과 같은 점을 통해 자신들의 접근 방식이 능동형 등 지지 외골격의 새로운 벤치마크를 설정한다고 단언한다:

• 리프팅 사이클 이전에 지원을 조절함으로써, 반응형 시스템의 핵심적인 지연 문제를 해결하는 **예측적 인지(predictive perception)**를 가능하게 한다.
• 인구 집단 유래 프레임워크를 통해 피험자 독립적인(subject-independent) 최적화를 달성한다.
• 맥락 인식 적응형 제어가 정적 또는 수동 전략에 비해 생체 역학적 효과와 사용자 편안함 사이의 우수한 균형을 제공함을 입증한다.

본 연구는 예측 가능한 맥락 인식 조절을 갖춘 능동형 외골격이 가변적인 산업 현장에서 성능을 최적화하기 위해 수동 또는 정적 시스템보다 선호된다는 결론을 내린다. 저자들은 투명한 박스에 대한 학습 의존도와 클라우드 기반 프로세싱을 한계점으로 인정하며, 향후 연구는 엣지 컴퓨팅, 불투명한 객체에 대한 센서 퓨전, 그리고 다양한 산업 환경에서의 테스트에 집중해야 한다고 제언한다.