Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators

이 논문은 신경 연산자를 활용하여 부드러운 로봇의 무한 차원 폐루프 역운동학 (CLIK) 문제를 해결함으로써, 제어 입력과 로봇 전체 형태 간의 관계를 학습하여 과구동되지 않은 부드러운 로봇의 작업 수행을 가능하게 합니다.

핵심

이 논문은 **소프트 로봇 (Soft Robots)**을 어떻게 더 똑똑하고 유연하게 움직이게 할 수 있는지에 대한 새로운 방법을 제안합니다.

소프트 로봇은 인간의 근육처럼 구부러지고 비틀릴 수 있는 부드러운 로봇입니다. 하지만 이 유연함 때문에 "어떻게 움직여야 목표 지점에 닿을까?"라는 문제를 푸는 것이 매우 어렵습니다. 이 논문은 그 문제를 해결하기 위해 **인공지능 (AI)**과 수학을 결합한 혁신적인 접근법을 소개합니다.

아래는 이 논문의 핵심 내용을 일상적인 언어와 비유로 설명한 것입니다.

---

1. 문제: "구부러진 미끄럼틀"을 어떻게 조종할까?

• 기존 로봇 (강체 로봇): 전통적인 로봇은 팔꿈치나 무릎처럼 '관절'이 딱딱하게 고정되어 있습니다. "팔을 90 도 구부리고, 손목을 45 도 돌리면 손이 저기 닿는다"라고 계산하는 것은 기하학적으로 비교적 쉽습니다.
• 소프트 로봇: 반면, 소프트 로봇은 미끄럼틀이나 뱀처럼 온몸이 구부러질 수 있습니다. 관절이 무수히 많다고 생각하면 됩니다.
  • 어려움: "목표 지점에 닿게 하려면 미끄럼틀의 어느 부분을 얼마나 구부려야 할까?"를 계산하려면, 로봇의 온몸 모양 전체를 고려해야 합니다. 기존의 방법은 로봇의 모양을 몇 개의 간단한 선분으로만 근사했기 때문에, 정교한 작업 (예: 로봇 몸통의 중간 부분으로 물건을 잡기) 을 하기에 부족했습니다.

2. 해결책: "무한한 상상력"을 가진 지도 만들기

이 논문은 로봇의 모양을 유한한 (정해진) 수의 선분이 아니라, 연속적이고 무한한 곡선으로 생각합니다. 이를 위해 두 가지 중요한 단계를 거칩니다.

① "조작자"와 "모양"의 연결 (Neural Operator)

소프트 로봇은 "어떤 힘 (조작) 을 가하면 어떤 모양이 되는가?"를 수학 공식으로 딱 떨어지게 표현하기 어렵습니다. 마치 "약간의 바람을 불면 나뭇잎이 어떻게 흔들릴지"를 공식으로 쓰기가 어렵듯이요.

• 해결책: 연구자들은 **AI(신경 연산자, Neural Operator)**를 훈련시켜 이 관계를 학습시켰습니다.
• 비유: 이 AI 는 마치 유능한 요리사와 같습니다.
  • 입력: "이 정도 양념 (조작) 을 넣어줘."
  • 출력: "그럼 이렇게 요리가 익어서 모양이 변할 거예요 (로봇의 전체 모양)."
  • 이 AI 는 로봇의 전체 몸통이 어떻게 변하는지 연속적인 지도로 기억하고 있습니다.

② "목표"와 "모양"의 연결 (Chain Rule)

이제 로봇이 목표 지점에 닿게 하려면, AI 가 예측한 모양을 바탕으로 "어떤 조작을 더 해야 할까?"를 계산해야 합니다.

• 해결책: 연구자들은 수학적 도구 (무한 차원 연쇄 법칙) 를 사용하여, 조작 → 모양 → 목표라는 연결고리를 하나의 공식으로 만들었습니다.
• 비유: 이는 GPS 네비게이션과 같습니다.
  • "지금 위치 (로봇 모양)"와 "목적지 (목표)"를 비교합니다.
  • "얼마나 틀어져 있는지"를 계산하고, "어떻게 고쳐야 가장 빨리 도착할지" 방향을 알려줍니다.
  • 중요한 점은, 이 GPS 가 로봇의 손끝뿐만 아니라 몸통의 어느 부분이든 목표에 가장 가까운 곳을 찾아서 그 부분을 먼저 움직이게 한다는 것입니다.

3. 실제 적용: 코끼리 코처럼 생긴 로봇 팔

연구진은 이 방법을 코끼리 코처럼 생긴 3 개의 섬유로 만든 소프트 로봇 팔에 적용해 보았습니다.

• 실험 결과:
  • 로봇은 목표 지점에 도달하기 위해, 단순히 끝부분만 움직이는 것이 아니라 자신의 몸통 전체를 유연하게 구부리며 가장 효율적인 경로를 찾았습니다.
  • 마치 뱀이 먹이를 잡을 때 몸 전체를 휘감듯이, 로봇도 가장 가까운 부분을 먼저 목표에 닿게 하는 '최적의 자세'를 스스로 찾아냈습니다.
  • 이 모든 계산이 실시간으로 이루어져서 로봇이 부드럽고 정확하게 움직였습니다.

4. 왜 이것이 중요한가요? (핵심 요약)

1. 전체적인 사고: 기존의 방법은 로봇의 '관절'만 생각했지만, 이 방법은 로봇의 **온몸 (모든 점)**을 고려합니다.
2. 유연한 작업: 로봇의 끝뿐만 아니라, 몸의 중간 부분으로 물건을 잡거나 장애물을 피하는 등 훨씬 복잡한 작업을 가능하게 합니다.
3. AI 와 수학의 결합: 복잡한 물리 법칙을 외울 필요 없이, AI 가 시뮬레이션 데이터를 통해 배우고, 수학이 그 지식을 제어 명령으로 변환합니다.

결론

이 논문은 **"소프트 로봇을 조종할 때, 그 로봇을 하나의 거대한 살아있는 유기체처럼 생각하자"**고 제안합니다. AI 가 로봇의 몸 전체를 이해하고, 수학이 그 몸이 어떻게 움직여야 할지 지시함으로써, 앞으로는 더 정교하고 안전한 소프트 로봇들이 우리 곁에 찾아올 수 있을 것입니다.

한 줄 요약: "딱딱한 관절 대신, AI 가 가르쳐 준 '연속적인 몸짓'으로 로봇을 자유자재로 조종하는 새로운 방법!"

기술 요약

논문 요약: 신경 연산자를 통한 연성 로봇의 무한 차원 폐루프 역기구학

1. 문제 정의 (Problem)

• 경성 로봇 vs. 연성 로봇: 경성 로봇은 관절이 이산적 (discrete) 이며 완전히 구동 (fully actuated) 되므로, 폐루프 역기구학 (CLIK) 을 통해 기하학적 문제로 효율적으로 해결할 수 있습니다. 반면, 연성 로봇은 연속적으로 굽히고 비틀 수 있어 자유도가 무한대에 가깝지만, 구동기 (actuator) 수는 제한적입니다 (underactuated).
• 기존 방법의 한계: 기존 연성 로봇 제어는 유한 차원의 가상 구성 공간 (virtual configuration space) 을 가정하거나, 기하학적 제약을 수치 최적화 (예: 모델 예측 제어) 를 통해 처리합니다. 이는 전체 로봇의 형상 (shape) 을 고려하기 어렵고, 실시간 계산 비용이 높거나 복잡한 최적화 문제를 유발합니다.
• 핵심 과제: 연성 로봇의 전체 형상 (infinite-dimensional shape space) 을 고려하면서도, 유한한 구동기 입력을 통해 작업을 수행할 수 있는 효율적인 폐루프 역기구학 알고리즘을 개발하는 것입니다.

2. 방법론 (Methodology)

A. 무한 차원 폐루프 역기구학 (Infinite-Dimensional CLIK) 프레임워크
저자들은 유한 차원 CLIK 을 무한 차원 공간으로 확장하여 다음과 같은 두 가지 매핑의 합성 (composition) 을 정의했습니다.

1. 구동기 - 형상 매핑 ($\Lambda$): 유한한 구동기 입력 ($q_a \in \mathbb{R}^m$) 에서 무한 차원의 로봇 형상 ($r \in \mathcal{X}$, 여기서 $\mathcal{X}$는 $L^2$ 힐베르트 공간) 으로 변환하는 내부 모델.
2. 형상 - 작업 매핑 ($\Phi$): 로봇 형상에서 작업 공간 좌표 ($x \in \mathbb{R}^p$) 로 변환하는 순방향 기구학.

이 두 매핑을 무한 차원 연쇄 법칙 (Infinite-dimensional chain rule) 을 통해 결합하여, 구동기 입력에서 작업 공간까지의 미분 가능한 역기구학 (Jacobian) 을 유도했습니다.

• Jacobian 유도: 합성 함수의 Jacobian 은 $\Lambda$의 프레셰 미분 (Fréchet derivative) 과 $\Phi$의 $L^2$ 기울기 (Riesz representation) 를 결합하여 계산됩니다.
• 제어 법칙: 유도된 Jacobian 을 사용하여 작업 오차를 지수적으로 수렴시키는 구동기 속도 명령 ($\dot{q}_a$) 을 생성합니다.
  • $\dot{q}_a = (J_{\Phi \circ \Lambda})^{-1} K (\bar{x} - (\Phi \circ \Lambda)(q_a))$

B. 신경 연산자 (Neural Operator) 를 활용한 모델 학습

• 문제: 실제 연성 로봇의 구동기 - 형상 매핑 ($\Lambda$) 은 해석적 폐쇄형 (closed-form) 식으로 구하기 어렵거나 존재하지 않습니다.
• 해결: DeepONet과 같은 신경 연산자 (Neural Operator) 네트워크를 사용하여 시뮬레이션 데이터로부터 $\Lambda$를 학습합니다.
  • 신경 연산자는 유한한 입력 데이터에서 무한 차원 함수 공간 사이의 매핑을 학습할 수 있으며, 고정된 이산화 (discretization) 에 의존하지 않습니다.
  • 학습된 모델은 입력 (구동기) 에 대해 미분 가능하므로, 자동 미분 (Automatic Differentiation) 을 통해 Jacobian 을 정확하게 계산할 수 있습니다.

C. 작업 공간 정의

• 고정 좌표 작업: 로봇의 특정 점 (예: 끝단) 을 목표점에 도달시키는 작업.
• 최단 거리 (Closest-point) 작업: 로봇 전체 형상 중 목표점에 가장 가까운 점을 자동으로 찾아 도달시키는 작업. 이는 연성 로봇의 연속적 특성을 가장 잘 활용하는 작업으로, 각 단계에서 최적의 아크 길이 좌표 $s^*$를 동적으로 업데이트합니다.

3. 주요 결과 (Results)

1. 해석적 검증 (상수 곡률 세그먼트):

   • 단순한 상수 곡률 (constant curvature) 모델을 사용하여 제안된 알고리즘의 수학적 타당성을 입증했습니다.
   • 고정된 끝점 도달 및 전체 형상 중 최단 거리 도달 시나리오 모두에서 지수적 수렴을 보였습니다.

2. 신경 연산자 적용 (3-섬유 연성 로봇 팔):

   • 모델: 코끼리 코의 근육 구조에서 영감을 받은 3 개의 섬유로 구성된 연성 로봇 팔을 대상으로 했습니다. 이 로봇은 모로탄성 (morphoelasticity) 및 활성 필라멘트 이론에 기반한 복잡한 물리 모델을 가집니다.
   • 학습: 100 만 개의 시뮬레이션 샘플을 사용하여 신경 연산자를 학습시켰습니다.
     • 테스트 결과, 평균 제곱 오차 (MSE) 가 $1.38 \times 10^{-10}$, 상대$L^2$오차가$6.08 \times 10^{-4}$로 매우 높은 정확도를 보였습니다.
   • 제어 성능: 학습된 신경 연산자를 CLIK 알고리즘에 통합하여 3 차원 공간에서의 위치 제어 (Positioning) 를 성공적으로 수행했습니다.
     • 로봇의 전체 형상을 고려하여 목표점에 가장 가까운 부분이 자동으로 선택되어 도달하는 것이 확인되었습니다.
     • 시뮬레이션 시간 ($t \in [0, 1]$) 내에 안정적으로 수렴했습니다.

4. 주요 기여 (Key Contributions)

1. 무한 차원 CLIK 프레임워크 정립: 연성 로봇의 전체 형상 (infinite-dimensional shape) 을 고려하면서도 유한 차원 제어기를 유지하는 새로운 폐루프 역기구학 이론을 제안했습니다.
2. 신경 연산자 기반 Jacobian 계산: 해석적 Jacobian 이 불가능한 복잡한 연성 로봇 모델에 대해, 신경 연산자를 통해 미분 가능한 엔드 - 투 - 엔드 (end-to-end) 기구학을 학습하고 이를 제어에 활용하는 방법을 제시했습니다.
3. 최적의 접촉점 (Closest-point) 작업 지원: 로봇의 특정 점뿐만 아니라 전체 형상 중 목표에 가장 적합한 점을 자동으로 식별하고 제어할 수 있는 유연성을 제공했습니다.

5. 의의 및 의의 (Significance)

• 연성 로봇 제어의 패러다임 전환: 기존의 유한 차원 근사 (basis function 등) 에 의존하던 방식을 넘어, 로봇의 연속적인 변형 특성을 직접적으로 제어 루프에 통합할 수 있는 길을 열었습니다.
• 복잡한 물리 모델의 제어 가능성: 해석적 모델링이 어려운 복잡한 물리 법칙 (모로탄성 등) 을 따르는 로봇도 시뮬레이션 데이터와 신경 연산자를 통해 정밀한 역기구학 제어가 가능함을 입증했습니다.
• 실시간 적용 가능성: 신경 연산자의 빠른 추론 속도와 미분 가능성은 모델 예측 제어 (MPC) 와 같은 계산 집약적인 방법 대신, 실시간으로 실행 가능한 폐루프 제어기를 구현할 수 있게 합니다.
• 향후 전망: 장애물 회피, 작업 공간 궤적 추적, 그리고 실제 로봇 실험을 통한 모델 불일치 (model mismatch) 검증 등 향후 연구의 방향성을 제시했습니다.

이 논문은 기계 학습 (신경 연산자) 과 제어 이론 (CLIK) 을 융합하여 연성 로봇의 정밀한 공간 제어 문제를 해결하는 획기적인 접근법을 제시했다는 점에서 의의가 큽니다.