Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators

논문 요약: 신경 코프만 (Neural Koopman) 연산자를 이용한 공압식 소프트 로봇 카테스터의 모델링 및 제어

1. 문제 정의 (Problem Statement)

• 배경: 심장 질환 진단 및 치료 (특히 심방 세동 치료) 를 위한 카테스터 중재 시술은 정밀한 내비게이션이 요구되지만, 수동 조작은 숙련도에 의존하며 불안정할 수 있습니다. 로봇 카테스터는 정밀도와 안정성을 향상시킬 수 있으나, **공압식 소프트 로봇 카테스터 (PSRC)**는 본질적으로 비선형적이고 과구동 (underactuated) 된 특성을 가져 정확한 모델링과 제어가 어렵습니다.
• 제약 사항:
  • 센싱의 한계: X 선 형광 투시 (Fluoroscopy) 는 방사선 노출 위험으로 인해 사용이 제한적이며, 연속적인 피드백을 얻기 어렵습니다. 또한, 소프트 로봇 내부에 센서를 내장하는 것은 소형화와 유연성 요구사항 때문에 어렵습니다.
  • 모델링의 어려움: 기존 물리 기반 모델 (Cosserat rod 등) 은 제조 공차에 민감하고, 유한 요소법 (FEM) 은 실시간 제어에 계산 비용이 너무 큽니다. 기존 데이터 기반 학습 방법은 기존 제어 프레임워크와의 통합이 어렵거나, 비선형 동역학을 선형 공간으로 변환하는 과정에서 정보 손실이 발생합니다.
• 핵심 과제: 연속적인 피드백 없이도 목표 위치와 자세에 도달할 수 있는 개루프 (Open-loop) 제어 전략을 가능하게 하는 정밀한 모델링 및 제어 프레임워크 개발이 필요합니다.

2. 방법론 (Methodology)

저자들은 신경 코프만 연산자 (Neural Koopman Operator) 프레임워크와 **모델 예측 제어 (MPC)**를 결합한 새로운 접근법을 제안합니다.

• 신경 코프만 연산자 프레임워크:
  • 개념: 비선형 시스템 동역학을 고차원의 '리프트 (lifted)' 공간으로 변환하여 선형적으로 근사화합니다.
  • 신경망 기반 학습: 기존 코프만 방법의 단점인 수동으로 선택된 기저 함수 (basis functions) 의 한계를 극복하기 위해, **심층 신경망 (DNN)**을 사용하여 리프트 공간의 표현과 코프만 연산자를 종단간 (end-to-end) 으로 함께 학습합니다.
  • 구조:
    • 인코더 (Encoder): 원래 상태 ($x_k$) 와 입력 ($u_k$) 을 리프트 공간 ($\gamma$) 으로 매핑합니다. 특히 입력의 비선형 영향을 고려한 NINK (Nonlinear Input Neural Koopman) 구조를 제안합니다.
    • 선형 동역학: 리프트 공간에서 시스템은 선형 행렬 $A, B$로 표현되어 $\gamma(x_{k+1}) = A\Phi_e^x(x_k) + B\Phi_e^u(x_k, u_k)$ 형태로 진화합니다.
    • 디코더 (Decoder): 리프트 공간의 상태를 원래 상태 공간으로 복원합니다.
• 제어 전략 (Model Predictive Control - MPC):
  • 학습된 선형 리프트 공간 모델을 기반으로 MPC 를 적용하여 최적의 제어 입력을 계산합니다.
  • 계산된 최적 입력은 디코더를 통해 실제 실행 가능한 공압 제어 신호로 변환됩니다.
  • 개루프 제어: 실시간 피드백 없이도 예측 모델의 정확도를 바탕으로 목표 지점까지의 경로를 계획하고 실행합니다.

3. 주요 기여 (Key Contributions)

1. 데이터 기반 하이브리드 프레임워크: 코프만 연산자 이론과 신경망을 통합하여, 리프트 공간의 선형 구조를 유지하면서도 PSRC 의 복잡한 비선형 거동을 포착하는 새로운 모델링 방법을 제시했습니다.
2. 정밀한 개루프 제어 통합: 제안된 프레임워크에 MPC 를 통합하여, 실시간 피드백 없이도 신뢰성 있게 목표 자세 (Pose) 에 도달하는 개루프 제어 전략을 구현했습니다.
3. 실험적 검증: 상호작용 위치 제어 및 심방 모델 시뮬레이션 (심장 절제술 시나리오) 을 포함한 두 가지 실험을 통해 모델링 정확도와 제어 성능을 검증했습니다.

4. 실험 결과 (Results)

두 가지 실험 환경 (상호작용 위치 제어, 심방 모델 내 자세 제어) 에서 제안된 방법 (NNKM: Nonlinear Input Neural Koopman + MPC) 이 다른 기법들과 비교되었습니다.

• 비교 대상:
  • NNKM (제안 방법: 비선형 입력 신경 코프만 + MPC)
  • LNKM (선형 입력 신경 코프만 + MPC)
  • MBKM (단항식 기저 함수 코프만 + MPC)
  • SSM (선형 상태 공간 모델 + MPC)
  • PCC (Piecewise Constant Curvature 기반 제어, 기존 모델 기반)
• 성능 지표:
  • 모델링 정확도: NNKM 은 모든 상태 (x, y, 각도) 에서 가장 낮은 RMSE 와 높은 정확도 (Threshold 내 90% 이상) 를 보였습니다. 특히 x 좌표 예측에서 다른 방법들보다 월등히 우수했습니다.
  • 위치 제어 오차 (실험 1): NNKM 은 평균 오차 0.7mm (STD 0.4mm) 를 기록하여 모든 목표를 정확도 임계값 (1.5mm) 내에 도달시켰습니다. 반면, MBKM 과 SSM 은 큰 오차와 불안정한 진동을 보였습니다.
  • 자세 제어 오차 (실험 2 - 심방 모델):
    • 위치 오차: 평균 2.1 ± 0.4 mm
    • 방향 오차: 평균 4.9 ± 0.6 도
    • 효율성: NNKM 은 다른 모든 방법 (LNKM, MBKM, SSM, PCC) 보다 목표 도달 시간이 평균 5~29% 단축되었습니다.
• 결과 해석: NINK 구조를 통해 입력의 비선형성을 효과적으로 학습한 NNKM 이 복잡한 공압 구동 특성을 가장 잘 모델링하여, 개루프 환경에서도 높은 정밀도와 안정성을 확보했습니다.

5. 의의 및 결론 (Significance and Conclusion)

• 임상적 의의: 방사선 노출을 최소화하면서도 (X 선 사용 최소화) 정밀한 심장 절제술이 가능한 로봇 카테스터 제어 기술의 토대를 마련했습니다.
• 기술적 의의: 소프트 로봇 제어 분야에서 기존에 수동으로 설계되던 기저 함수의 한계를 극복하고, 신경망을 통해 동역학의 비선형성을 자동으로 학습하는 유연한 프레임워크를 제시했습니다.
• 미래 전망: 제안된 방법은 다양한 PSRC 설계에 대한 일반화 능력을 검증하고, 완전한 형상 모델링 및 생체 환경 내 조직 힘 추정 (Force estimation) 을 제어 제약 조건으로 추가하는 방향으로 발전할 수 있습니다.

이 연구는 소프트 로봇의 비선형 동역학을 데이터 기반으로 정확하게 모델링하고, 이를 통해 복잡한 의료 환경에서도 신뢰할 수 있는 개루프 제어를 가능하게 함으로써 차세대 로봇 보조 수술 시스템의 발전에 중요한 기여를 했습니다.