기술 요약: TaSA – 촉각 감각 감쇠를 위한 2단계 심층 예측 학습

1. 문제 정의

로봇의 손 안 조작(in-hand manipulation), 특히 핀치(pinching), 도구 사용, 정밀 삽입과 같이 미세한 기민함이 필요한 작업은 매우 중요한 과제에 직면해 있습니다. 바로 자기 접촉(손가락이 다른 손가락이나 손바닥에 닿는 것)과 외부 접촉(손가락이 물체에 닿는 것)을 생성하는 촉각 신호를 구별하는 문제입니다.

현재의 로봇 접근 방식은 종종 자기 접촉을 피하기 위해 움직임을 제한하거나, 자기 촉각 정보를 완전히 무시함으로써 이러한 복잡성을 완화하려 합니다. 그러나 실제 환경에서 자기 접촉은 불가피합니다. 로봇이 자신의 움직임과 외부 상호작용을 구분하지 못할 때, 자기 접촉을 외부 접촉으로 오인할 위험이 있습니다. 이는 불안정한 파지(grasp), 잘못된 작업 종료, 그리고 물체나 로봇에 대한 잠재적 손상으로 이어질 수 있습니다. 인간은 감각 감쇠(Sensory Attenuation, SA)—신경계가 예측 가능한 자기 생성 감각 신호의 가중치를 낮추어 새로운 외부 자극을 강조하는 메커니즘—를 활용하지만, 로봇은 이러한 신호를 효과적으로 필터링할 수 있는 동등한 예측 프레임워크가 부족합니다.

2. 방법론: TaSA 프레임워크

저자들은 로봇 손에 감각 감쇠를 재현하기 위해 설계된 2단계 심층 예측 학습 프레임워크인 TaSA를 제안합니다. 핵심 목표는 자기 접촉 역학을 명시적으로 모델링하고 이를 차감함으로써, 외부 물체와의 상호작용만을 분리해내는 것입니다.

1단계: 자기 접촉 학습 (Self-Touch Learning)

이 단계에서는 외부 물체와 독립적으로, 오직 손가락-손가락 또는 손가락-손바닥 접촉에서 발생하는 촉각 피드백을 예측하도록 완전 연결 신경망(FCN)을 학습시킵니다.

• 입력: 현재 관절 위치 ($q_t$) 및 이전 타임스텝의 목표 관절 위치 ($q^{des}_{t-1}$).
• 출出力: 검지와 엄지 손가락 끝의 예측된 촉각 상태 ($\hat{s}_t$).
• 학습 데이터: 다양한 자세에 걸쳐 자유 공간 운동 및 자기 접촉 시나리오(예: 물체 없이 문지르거나 꼬집는 동작) 동안 수집된 데이터.
• 목표: 모델은 관절 구성과 자기 접촉의 특징적인 촉각 패턴 사이의 연관성을 학습합니다.

2단계: 동작 학습 (Motion Learning)

이 단계는 학습된 자기 접촉 모델을 조작 작업을 위한 제어 정책에 통합합니다.

• 구조: 순환 신경망(LSTM)은 다음의 결합된 입력 벡터를 처리합니다:
  1. 현재 관절 위치 ($q_t$).
  2. 원시 촉각 센서 데이터 ($T_t$).
  3. 1단계 FCN의 동결된 복사본에 의해 생성된 예측된 자기 접촉 신호 ($\hat{s}_t$).
• 메커니즘: LSTM은 다음 관절 구성, 목표 관절 구성, 그리고 결과적인 원시 촉각 피드백을 예측합니다. 예측된 자기 접촉 신호를 네트워크에 명시적으로 입력함으로써, 시스템은 기대되는 자기 생성 신호를 "감쇠"하는 법을 배웁니다. 이를 통해 네트워크는 잔여 신호(즉, 외부 물체 상호작용을 나타내는 신호)에 집중할 수 있습니다.
• 차별점: 모든 촉각 입력을 외부 것으로 취급하는 베이스라인 방법과 달리, TaSA는 예측된 자기 접촉을 참조로 사용하여 예측 가능한 내부 노이즈를 필터링함으로써 물체 접촉에 대한 신호 대 잡음비(SNR)를 높입니다.

3. 실험 설정

프레임워크는 검지와 엄지 손가락 끝에 고해상도 3축 촉각 센서인 uSkin이 장착된 Allegro Hand(16 DOF)를 사용하여 평가되었습니다. 실험에는 자연스러운 움직임 궤적을 생성하기 위해 리더-팔로워(leader-follower) 텔레오퍼레이션 시스템이 사용되었습니다.

다양한 조건 하에서의 미세한 촉각 식별 능력을 테스트하기 위해 세 가지 정밀 삽입 작업이 선택되었습니다:

1. 클립 고정 (Paper Clip Fixing): 종이의 서로 다른 측면 위치에 작은 클립과 큰 클립을 부착.
2. 동전 삽입 (Coin Insertion): 1엔, 100엔, 500엔 동전을 서로 다른 위치의 좁은 슬롯에 삽입.
3. 연필심 삽입 (Pencil Lead Insertion): 다양한 직경(0.7mm ~ 2.0mm)의 연필심을 기계 연필의 서로 다른 각도로 삽입.

평가는 일반화 능력을 조사하기 위해 특정 위치, 크기 또는 각도를 테스트용으로 예약하는 엄격한 훈련-테스트 분할 방식을 채택했습니다.

4. 주요 결과

연구는 TaSA(원시 촉각 + 예측된 자기 접촉)를 원시 촉각(RT)만을 사용하는 베이스라인과 비교했습니다.

• 자기 접촉 예측 정확도: 1단계 모델은 실제 자기 접촉 신호와 높은 상관관계($r \approx 0.96$ 엄지, $r \approx 0.98$ 검지)를 달성했습니다. 예측 오차는 지속적인 자기 접촉 중에는 거의 zero에 가까웠으며, 주로 급격한 전환 중에 편차가 발생하여 자기 접촉 성분을 효과적으로 분리해냈습니다.
• 작업 성능 향상:
  • 클립 고정: 성공률이 70%(RT 전용)에서 95%(TaSA)로 증가했습니다. 개선은 특히 베이스라인에서 자기 접촉이 성공적인 클립 부착과 유사하게 나타났던 "앞쪽" 배치에서 두드러졌습니다.
  • 동전 삽입: 성공률이 **68%**에서 **92%**로 향상되었습니다. TaSA는 모든 동전 크기에 대해 보지 못한 "중간" 슬롯에서 완벽한 일반화(100% 성공)를 보여주었으나, 베이스라인은 가장자리 접촉 시 어려움을 겪었습니다.
  • 연필심 삽입: 가장 어려운 작업인 이 과제에서 성공률은 **26%**에서 **58%**로 상승했습니다. TaSA는 훈련되지 않은 각도에서도, 특히 촉각 신호가 약한 가는 심에서도 상당한 견고함을 보여주었습니다.
• 특징 공간 분석 (PCA): 학습된 특징 공간 시각화 결과, TaSA는 자기 생성 신호에 의한 분산을 감소시켰습니다. 이는 베이스라인에서 관찰된 겹치는 클러스터와 비교하여, 서로 다른 작업 상태(예: 서로 다른 동전 크기나 삽입 각도에 대한 뚜も렷한 클러스터) 간의 더 명확한 분리를 만들어냈습니다.

5. 의의 및 주장

본 논문은 구조화된 촉각 지각이 감각 감쇠에 기반하는 것이 정교한 로봇 조작에 필수적이라고 주장합니다.

• 독창성: TaSA는 다중 손가락 조작에서 자기 접촉 역학을 명시적으로 모델링하고 활용하여 촉각 신호를 필터링하는 최초의 프레임워크로 제시됩니다. 이는 기존 연구들이 자기 접촉을 무시하거나 외부 접촉과 구별하지 못했던 공백을 메웁니다.
• 일반화: 결과는 자기 생성 신호를 예측하고 차감함으로써 로봇이 보지 못한 물체의 기하학적 구조, 위치 및 방향에 더 잘 일반화할 수 있음을 입증합니다.
• 견고성: 이 프레임워크는 자기 접촉이 불가피한 접촉이 빈번한 환경에서 안정적인 제어를 가능하게 하며, 예측 가능한 촉각 노이즈에 의해 시스템이 압도되는 것을 방지합니다.
• 향 향후 방향: 저자들은 이 접근 방식이 손가락 간 또는 손가락-손바닥 상호작용이 빈번하여 파지 안정성과 물체 무결성을 유지하기 위해 반드시 구분되어야 하는, 더 복합적인 고자유도(high-DOF) 시나리오로 확장하기 위한 필수적인 단계라고 제안합니다.

저자들은 본 프레임워크가 외부 촉각을 별도의 입력으로 추출하는 데 유망함을 보여주었지만, 더 복잡한 고자유도 시나리오에서 그 잠재력을 완전히 실현하기 위해서는 추가적인 조사가 필요하다는 점을 언급하며 신중한 태도를 유지했습니다.