Proprioceptive Shape Estimation of Tensegrity Manipulators Using Energy Minimisation

이 논문은 각 스트럿에 부착된 IMU 로부터 중력에 대한 경사각 정보만을 활용하여 에너지 최소화 기법을 적용함으로써, 외부 센서 없이도 대규모 텐세그리티 매니퓰레이터의 전체 형상을 2.1% 의 오차로 정확하게 추정하고 외부 교란 하에서도 안정적인 성능을 입증했습니다.

핵심

이 논문은 **"눈이 보이지 않는 로봇이 스스로 자신의 몸 상태를 어떻게 알아내는가?"**에 대한 흥미로운 해답을 제시합니다.

간단히 말해, 이 연구는 텐세그리티 (Tensegrity) 라는 특별한 구조를 가진 로봇 팔이 외부 카메라나 센서 없이, 오직 자신의 '기울기'만 느끼고도 전체 모양을 완벽하게 재구성하는 방법을 개발했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 로봇은 어떤 생물이었나요? (텐세그리티 로봇)

일반적인 로봇 팔은 관절이 딱딱하게 연결된 '뼈대'처럼 생겼습니다. 하지만 이 연구에 나오는 로봇은 다리가 없는 문어나 코끼리 코처럼 유연합니다.

• 비유: imagine 공중에서 춤추는 막대기와 줄을 생각해보세요.
  • 막대기 (Strut): 딱딱하지만 서로 닿지 않고 공중에 떠 있습니다.
  • 줄 (Cable): 막대기들을 서로 묶고 있는 탄성 있는 끈들입니다.
  • 이 막대기와 줄이 서로 당겨서 균형을 이루며 전체적인 모양을 만듭니다. 마치 공중에 떠 있는 거미줄이나 풍선과 막대기로 만든 조형물과 비슷합니다.

이 로봇은 매우 유연하고 무거운 것도 잘 들어올리지만, **"지금 내 몸이 어떻게 구부러져 있나?"**를 파악하는 것이 매우 어렵습니다. 관절이 없기 때문입니다.

2. 기존 방법의 문제점 (눈이 필요 없는 로봇)

보통 로봇이 자신의 모양을 알기 위해서는 카메라 (외부 센서) 를 쓰거나, 몸속에 많은 센서를 박아야 합니다.

• 카메라: 비싸고, 빛이 없거나 가려지면 안 됩니다.
• 센서: 로봇 몸 전체에 센서를 달려면 설계가 너무 복잡해집니다.

3. 이 연구의 핵심 아이디어: "몸의 감각 (Proprioception)"

이 연구팀은 로봇이 스스로의 몸 감각만으로도 모양을 알 수 있다고 주장합니다.

• 비유: 눈을 감고도 자신의 손가락이 어디에 있는지 아는 것처럼요.
• 방법: 로봇의 각 막대기 (Strut) 에 작은 자세 센서 (IMU) 하나만 달았습니다. 이 센서는 막대기가 중력 (아래쪽) 을 향해 얼마나 기울어져 있는지만 알려줍니다.
• 핵심 질문: "막대기 A 는 30 도 기울어져 있고, 막대기 B 는 45 도 기울어져 있는데, 이걸로 전체 로봇의 모양을 어떻게 알 수 있을까?"

4. 해결책: "에너지 최소화 게임" (Energy Minimisation)

이들이 사용한 방법은 수학적 퍼즐을 푸는 것과 같습니다.

• 상황: 막대기들의 기울기만 알 뿐, 막대기들이 공간에서 정확히 어디에 있는지 (좌표) 는 모릅니다.
• 게임 규칙: 로봇은 "줄 (케이블) 이 가장 편안하게 늘어져 있는 상태"를 찾습니다. 줄이 너무 팽팽하거나 너무 느슨하면 에너지가 많이 들죠. 로봇은 **"줄이 가장 편안하게 이완된 상태 (최소 에너지 상태)"**가 바로 실제 모양이라고 가정합니다.
• 과정:
  1. 컴퓨터는 막대기들의 기울기 데이터를 받습니다.
  2. "아마도 막대기들은 이렇게 배치되어 있을 거야"라고 임의의 모양을 먼저 그려봅니다.
  3. 그 모양에서 줄들이 얼마나 긴장되어 있는지 (에너지) 계산합니다.
  4. "아, 에너지가 너무 많네. 모양을 조금만 바꿔보자."라고 수천 번을 반복하며 모양을 수정합니다.
  5. 결국 에너지가 가장 낮아지는 지점에 도달하면, 그것이 실제 로봇의 모양이라고 결론냅니다.

이 과정은 마치 무작위로 던진 구슬이 언덕을 굴러가 가장 낮은 골짜기에 멈추는 것과 같습니다. 로봇은 그 '골짜기'를 찾아내어 자신의 모습을 알아낸 것입니다.

5. 실험 결과: 얼마나 잘했을까?

연구팀은 5 단계로 쌓인 거대한 로봇 팔 (길이 약 1.16 미터) 로 실험했습니다.

• 초기 상태: 로봇이 주저앉아 있든, 쫙 펴져 있든, 혹은 처음에 엉뚱한 모양으로 시작하든 상관없이, 알고리즘은 약 1 초 만에 올바른 모양으로 수렴했습니다.
• 정확도: 전체 길이의 2.1% 오차만 있었습니다. (약 2~3cm 오차)
• 외부 충격: 사람이 로봇 끝을 밀어서 구부려도, 로봇은 그 변화를 즉시 감지하고 새로운 모양을 계산해냈습니다.

6. 왜 이것이 중요한가요?

이 방법은 외부 카메라가 필요 없고, 센서도 막대기 하나에 하나씩만 달면 되므로 설계가 매우 간단합니다.

• 미래 전망: 이 기술은 우주 공간, 재난 현장, 혹은 사람의 몸 안처럼 카메라가 들어갈 수 없는 좁은 곳에서 활동하는 로봇에 적용될 수 있습니다. 로봇이 스스로 "내가 지금 이렇게 구부러져 있구나"를 알고, 스스로 균형을 잡으며 움직일 수 있게 되는 것입니다.

요약

이 논문은 **"막대기와 줄로 만든 유연한 로봇이, 각 막대기의 기울기만 느끼고도 수학적 퍼즐을 풀어 자신의 전체 모양을 알아내는 방법"**을 개발했다는 것입니다. 마치 눈을 감은 채로 자신의 몸이 어떻게 구부러져 있는지 완벽하게 아는 마법과 같습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 텐세그리티 (Tensegrity) 매니퓰레이터는 강체 (스트럿) 와 유연한 요소 (케이블) 로 구성되어 높은 하중 지지 능력과 경량성, 그리고 인간과의 안전한 상호작용이 가능한 유연성을 제공합니다. 그러나 이러한 구조는 무한한 자유도 (DOF) 를 가지며 관절이 명확하지 않아 모델링과 제어가 어렵습니다.
• 문제점:
  • 기존의 형상 추정 (Shape Estimation) 방법은 외부 센서 (카메라 등) 에 의존하거나, 케이블 길이를 측정하기 위해 스트레인 게이지 등 추가 센서를 부착해야 했습니다. 이는 비용이 많이 들고 특정 환경에 제한되며, 센서 부착으로 인한 구조 변경이 필요합니다.
  • 특히, 대규모 (다중 레이어) 텐세그리티 구조물에서 단일 센서 유형 (예: IMU) 만을 사용하여 전체 형상을 정확하게 추정하는 방법은 기존에 입증된 바가 없었습니다.
  • 자이로스코프와 자기계 (Magnetometer) 를 이용한 요 (Yaw) 각도 추정은 자기 간섭 및 드리프트 문제로 인해 텐세그리티 구조에서 신뢰도가 낮습니다.

2. 제안된 방법론 (Methodology)

이 논문은 스트럿 (Strut) 의 기울기 각도 (Inclination Angle) 정보만을 사용하여 전체 매니퓰레이터의 형상을 추정하는 고유 감각 (Proprioceptive) 기반 에너지 최소화 알고리즘을 제안합니다.

• 센싱: 각 스트럿에 6 축 IMU(Inertial Measurement Unit) 를 부착하여 중력 벡터에 대한 스트럿의 기울기 각도 ($\phi$) 만을 측정합니다. 요 (Yaw) 각도 ($\theta$) 는 측정하지 않고 최적화 변수로 둡니다.
• 수학적 모델링:
  • 텐세그리티 구조의 노드 (Node) 위치는 스트럿의 중심 위치 ($p$) 와 방향 ($q$) 으로 정의됩니다.
  • 케이블의 탄성 에너지 ($e$) 를 계산합니다. 케이블의 현재 길이와 자연 길이의 차이에 비례하는 에너지를 정의하며, 케이블이 이완 (slack) 상태일 경우 에너지를 0 으로 처리합니다.
  • 목적 함수: 구조물이 최소 에너지 상태에 도달한다는 물리적 원리를 기반으로, 측정된 기울기 각도와 일치하면서 케이블의 총 탄성 에너지를 최소화하는 노드 위치 ($p$) 와 요 각도 ($\theta$) 를 찾습니다.
    $$\tilde{p}, \tilde{\theta} = \arg \min_{p, \theta} e$$
• 최적화 알고리즘:
  • 1 차 최적화 기법인 **경사 하강법 (Gradient Descent)**을 사용하여 에너지 함수의 기울기 ($\frac{\partial e}{\partial p}, \frac{\partial e}{\partial \theta}$) 가 0 에 수렴할 때까지 $p$와 $\theta$를 반복적으로 업데이트합니다.
  • 요각 ($\theta$) 에 대한 기울기는 구면 좌표계를 직교 좌표계로 변환하여 유도합니다.

3. 실험 설정 (Experimental Setup)

• 대상 로봇: 연구진이 개발한 TM-40 텐세그리티 매니퓰레이터 사용.
  • 5 개의 레이어로 구성된 Class-1 텐세그리티 모듈.
  • 총 20 개의 스트럿 (CFRP 재질), 40 개의 노드, 80 개의 인장 요소 (40 개는 능동적 공압 실린더, 40 개는 수동 케블라 케이블).
  • 전체 길이: 1160 mm.
• 센서: 각 스트럿에 Arduino Nano RP2040 기반의 IMU (LSM6DSOX) 모듈을 부착.
  • 가속도계와 자이로스코프 데이터를 상보 필터 (Complementary Filter) 로 융합하여 안정적인 기울기 각도 ($\phi$) 를 산출.
• 구현 환경: ROS 2 (Humble), Python 3.10, Ubuntu 22.04.

4. 주요 결과 (Results)

• 정적 상태 (Static Conditions):
  • 수렴성: 로봇이 '수축된 상태 (Collapsed)'와 '확장된 상태 (Expanded)'라는 두 가지 극단적인 초기 조건에서 시작하더라도, 최적화 알고리즘은 모두 동일한 최소 에너지 상태 (실제 형상) 로 수렴했습니다.
  • 정확도: 1000 단계의 최적화 후, 추정된 매니퓰레이터 길이는 1135.50 mm 로 측정되었으며, 실제 길이 (1160 mm) 대비 **오차 2.1% (약 24.5 mm)**를 기록했습니다.
  • 초기 조건 무관성: 10 가지 다른 무작위 초기 조건에서도 동일한 최적 해로 수렴하여 알고리즘의 강건성 (Robustness) 을 입증했습니다.
• 외부 교란 (External Disturbances):
  • 로봇의 끝부분에 수동으로 외력을 가해 변형을 주었을 때, 제안된 방법론이 이 변형을 실시간으로 추정하여 형상 변화를 추적했습니다.
  • 다만, 심한 굴곡 (Deep bending) 상태에서는 케이블의 자연 길이 (Natural length) 를 고려하지 않아 오차가 증가하는 한계가 관찰되었습니다.
• 성능: 평균 7.3 초 내에 최적 해에 도달하며, 수렴 후 단일 스텝 계산 시간은 약 7.36 ms 입니다.

5. 주요 기여 (Key Contributions)

1. 대규모 구조물 적용: 기존 단일 레이어 구조에 국한되었던 텐세그리티 형상 추정 방법을, 5 레이어 20 스트럿으로 구성된 풀스케일 (Full-scale) 매니퓰레이터로 확장하여 검증했습니다.
2. 단일 센서 기반 추정: 외부 센서나 케이블 길이 센서 없이 IMU 로부터 얻은 기울기 각도 정보만으로 전체 형상을 추정하는 방법을 성공적으로 구현했습니다. 이는 하드웨어 변경 없이 다른 텐세그리티 로봇에도 적용 가능한 범용성을 가집니다.
3. 에너지 최소화 기반 알고리즘: 요 (Yaw) 각도를 미지수로 두고 에너지 함수를 최소화하는 방식으로, 자기 간섭이 심한 환경에서도 안정적인 형상 추정이 가능함을 보였습니다.

6. 의의 및 향후 과제 (Significance & Future Work)

• 의의: 이 연구는 텐세그리티 로봇의 제어에 있어 고비용의 외부 센서나 복잡한 내부 케이블 센서 없이도, 저렴하고 부착이 쉬운 IMU 만으로 정밀한 형상 추정이 가능함을 입증했습니다. 이는 협업 로봇 및 제한된 공간 내 작업 등 다양한 응용 분야에서 텐세그리티 로봇의 실용성을 높이는 중요한 기반 기술입니다.
• 향후 과제:
  • 케이블의 **자연 길이 (Natural length)**를 최적화 제약 조건으로 포함하여 심한 굴곡 상태에서의 정확도 향상.
  • 공압 압력에 따른 케이블 강성 (Stiffness) 변화 모델을 통합하여 능동 운동 중의 형상 추정 정밀도 개선.
  • 센서 데이터 처리의 병렬화를 통한 실시간 성능 (Real-time performance) 극대화.

이 논문은 텐세그리티 로봇의 자율성과 적응성을 높이는 데 있어 에너지 기반의 고유 감각 형상 추정이 유효한 해결책임을 명확히 보여준 중요한 연구입니다.