Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots

이 논문은 모델 예측 제어 (MPC) 와 간접 적응 법칙을 통합한 계층적 제어 프레임워크를 제안하여, 미지의 정적 및 동적 하중과 불규칙한 지형 환경에서도 4 발 보행 로봇이 하중 운반을 안정적이고 효율적으로 수행할 수 있음을 실험을 통해 입증했습니다.

핵심

🐕 로봇의 새로운 두뇌: "짐을 알 수 없어도 괜찮아!"

상상해 보세요. 여러분이 무거운 상자를 들고 계단을 오르는 상황을 생각해 봅시다. 상자가 갑자기 10kg 에서 50kg 으로 변하거나, 바닥이 미끄럽거나 울퉁불퉁하다면 어떻게 될까요? 아마 넘어지거나, 짐을 내려놓아야 할지도 모릅니다.

기존의 로봇들은 이런 상황에 약했습니다. "내 몸무게는 12kg 이고, 들고 가는 짐은 5kg 이야. 그래서 이 정도 힘으로 걸어야지"라고 미리 계산해 두었는데, 갑자기 짐이 15kg 으로 변하면 로봇은 당황해서 넘어집니다.

이 논문은 **"짐이 변해도 실시간으로 계산해서 맞춰주는 로봇"**을 만들었습니다.

🧠 핵심 아이디어: 2 단계로 작동하는 지능 시스템

이 로봇은 마치 **현명한 지휘관 (고급 두뇌)**과 **신속한 운동선수 (하급 몸통)**가 팀을 이루는 것처럼 작동합니다.

1. 지휘관 (고급 두뇌 - AMPC): "지금 짐이 얼마나 무거울까?"

• 역할: 로봇이 걷는 큰 그림을 계획합니다. "앞으로 10 초 동안 어디로 가야지?"를 결정하죠.
• 특기 (적응형 학습): 이 지휘관은 미리 짐을 알지 못해도 됩니다. 로봇이 걸어가면서 "어? 발이 미끄러졌네? 짐이 무거워진 것 같아!"라고 실시간으로 짐의 무게를 추측합니다.
• 비유: 마치 운전사가 안개 낀 도로를 달리면서 "아, 차가 무거워졌구나. 브레이크를 더 일찍 밟아야겠다"라고 매 순간 운전 방식을 수정하는 것과 같습니다.
• 안정성: 단순히 짐을 추측하는 게 아니라, "이 추측이 틀리면 로봇이 넘어질 수 있으니, 추측이 틀리지 않도록 수학적으로 보장된 안전장치를 걸었다"는 점이 이 연구의 핵심입니다.

2. 운동선수 (하급 몸통 - WBC): "지휘관의 명령을 정확히 실행해!"

• 역할: 지휘관이 "저기 저 돌멩이를 피해 0.5m/s 로 걸어"라고 명령하면, 로봇의 12 개의 관절 (다리) 을 미세하게 조절하여 그 명령을 실행합니다.
• 특기: 지휘관이 계산한 '이상적인 경로'를 따라가면서, 발이 미끄러지지 않도록 발바닥의 힘을 조절합니다.

🚀 놀라운 성과: 로봇이 할 수 있는 일들

이 새로운 시스템을 실험해 보니 정말 놀라운 일들이 일어났습니다.

1. 짐의 무게를 2 배 가까이 늘려도 OK:

   • 로봇 자체 무게가 약 12.5kg 인데, **13.6kg (자신의 무게보다 무거운 짐)**을 평지에서 나르며 넘어지지 않았습니다.
   • 더 어렵게, 나무 블록이 널브러진 험한 길에서도 **11.3kg (자신의 무게의 91% 에 달하는 짐)**을 나르며 성공했습니다.
   • 비유: 키가 160cm 인 사람이 자신의 몸무게보다 무거운 70kg 의 가방을 메고, 돌이 많은 산길을 걸어가는데도 넘어지지 않는 것과 같습니다.

2. 갑작스러운 변화에도 강함:

   • 걷다가 갑자기 짐을 더 얹거나 (동적 짐), 누군가 로봇을 밀어내도 (밀어내기) 균형을 잃지 않고 다시 일어서서 걸었습니다.
   • 비유: 자전거를 타고 가다가 갑자기 뒤에서 누군가 짐을 얹거나 밀어도 넘어지지 않고 계속 달리는 것과 같습니다.

3. 다른 로봇보다 훨씬 뛰어남:

   • 기존에 있던 다른 제어 방식 (일반적인 MPC 나 L1 방식) 과 비교했을 때, 험한 길에서 성공할 확률이 **88%**로, 기존 방식 (약 19%~67%) 보다 압도적으로 높았습니다.

💡 왜 이것이 중요한가요?

지금까지 로봇은 "내가 들고 갈 짐이 정확히 5kg 이야"라고 알려주면 잘 움직였습니다. 하지만 현실 세계는 그렇지 않습니다. 공장이나 재난 현장에서는 짐의 무게나 모양이 매번 다르고, 바닥도 고르지 않습니다.

이 연구는 로봇에게 **"무엇을 들고 가든, 바닥이 어떻든, 실시간으로 상황을 파악해서 스스로 적응하며 넘어지지 않게 걷는 능력"**을 부여했습니다. 이는 로봇이 우리 인간의 생활 공간 (공장, 집, 재난 현장) 에서 짐을 나르는 일을 실제로 수행할 수 있는 중요한 한 걸음입니다.

📝 한 줄 요약

"이 연구는 로봇이 짐의 무게를 미리 알지 못해도, 실시간으로 무게를 추측하고 계산하여 험한 길에서도 넘어지지 않고 짐을 나르도록 하는 '현명한 두뇌'를 개발했습니다."

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 인간 중심의 환경 (공장, 사무실, 가정) 에서 4 족 로봇은 하중을 운반하며 불규칙한 지형을 이동해야 하는 과제를 안고 있습니다.
• 핵심 난제: 4 족 로봇의 동역학 모델은 비선형성, 하이브리드 특성, 고차원성을 가지며, **미지의 하중 (Payload)**이 탑재될 경우 로봇의 질량과 관성 모멘트가 불확실해집니다.
• 기존 방법의 한계:
  • 기존 모델 예측 제어 (MPC) 는 하중 변화에 따른 파라미터 불확실성을 실시간으로 추정하는 적응 법칙을 통합하지 못해, 하중이 변할 경우 성능이 저하되거나 불안정해질 수 있습니다.
  • 기존 적응 제어 기법들은 추정 오차의 점근적 안정성을 보장하지 못하거나, MPC 프레임워크 내에서 간접 추정 (Indirect Estimation) 을 공식적으로 다루지 못했습니다.

2. 제안된 방법론 (Methodology)

논문은 계층적 계획 및 제어 프레임워크를 제안하며, 크게 고수준 (High-level) 과 저수준 (Low-level) 으로 구성됩니다.

A. 고수준: 적응 모델 예측 제어 (Adaptive MPC, AMPC)

• 템플릿 모델 (Template Model): 전체 로봇의 복잡한 동역학을 단순화한 단일 강체 (SRB, Single Rigid Body) 모델을 사용합니다.
• 간접 적응 법칙 (Indirect Adaptive Law):
  • 하중 변화로 인한 미지의 파라미터 (질량, 관성 모멘트 등) 를 경사 하강법 (Gradient Descent) 기반의 적응 법칙을 통해 실시간으로 추정합니다.
  • 파라미터 추정 오차의 점근적 안정성을 보장하기 위해 **볼록 안정성 기준 (Convex Stability Criterion)**을 MPC 제약 조건에 통합합니다.
  • 추정된 파라미터는 MPC 의 예측 모델에 반영되어 최적의 궤적과 지면 반력 (GRF) 을 생성합니다.
• 수학적 안정성: 추정 오차의 안정성을 보장하기 위한 충분 조건을 유도하고, 이를 비선형 최대 고유값 조건에서 볼록 (Convex) 인 선형 부등식 제약으로 변환하여 QP(Quadratic Programming) 기반 MPC 에 적용 가능한 형태로 만듭니다.

B. 저수준: 비선형 전체 몸체 제어기 (Nonlinear Whole-Body Controller, WBC)

• 고수준 AMPC 에서 생성된 최적의 축소 차원 궤적 (Reduced-order trajectories) 과 지면 반력을 추종합니다.
• **가상 제약 (Virtual Constraints)**과 **2 차 계획 (QP)**을 사용하여 실제 로봇의 관절 토크와 발 접촉력을 계산합니다.
• 1 kHz 주파수로 동작하며, 미끄러짐 방지 및 토크 제한 등을 고려합니다.

3. 주요 기여 (Key Contributions)

1. 안정성이 보장된 간접 적응 추정 알고리즘 개발: 그라디언트 하강법을 사용하여 템플릿 모델의 파라미터를 추정하며, 추정 오수의 점근적 안정성을 볼록 MPC 제약 조건으로 공식화했습니다. 이는 기존 연구에서 부족했던 안정성 보장을 제공합니다.
2. 계층적 제어 구조의 통합: 고수준의 적응형 SRB 기반 AMPC 와 저수준의 QP 기반 WBC 를 결합하여, 불확실성이 있는 하중 운반 상황에서 강인한 locomotion 을 실현했습니다.
3. 높은 하중 운반 능력 입증: 기존 모델 기반 제어 방식들보다 훨씬 높은 하중 (로봇 중량의 100% 이상) 을 운반하고 불규칙한 지형에서도 안정적인 이동을 가능하게 했습니다.

4. 실험 결과 (Results)

Unitree A1 로봇 (중량 12.45kg) 을 대상으로 시뮬레이션 및 하드웨어 실험을 수행했습니다.

• 정적 하중 운반 (Static Payloads):
  • 평지: 로봇 중량의 109% (13.6kg) 하중을 성공적으로 운반.
  • 불규칙 지형 (나무 블록 등): 로봇 중량의 91% (11.34kg) 하중을 운반. (기존 연구인 [21] 은 50% 까지 보고됨)
  • 시뮬레이션: 로봇 중량의 132% 까지 운반 가능함을 확인.
• 동적 하중 및 외부 교란 (Dynamic & Disturbances):
  • 이동 중 하중이 추가되는 상황 (최대 73% 불확실성) 과 외부에서 밀어붙이는 힘 (Push disturbance) 에 대해 안정적인 성능을 보임.
  • 장애물 밀기, 후진 및 측면 보행 등 다양한 시나리오에서 성공.
• 성능 비교:
  • 기존 일반 MPC 및 L1 적응 MPC 와 비교 시, AMPC 가 불규칙한 지형 (1500 개 랜덤 지형) 에서 **88.22%**의 성공률을 보인 반면, 일반 MPC 는 18.89%, L1 MPC 는 **67.31%**에 그쳐 압도적인 우위를 입증했습니다.
  • 하중이 10kg 일 때 일반 MPC 는 실패했으나, AMPC 는 성공적으로 궤적 추종 수행.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: 이 연구는 4 족 로봇이 모델링되지 않은 미지의 하중을 운반할 때, 파라미터 추정의 안정성을 수학적으로 보장하면서도 실시간으로 최적의 제어를 수행할 수 있는 새로운 프레임워크를 제시했습니다.
• 실용적 가치: 공장, 구조 현장 등 실제 환경에서 로봇이 다양한 무게의 물체를 운반하며 불규칙한 지형을 이동해야 하는 요구사항을 충족시킬 수 있는 강력한 솔루션을 제공합니다.
• 향후 과제: 현재는 선형화된 템플릿 모델을 사용하며 지지 다리 전환 (Leg switching) 을 고려하지 않았으나, 향후 비선형 AMPC 프레임워크로 확장하여 하이브리드 동역학 모델의 보행 패턴 안정성을 더 엄밀하게 분석할 계획입니다.

이 논문은 4 족 로봇의 하중 운반 능력과 환경 적응성을 획기적으로 향상시킨 중요한 연구로 평가됩니다.