Simple Models, Real Swimming: Digital Twins for Tendon-Driven Underwater Robots

1. 문제 정의 (Problem)

• 복잡한 유체 - 구조 상호작용: 물속에서 헤엄치는 생물을 모방하는 연성 로봇은 유체와 구조물의 복잡한 상호작용으로 인해 모델링과 제어가 매우 어렵습니다.
• 계산 비용의 한계: 기존의 정밀한 유체 역학 시뮬레이션 (CFD) 은 계산 비용이 너무 커서 강화 학습 (Reinforcement Learning, RL) 과 같은 실시간 제어 알고리즘 훈련에 적용하기 어렵습니다.
• 기존 모델의 부족: 단순화된 해석적 모델 (예: 신장체 이론, EBT) 은 실제 로봇의 복잡한 운동을 설명하는 데 한계가 있으며, 블랙박스 신경망은 해석성이 부족하고 일반화 능력이 떨어집니다.
• 목표: 계산 효율이 높으면서도 실제 물리 시스템과 정확히 매칭되어 강화 학습에 활용 가능한 간단한 디지털 트윈을 개발하는 것입니다.

2. 방법론 (Methodology)

A. 하드웨어 및 실험 설정

• 로봇 설계: 힘줄 구동 (Tendon-driven) 방식의 물고기 로봇을 제작했습니다.
  • 구조: 아크릴 전방부 (Passive) 와 니티놀 (Nitinol) 막대 및 PLA 지지대로 구성된 유연한 꼬리 (Active) 로 구성.
  • 구동: 하나의 모터가 크랭크 - 슬라이더 메커니즘을 통해 두 개의 힘줄을 당겨 꼬리를 S 자 형태로 구부리게 합니다.
  • 데이터 수집: 수조 (2m x 3m) 에서 GoPro 를 이용해 상단에서 촬영하고, OpenCV 의 CSRT 트래커를 사용하여 꼬리 및 머리의 마커 11 개를 추적했습니다.

B. 시뮬레이션 환경 (MuJoCo 기반)

• 이산화된 강체 모델: 연속적인 꼬리를 힌지 조인트로 연결된 강체 세그먼트로 근사화했습니다.
• 상태 비의존적 (Stateless) 유체 모델: MuJoCo 프레임워크에 구현된 간소화된 유체 모델을 사용했습니다.
  • 이 모델은 유체의 압력이나 속도장을 시간에 따라 풀지 않고, 로봇의 현재 상태 (속도, 각속도) 에 기반하여 힘을 직접 계산합니다.
  • 5 가지 유체 계수를 포함합니다:
    1. Blunt Drag (둔한 항력)
    2. Slender Drag (세장 항력)
    3. Angular Drag (각도 항력)
    4. Kutta Lift (쿠타 양력)
    5. Magnus Lift (마그누스 양력)
  • 이 모델은 과일파리 비행 모델 [11] 을 수중 로봇에 적용하도록 확장한 것입니다.

C. 시스템 식별 (System Identification)

• 단계 1 (꼬리 강성): 힘줄을 제거한 상태에서 자연 진동 주파수 (3.5 Hz) 를 측정하여 힌지 조인트의 강성을 식별했습니다.
• 단계 2 (구동 매칭): 수중 밖에서 모터 각속도와 위상 오프셋을 최적화하여 시뮬레이션과 실제 꼬리 운동의 오차를 최소화했습니다.
• 단계 3 (유체 계수 최적화): 수중 실험 데이터 (0.60 Hz, 1.19 Hz 의 두 가지 주파수) 를 사용하여 5 가지 유체 계수를 베이지안 최적화 (Bayesian Optimization) 와 Nelder-Mead 알고리즘으로 식별했습니다.

3. 주요 기여 (Key Contributions)

1. 수중 연성 로봇을 위한 시뮬레이션 환경: MuJoCo 기반의 효율적인 상태 비의존적 유체 모델을 구현하여 실시간 (Real-time) 이상의 속도로 시뮬레이션이 가능하게 했습니다 (실제 시간의 약 14.58 배).
2. Sim-to-Real 매칭 및 일반화: 단 2 개의 실험 궤적만으로도 5 개의 유체 계수를 식별하여, 보지 않은 다양한 구동 주파수에서도 실제 로봇의 행동을 정확하게 모사하고 일반화할 수 있음을 입증했습니다.
3. 기존 모델 대비 성능 우위: 전통적인 해석적 모델인 신장체 이론 (Elongated Body Theory, EBT) 보다 정확도가 높고, 복잡한 운동에 대한 일반화 능력이 뛰어납니다.
4. 강화 학습 적용: 구축된 디지털 트윈을 사용하여 목표 추적 (Target Tracking) 과 같은 제어 태스크에 강화 학습 (SAC 알고리즘) 을 적용하여 성공률을 입증했습니다.

4. 결과 (Results)

• 시뮬레이션 속도: 단일 로봇 시뮬레이션은 실시간의 15 배 속도로 실행 가능하며, 병렬화를 통해 다중 로봇 시뮬레이션도 가능합니다.
• 정확도 (Sim-to-Real):
  • 최적화된 모델은 보지 않은 주파수에서도 전진 속도를 정확히 예측했습니다. 평균 속도 오차는 0.019 m/s였습니다.
  • 반면, EBT 기반 모델은 같은 조건에서 0.134 m/s의 큰 오차를 보였습니다.
  • 마커 위치 추적 오차는 평균 16.1 mm ~ 28.8 mm 수준으로, 실험적 오차 범위 내에서 높은 정확도를 보였습니다.
• 강화 학습 성과:
  • 목표 추적: SAC (Soft-Actor-Critic) 에이전트를 훈련시켜 무작위 목표 위치를 추적하게 했으며, 93% 의 성공률을 달성했습니다.
  • 경로 추종: 1m 반경의 원형 경로를 따라 이동하는 웨이포인트를 추적할 때 평균 오차는 0.009 m로 매우 정밀했습니다.
  • 이는 단순한 1 자유도 (1-DOF) 속도 제어만으로도 가속, 감속, 회전 등 다양한 운동이 학습 가능함을 보여줍니다.

5. 의의 및 결론 (Significance & Conclusion)

• 효율성과 접근성: 복잡한 CFD 나 블랙박스 모델 없이도, 단순한 물리 기반 모델과 소량의 데이터로 실제 로봇과 일치하는 디지털 트윈을 구축할 수 있음을 증명했습니다.
• 확장성: 이 접근법은 수중 환경에서의 확장 가능한 학습과 제어를 가능하게 하며, 로봇 학습 커뮤니티가 표준 RL 파이프라인을 통해 연성 수중 로봇을 쉽게 통합할 수 있는 길을 열었습니다.
• 한계 및 향후 작업: 현재는 부력을 이용한 수면 수영에 국한되어 있으며, 3 차원 수중 공간에서의 부력 제어 및 피치 (Pitch) 제어, 그리고 로봇의 형태 변화 (Shape Optimization) 를 고려한 더 정교한 유체 모델이 필요하다고 언급했습니다.

요약하자면, 이 논문은 "단순한 모델이라도 물리 데이터에 잘 매칭되면 강력한 디지털 트윈이 될 수 있다"는 것을 보여주며, 연성 수중 로봇의 제어와 학습을 위한 새로운 패러다임을 제시합니다.