Safe Payload Transfer with Ship-Mounted Cranes: A Robust Model Predictive Control Approach

1. 문제 정의 (Problem Statement)

• 배경: 해상 물류, 선박 간 이송, 해상 작업 등에서 선박 탑재 크레인은 파도, 바람 등 해양 환경으로 인한 심한 외부 교란 (External Disturbances) 에 노출됩니다.
• 핵심 과제: 선박의 동적 운동 (요, 피치, 롤) 으로 인해 크레인 베이스가 흔들리면, 하중 (Payload) 의 진동과 비선형 동역학이 발생하여 하중의 정확한 위치 제어와 안전성 확보가 매우 어렵습니다.
• 목표: 교란이 있는 환경에서도 하중을 장애물을 피하면서 목표 지점 (예: 선박 갑판의 구멍) 에 정밀하게 삽입 (Insertion) 하되, 충돌 방지와 작동 한계 준수를 보장하는 안전 제어 프레임워크를 개발하는 것입니다.
• 난이도: 기존 MPC(모델 예측 제어) 는 강인성 (Robustness) 과 성능 (Performance) 사이의 균형을 맞추기 어렵고, 불확실성이 있는 비선형 시스템에서 안전성 (Forward Invariance) 을 보장하는 것이 복잡합니다. 또한, 이산 시간 제어에서 샘플링 간격 동안 발생하는 일시적 안전 위반 (Inter-sample violations) 을 방지해야 합니다.

2. 방법론 (Methodology)

저자들은 강인한 제로 차수 제어 장벽 함수 (Robust Zero-Order Control Barrier Function, R-ZOCBF) 를 기반으로 한 안전성 중심의 비선형 모델 예측 제어 (Safe MPC) 프레임워크를 제안했습니다.

A. 시스템 모델링

• 5-DOF 크레인 동역학: 선박의 운동 ($d_s(t)$) 을 외부 교란으로 고려한 5 자유도 (Yaw, Pitch, Tether Length, Payload Roll/Pitch 등) 크레인 시스템을 오일러 - 라그랑주 방정식으로 모델링했습니다.
• 불확실성 모델링: 모델 오차와 측정되지 않은 교란 (바람 등) 을 경계된 불확실성 벡터 $\delta_e(t)$ 로 표현하여 시스템 방정식에 포함시켰습니다.
• 이산 시간 시스템: 실제 제어기는 샘플 - 홀드 (Sample-and-Hold) 방식으로 작동하므로, 연속 시간 시스템을 이산 시간 모델로 변환하여 분석했습니다.

B. 안전성 정의 (Safety Characterization)

• 시간 가변 안전 집합: 하중이 충돌하지 않고 목표물에 안전하게 도달하기 위해 두 가지 안전 조건을 정의했습니다.
  1. 시간 가변 경계 상자 (Time-varying Bounding Boxes): 실시간 센서 데이터 (Point Cloud) 를 기반으로 하중 주변의 장애물을 피할 수 있는 3 차원 경계 상자를 생성합니다.
  2. 부드러운 목표 안전 함수 (Smooth Safety Function for Target): 원통형 하중이 원통형 수용부 (Target) 에 정렬되고 삽입될 때, 목표물 표면이나 가장자리에 충돌하지 않도록 매끄러운 안전 함수 ($h_t$) 를 설계했습니다.
• 통합 안전 집합: 위 두 조건을 교집합으로 정의하여 전체 안전 집합 $C(t)$ 를 구성했습니다.

C. 강인한 MPC 및 R-ZOCBF

• R-ZOCBF (Robust Zero-Order Control Barrier Function):
  • 기존 이산 시간 CBF 는 샘플링 시점에만 안전을 보장하지만, 그 사이 (Inter-sample) 에 안전이 위반될 수 있는 문제를 해결하기 위해 제로 차수 (Zero-order) 개념을 도입했습니다.
  • 강인성 (Robustness): 시스템의 불확실성 ($\delta_e$) 을 고려하여, 최악의 경우에도 안전 집합이 앞으로 불변 (Forward Invariant) 하도록 보장하는 조건을 유도했습니다.
• 온라인 강인성 파라미터 적응 (Online Robustness Parameter Adaptation):
  • R-ZOCBF 의 보수성 (Conservativeness, 즉 안전을 너무 강조하여 성능이 떨어지는 현상) 을 줄이기 위해 새로운 최적화 기반 적응 방식을 제안했습니다.
  • 현재 상태 주변의 불확실성 샘플을 기반으로 매 시간 단계마다 R-ZOCBF 의 마진 파라미터 ($\delta_t$) 를 온라인으로 조정하여, 불확실성이 클 때는 보수적으로, 작을 때는 공격적으로 제어합니다.
• MPC 최적화 문제:
  • 목적 함수: 하중 궤적 추종, 진동 (Swing) 최소화, 제어 입력 효율성 등을 고려한 비용 함수를 정의했습니다.
  • 제약 조건: 시스템 동역학, 입력/상태 한계, 그리고 R-ZOCBF 기반의 안전 제약 조건을 포함했습니다.
  • 해법: acados 라이브러리의 SQP 실시간 반복 (RTI) 프레임워크를 사용하여 실시간 계산을 수행했습니다.

3. 주요 기여 (Key Contributions)

1. 실험적 검증: 선박 탑재 크레인의 안전 제어 문제를 해결하기 위해 R-ZOCBF 기반 MPC 를 하드웨어 실험에서 처음 성공적으로 구현했습니다.
2. 새로운 적응형 강인성 기법: 불확실성의 변화에 따라 R-ZOCBF 파라미터를 실시간으로 최적화하여, 안전성과 성능 (정밀도) 간의 균형을 자동으로 조절하는 알고리즘을 제안했습니다.
3. 샘플링 기반 안전 보장: 이산 시간 시스템에서 샘플링 간격 동안 발생할 수 있는 안전 위반을 방지하기 위해 ZOCBF 개념을 확장하고, 이를 불확실성이 있는 환경에 적용했습니다.
4. 통합 프레임워크: 비선형 동역학, 실시간 장애물 회피 (경계 상자), 정밀한 목표물 삽입 (부드러운 안전 함수) 을 하나의 제어 프레임워크에 통합했습니다.

4. 실험 결과 (Results)

• 실험 설정:

  • 하드웨어: 5-DOF 크레인 프로토타입과 Stewart 플랫폼을 사용하여 선박의 파도 운동을 시뮬레이션했습니다.
  • 환경: 4cm 직경 PVC 파이프 (하중) 를 5cm 구멍 (목표) 에 삽입하는 작업 수행.
  • 교란: 베이스가 $\pm 0.05$m 진폭의 정현파로 1 초 주기로 횡방향 이동.
  • 센싱: RealSense 카메라를 이용한 실시간 하중 및 목표물 위치 추정, IMU 를 이용한 베이스 운동 측정.

• 성능 비교:

  • 기존 방식 (Nominal Safety): 불확실성을 고려하지 않은 일반 안전 함수를 사용한 MPC 는 교란 하에서 안전 제약 ($h_t < 0$) 을 위반하여 목표물이나 장애물과 충돌했습니다.
  • 제안 방식 (Robust MPC with R-ZOCBF): 제안된 R-ZOCBF 및 적응형 파라미터를 적용한 MPC 는 심한 교란과 모델 오차에도 불구하고 안전 집합을 유지하며 하중을 목표 지점에 정확히 삽입했습니다.
  • 시뮬레이션 및 하드웨어: 두 환경 모두에서 제안된 방법이 충돌 없이 정밀한 이송을 성공적으로 수행함을 입증했습니다.

5. 의의 및 결론 (Significance and Conclusion)

• 안전한 로봇 조작의 새로운 기준: 이 연구는 불확실성이 큰 동적 환경 (해상, 우주 등) 에서 로봇이 안전을 보장하면서도 정밀한 작업을 수행할 수 있는 강력한 제어 프레임워크를 제시합니다.
• 광범위한 적용 가능성: 선박 크레인 외에도 부품 조립 (Parts Mating), 구멍 삽입 (Peg-in-hole), 우주선 도킹 등 정밀한 접촉이 필요한 로봇 작업 전반에 적용 가능합니다.
• 향후 과제: 접촉 동역학 (Contact Dynamics) 을 고려한 확장, 안정성 및 재귀적 실행 가능성 (Recursive Feasibility) 에 대한 이론적 증명, 그리고 환경 교란 예측을 위한 학습 기반 방법론의 통합 등이 향후 연구 과제로 제시되었습니다.

이 논문은 이론적 안전성 증명과 실제 하드웨어 실험을 결합하여, 해양 환경과 같은 극한 조건에서도 로봇 시스템의 안전과 성능을 동시에 확보할 수 있음을 실증적으로 보여준 중요한 연구입니다.