ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation

이 논문은 복잡한 환경에서 무거운 화물을 운반하는 다중 로봇 협업을 위해, 전역 최적화 문제를 병렬 서브문제로 분해하여 실시간 확장성과 강인성을 확보하는 ADMM 기반 분산 모델 예측 제어 프레임워크 (ACLM) 를 제안합니다.

핵심

이 논문은 **"여러 개의 4 발 로봇이 힘을 합쳐 무거운 물건을 나르는 방법"**에 대한 획기적인 새로운 기술을 소개합니다.

기존의 방식과 이 연구가 제안한 방식의 차이를 이해하기 쉽게 비유로 설명해 드릴게요.

1. 문제 상황: "한 명의 지휘자가 모든 것을 지시하는 것의 한계"

imagine(상상해 보세요) 4 마리의 로봇 개가 함께 무거운 소파를 나르려고 합니다.

• 기존 방식 (중앙 집중형): 모든 로봇이 "지휘자" 한 명에게 보고를 하고, 지휘자가 "너는 왼쪽으로, 너는 오른쪽으로, 힘은 이렇게 줘"라고 모든 로봇의 발과 팔을 일일이 계산해서 지시합니다.
  • 문제점: 로봇이 2 마리일 때는 괜찮지만, 10 마리, 20 마리가 되면 지휘자의 머리가 터질 정도로 계산을 해야 합니다. 실시간으로 움직이려면 계산이 너무 느려서 로봇이 멈추거나 넘어질 수 있습니다.
  • 또 다른 방식 (분산형): 로봇들이 서로 상의 없이 "내가 알아서 해"라고 합니다.
  • 문제점: 서로의 힘을 합치지 못해 소파가 비틀거리거나, 너무 조심스럽게만 움직여 효율이 떨어집니다.

2. 이 연구의 해결책: "ADMM 기반의 '협상 회의' 방식"

이 논문은 **"ADMM(교대 방향 승수법)"**이라는 수학적 도구를 이용해, 지휘자 없이도 로봇들이 서로 협력하면서도 계산 속도를 빠르게 유지하는 방법을 고안했습니다.

이를 **"협상 회의"**에 비유해 볼까요?

1. 별 모양의 연결 구조 (Star-shaped Coupling):

   • 로봇들은 서로 직접 대화하는 게 아니라, **가운데 있는 '소포 (화물)'**를 통해 연결됩니다. 마치 별자리처럼 로봇들이 바깥에 있고, 소포가 중심에 있는 형태죠.
   • 로봇 A 는 소포에게 "내가 이 정도 힘을 줄게"라고 말하고, 로봇 B 도 소포에게 "나는 저 정도 힘을 줄게"라고 말합니다. 로봇끼리는 직접 대화하지 않아도 됩니다.

2. 병렬 협상 (Parallel Negotiation):

   • 지휘자가 일일이 지시하는 대신, 각 로봇은 **"내가 소포를 어떻게 들어야 할지"**를 혼자서 계산합니다.
   • 동시에 모든 로봇이 계산을 합니다. (이게 바로 '병렬 처리'입니다. 4 마리가 동시에 계산하니까 4 배 빠릅니다.)

3. 약속 지키기 (Consensus):

   • 로봇들이 계산한 결과가 서로 맞지 않으면 (예: 로봇 A 는 위로 당기고, 로봇 B 는 아래로 누르면 소포가 찢어지죠), 서로의 계산 결과를 조금씩 수정하며 **"자, 우리 모두 이 힘으로 합시다"**라고 합의점을 찾습니다.
   • 이 논문의 핵심은 **한 두 번의 짧은 협상 (수학적 반복)**만으로도 충분히 좋은 합의점을 찾아낸다는 것입니다.

3. 실제 작동 원리: "예측과 실시간 조절"

이 시스템은 두 단계로 나뉩니다.

• 상위 단계 (MPC - 미래 예측): "앞으로 1 초 뒤에 어떤 장애물이 나올지, 소포가 어떻게 움직일지"를 미리 계산합니다. 이때 위의 '협상 방식'을 써서 4 마리의 로봇이 동시에 계획을 세웁니다.
• 하위 단계 (WBC - 근육 제어): 계산된 계획을 바탕으로 로봇의 실제 근육 (모터) 을 움직입니다. 이때 소포를 잡은 손목에 가해지는 **힘과 비틀림 (토크)**까지 정밀하게 제어합니다. 마치 소포를 들 때 단순히 들어올리는 게 아니라, 소포가 기울어지지 않도록 손목을 살짝 돌려주는 정교한 동작까지 포함합니다.

4. 왜 이것이 대단한가요? (결과)

• 확장성: 로봇이 2 마리일 때나 4 마리일 때나 계산 속도가 거의 비슷하게 빠릅니다. (기존 방식은 로봇이 늘어날수록 계산이 기하급수적으로 느려집니다.)
• 실시간성: 1 초에 50~100 번씩 계획을 다시 세울 수 있어, 갑자기 장애물이 나타나도 즉시 피할 수 있습니다.
• 강인함: 소포의 무게가 예상과 조금 달라도 (예: 소파 안에 사람이 탔다거나), 로봇들이 넘어지지 않고 잘 견딥니다.

요약

이 논문은 **"여러 로봇이 무거운 물건을 나를 때, 한 명의 천재 지휘자가 모든 것을 계산하는 대신, 로봇들이 '중심 화물'을 매개로 서로 빠르게 협상하며 각자 계산하는 방식"**을 개발했습니다.

이는 마치 한 팀의 축구 선수들이 코치 (지휘자) 의 지시 없이도, 공 (화물) 을 중심으로 서로의 위치와 힘을 맞춰 자연스럽게 플레이하는 것과 같습니다. 덕분에 로봇 팀이 커져도 느려지지 않고, 복잡한 지형에서도 무거운 짐을 안전하게 나를 수 있게 되었습니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 거대하고 무거운 화물을 운반하는 협동 로코 - 매니퓰레이션 (loco-manipulation, 이동 및 조작의 결합) 은 구조화되지 않은 복잡한 환경에서 4 족 보행 로봇에게 필수적인 능력입니다.
• 기존 방법론의 한계:
  • 중앙집중식 계획 (Centralized Planning): 전체 시스템 (로봇 및 화물) 의 동적 결합을 고려하지만, 시스템 규모 (로봇 수) 가 커질수록 계산 복잡도가 급격히 증가하여 실시간 적용이 어렵습니다.
  • 계층적/분산식 접근 (Hierarchical/Decentralized): 확장성은 좋으나, 로봇과 화물 간의 힘 및 동적 상호작용을 간과하여 보수적인 동작을 유발하거나 불안정성을 초래합니다. 특히 4 족 로봇의 경우 이동과 조작 힘이 강하게 결합되어 있어 이를 무시하면 성능이 크게 저하됩니다.
• 목표: 다수의 4 족 로봇이 공유하는 화물을 운반할 때, 동적 결합을 유지하면서도 확장성 (Scalability) 과 실시간 성능을 모두 확보할 수 있는 분산 제어 프레임워크 개발.

2. 방법론 (Methodology)

저자들은 ADMM (Alternating Direction Method of Multipliers) 기반의 분산 모델 예측 제어 (Distributed MPC) 프레임워크를 제안했습니다.

가. 문제 분해 및 ADMM 적용

• 별 모양 결합 구조 (Star-shaped Coupling): 공유 화물을 중심으로 각 로봇이 화물과만 상호작용하고 로봇 간에는 직접 상호작용하지 않는 구조를 활용합니다.
• 분해 전략:
  • 전체 최적 제어 문제 (OCP) 를 병렬로 풀 수 있는 개별 로봇 수준의 서브문제와 화물 서브문제로 분해합니다.
  • 합의 제약 (Consensus Constraints): 로봇과 화물 간의 상호작용 힘 (Wrench) 에 대한 일관성을 유지하기 위해 합의 변수를 도입합니다.
  • 상태 복사 최소화: 계산 효율성을 위해 로봇의 상태 변수에 대한 완전한 상태 복사를 피하고, 이전 ADMM 반복 단계의 값을 사용하여 동적 결합을 근사화합니다 (Remark 1). 이는 계산 부하를 크게 줄이면서도 성능에 미치는 영향이 미미함을 실험적으로 입증했습니다.

나. 실시간 계획 및 제어 파이프라인

• 예측 제어 (MPC): 재귀적 (Receding-horizon) 방식으로 동작하며, 이전 계획 윈도우의 해를 'Warm-start'로 사용하여 수렴 속도를 높입니다.
• 해석기 (Solver): 각 서브문제에는 비선형 동역학을 처리하기 위해 리카티 (Riccati) 기반의 순차 이차 계획법 (SQP) 솔버를 사용합니다.
• 실행 (Execution): 계획된 궤적과 상호작용 힘 (Wrench) 을 추적하기 위해 Wrench-aware Whole-Body Controller (WBC) 를 하위 제어기로 사용합니다.
  • WBC 는 3 단계 계층 구조 (Task Hierarchy) 를 가지며, 가장 높은 우선순위에서 동역학 및 접촉 힘 (Wrench) 일관성을 보장합니다.

3. 주요 기여 (Key Contributions)

1. ADMM 기반 분산 MPC 프레임워크: 다수의 4 족 조작 로봇을 위한 중앙 집중식 OCP 를 화물 동역학을 통해 결합된 병렬 서브문제로 분해하는 새로운 수식화를 제시했습니다.
2. 확장 가능한 서브문제 설계: 공유 화물을 독립적인 서브시스템으로 취급하고, 상호작용 힘 (Wrench) 에 대한 합의만 강제함으로써 서브문제의 크기를 작게 유지했습니다. 이는 로봇 수 증가에 따른 계산 시간 증가를 억제하여 온라인 계획 속도를 높였습니다.
3. 통합된 계획 - 실행 파이프라인: 분산 계획기와 힘 인지형 전신 제어기 (WBC) 를 통합하여, 척추동물 (prehensile) 협동 로코 - 매니퓰레이션에서 결합 효과를 고려한 최초의 통합 시스템 중 하나를 구현했습니다.

4. 실험 결과 (Results)

• 실험 환경: Unitree B1-Z1 로봇 (4 족 + 매니퓰레이터) 을 사용하여 최대 4 대의 로봇 팀으로 다양한 시나리오 (계단, 경사면, 좁은 통로, 장애물 회피 등) 를 시뮬레이션했습니다.
• 확장성 및 성능:
  • 계산 속도: 4 대의 로봇 기준, 분산 MPC 는 중앙집중식 MPC 대비 최대 11.4 배 빠른 속도를 보였습니다.
  • 실시간성: 로봇 수 (2~4 대) 와 관계없이 50 Hz(지각 입력 포함 시) 및 100 Hz(지각 입력 제외 시) 의 제어 주기를 유지했습니다. 반면 중앙집중식은 로봇이 3 대 이상일 때 30 Hz 미만으로 떨어졌습니다.
  • 수렴성: ADMM 반복 횟수를 2 회, SQP 반복 횟수를 1 회로 설정했을 때 제약 조건 만족과 계산 효율성 간의 최적 균형을 달성했습니다.
• 강건성 (Robustness):
  • 하중 질량 및 관성 모멘트에 대한 모델링 오차 (최대 67% 까지) 가 발생해도 안정적인 궤적 추적을 유지했습니다.
  • Wrench Tracking의 중요성: 힘 (Force) 만 추적하고 토크 (Torque) 를 무시할 경우 불안정성이 발생했으나, 힘과 토크를 모두 포함한 전체 Wrench 추적을 통해 회전 안정성이 크게 향상됨을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 복잡한 동적 결합을 가진 다중 로봇 협동 작업에서 확장성 (Scalability) 과 실시간성 (Real-time Performance) 을 동시에 해결하는 획기적인 접근법을 제시했습니다.

• 기존의 중앙집중식 방식의 계산 병목 현상을 분산 최적화 (ADMM) 로 우회하면서도, 단순한 분산 방식의 성능 저하를 동적 결합 모델링으로 보완했습니다.
• 특히 4 족 로봇이 험한 지형에서 무거운 화물을 운반하는 실용적인 시나리오에 적용 가능함을 입증하여, 향후 구조, 물류, 탐사 등 다양한 분야의 로봇 협업 기술 발전에 중요한 기여를 할 것으로 기대됩니다.