Anomaly detection for generic failure monitoring in robotic assembly, screwing and manipulation

논문 요약: 로봇 조립, 나사 체결 및 조작을 위한 범용 고장 모니터링을 위한 이상 탐지 (Anomaly Detection)

1. 문제 정의 (Problem)

로봇 조작 작업에서 환경, 작업, 또는 로봇 자체의 변화로 인해 비정상 상태 (Out-of-Distribution, OOD) 가 발생하면 예측 불가능한 로봇 행동이나 작업 실패로 이어질 수 있습니다. 이는 작업 성공률 저하와 장비 손상 위험을 증가시킵니다.
기존의 이상 탐지 (AD) 연구는 특정 작업에 국한되거나, 접촉이 많은 작업 (Contact-rich tasks) 에서의 적용성이 부족했습니다. 또한, 다양한 로봇 제어 전략 (위치 제어, 임피던스 제어, 확산 정책 등) 과 작업 유형 간에 동일한 AD 접근법의 전환 가능성 (Transferability) 이 입증되지 않았습니다. 따라서 다양한 산업용 로봇 작업에 적용 가능하고, 데이터 효율성이 높으며, 실시간으로 실패를 감지할 수 있는 범용적인 AD 프레임워크가 필요합니다.

2. 방법론 (Methodology)

이 연구는 시계열 데이터 (힘/토크 신호, 관절 위치 등) 를 활용하여 로봇 - 환경 상호작용을 직접 포착하는 데이터 기반 이상 탐지 프레임워크를 제안합니다.

• 데이터 처리:
  • 작업 실행 중 수집된 시계열 데이터를 슬라이딩 윈도우 (Sliding Window) 방식으로 처리하여 높은 시간적 정밀도를 유지합니다.
  • 각 실행 (Run) 별 궤적을 독립적으로 윈도우화하여 데이터 누출 (Data Leakage) 을 방지합니다.
  • 데이터 정규화 없이 원시 데이터를 사용했습니다.
• 모델 아키텍처:
  • 오토인코더 (Autoencoder, AE) 기반의 여러 모델을 비교 평가했습니다.
  • 주요 모델: 변분 오토인코더 (VAE), 일반 AE, 불완전 오토인코더 (UAE), 그리고 컨볼루션 레이어를 도입한 SWCVAE.
  • VAE 는 재구성 손실 (Reconstruction Loss) 과 KL 발산 (KL Divergence) 을 결합한 손실 함수를 사용하여 잠재 공간 (Latent Space) 을 학습합니다.
• 임계값 설정 (Threshold Computation):
  • 기존 실패 데이터가 없는 준-지도 학습 (Semi-supervised) 방식을 채택했습니다.
  • 정상 (Nominal) 작업 데이터만으로 모델을 학습시킨 후, 재구성 오차의 분포를 기반으로 임계값을 설정합니다.
  • 각 특징 (Feature) 별 최대 재구성 오차를 임계값으로 정의하여, 정상 상태의 변동성을 포함하되 비정상 상태를 감지할 수 있도록 합니다.
• 실험 환경:
  • 3 가지 산업용 작업: 케이블 연결 (Plug insertion), 나사 체결 (Screwing), 연마 (Polishing).
  • 다양한 제어 전략: 확산 정책 (Diffusion Policy), 위치 제어 (Position Control), 힘 제어 (Force Control).
  • 센서 데이터: 힘/토크 (Wrench), 관절 위치/속도, 그리퍼 상태 등 멀티모달 데이터 활용.

3. 주요 기여 (Key Contributions)

1. 범용성 검증: 단일 AD 접근법 (VAE 기반) 이 다양한 제어 전략 (학습 기반, 전통적 제어) 과 다양한 접촉-rich 작업 (연결, 체결, 연마) 에 걸쳐 적용 가능함을 입증했습니다.
2. 새로운 데이터셋 구축: 미세한 힘 편차 (Low-magnitude force deviations) 를 포함하는 다양한 실패 유형과 여러 로봇 제어 전략을 아우르는 대규모 산업용 로봇 데이터셋을 구축했습니다.
3. 데이터 효율성 및 실시간성 평가: 학습 데이터 양, 모델 아키텍처, 윈도우 크기 등이 탐지 성능에 미치는 영향을 정량적으로 분석하고, 온라인 실행 가능성과 지연 시간 (Latency) 을 평가했습니다.
4. 새로운 임계값 설정 기법: 실패 데이터가 없는 상태에서도 적용 가능한, 정상 데이터 기반의 특징별 임계값 설정 방법을 제안했습니다.

4. 실험 결과 (Results)

• 성능 지표 (AUROC):
  • 케이블 연결 (Cabling) 및 나사 체결 (Screwing): 잘못된 부품, 정렬 불량, 막힌 타겟 등 다양한 실패 유형에서 AUROC 0.96 이상의 높은 탐지 성능을 보였습니다. 특히 인간 간섭 (Human Disturbance) 과 누락된 부품 탐지는 0.99 에 근접했습니다.
  • 연마 (Polishing): 심각한 고장 (예: 인간 간섭) 은 잘 탐지되었으나 (AUROC 0.93), 미세한 표면 거칠기 변화나 작은 위치 이동과 같은 세밀한 실패는 탐지가 어려웠습니다 (AUROC 0.27~0.71). 이는 정상 작업 시 힘의 변동성이 크고 이상 신호의 편차가 작기 때문입니다.
• 데이터 효율성: 케이블 연결 작업에서 전체 학습 데이터의 50% (10 회 데모) 만으로도 최고 성능 (AUROC 0.86) 을 달성했으며, 데이터 양이 증가할수록 오히려 변동성이 커져 성능이 약간 하락하는 경향을 보였습니다.
• 지연 시간 (Latency): 대부분의 실패 탐지 지연 시간이 수 밀리초 (ms) 이내로 매우 낮아 실시간 적용에 적합함을 보였습니다.
• 모델 비교: 제안된 VAE 모델이 단순 AE 나 CNN 기반 모델보다 일관되게 우수한 성능을 보였으며, 모든 특징 (위치, 힘, 속도 등) 을 입력으로 사용할 때 성능이 가장 높았습니다.

5. 의의 및 결론 (Significance & Conclusion)

• ML 기반 제어의 안전성 강화: 학습 기반 제어 (Imitation Learning 등) 는 비정상 상태 (OOD) 에서 불안정할 수 있는데, 본 연구의 AD 프레임워크는 이러한 상태를 실시간으로 감지하여 안전 장치 (Failsafe) 나 복구 전략을 트리거함으로써 산업 현장에서의 ML 도입 장벽을 낮춥니다.
• 실용적 적용 가능성: 별도의 실패 데이터 수집 없이 정상 데이터만으로 학습이 가능하므로, 실제 산업 환경에서의 적용 비용과 시간을 크게 절감할 수 있습니다.
• 한계 및 향후 과제: 연마 작업과 같이 정상 상태의 변동성이 큰 작업에서는 미세한 이상 탐지가 어렵습니다. 또한, 임계값 설정의 민감도 문제와 시작 위치 변동에 따른 오탐지 (False Positive) 를 해결하기 위해 작업 단계별 변동성을 고려한 동적 임계값 설정 등의 추가 연구가 필요합니다.

이 논문은 다양한 산업용 로봇 작업에 적용 가능한 범용적이고 데이터 효율적인 이상 탐지 시스템의 타당성을 입증하며, 로봇의 자율성과 안전성을 동시에 높이는 중요한 기반 기술을 제시합니다.