Robot Arm Control via Cognitive Map Learners

이 논문은 **인지지도 학습자 (Cognitive Map Learners, CML)**와 **초차원 컴퓨팅 (Hyperdimensional Computing, HDC)**을 결합하여 로봇 팔의 운동을 제어하는 새로운 방법을 제안합니다. 기존의 역기구학 (Inverse Kinematics) 방정식을 사용하지 않고, 독립적으로 훈련된 모듈들을 조합하여 복잡한 로봇 제어 문제를 해결하는 구성 가능한 기계 학습 (Composable Machine Learning) 프레임워크를 제시합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

---

1. 문제 정의 (Problem)

• 기존 DNN 의 한계: 심층 신경망 (DNN) 은 일반적으로 단일 작업에 맞춰 모놀리식 (monolithic) 으로 훈련됩니다. 이는 사전 훈련된 다양한 DNN 모듈을 새로운 작업에 맞춰 재훈련 없이 자유롭게 조합하기 어렵게 만듭니다.
• 역기구학의 복잡성: 로봇 팔의 끝단 (End-effector) 을 특정 좌표로 이동시키기 위해 각 관절의 각도를 계산할 때 전통적인 역기구학 방정식을 사용하면 계산이 복잡하고, 특이점 (Singularity) 문제가 발생할 수 있습니다.
• 목표: 독립적으로 훈련된 모듈들을 임의로 조합하여 복잡한 로봇 팔 제어 문제를 해결하고, 역기구학 방정식 없이 목표 지점에 도달할 수 있는 방법을 모색하는 것입니다.

2. 방법론 (Methodology)

이 연구는 **초차원 컴퓨팅 (HDC)**을 공통 통신 프로토콜로 사용하여 CML 모듈들을 연결합니다.

A. 인지지도 학습자 (CML)

• CML 은 노드 상태, 엣지 행동, 행동 가용성을 인코딩하는 신경망 매트릭스들의 집합입니다.
• 명시적인 경로 계획 훈련 없이도 현재 상태와 목표 상태 간의 경로를 반복적으로 탐색할 수 있습니다.
• 본 연구에서는 로봇 팔의 각 관절 (Segment) 마다 하나의 CML을 할당하여, 각 관절의 각도 상태를 독립적으로 제어합니다.

B. 목표 지점 인코딩 (Fractional Power Encoding, FPE)

• 2D 평면상의 목표 좌표 $(a, b)$는 위상수 (Phasor) 초벡터로 인코딩됩니다.
• 기본 벡터 $x$와 $y$를 정의하고, 이를 목표 좌표의 값만큼 거듭제곱하여 결합합니다: $p = x^a \odot y^b$.
• 이 방식은 HDC 의 곱셈 연산이 지수의 덧셈과 동등하다는 성질을 이용하여, 위치 정보를 벡터 연산으로 표현합니다.

C. 역기구학의 재해석: 벡터 분해 (Factorization)

• 로봇 팔의 끝단이 목표 지점에 도달하는 것은, 각 관절의 각도 벡터들을 곱했을 때 목표 벡터가 되는 **부분집합 합 (Subset Sum) 또는 배낭 문제 (Knapsack Problem)**로 재해석됩니다.
• 목표 벡터 $p$를 각 관절의 상태 벡터 ($s_1, s_2, s_3...$) 의 곱으로 분해해야 합니다: $p \approx s_1 \odot s_2 \odot s_3$.
• 이를 해결하기 위해 두 가지 알고리즘을 사용합니다:
  1. 공명기 네트워크 (Resonator Network): 코드북 (Codebook) 을 사용하여 여러 잠재적 분해 해를 동시에 탐색하며 수렴합니다.
  2. 현대 홉필드 네트워크 (Modern Hopfield Network): 단 한 번의 반복으로 근사 최적 패턴을 복원할 수 있도록 설계된 알고리즘을 사용합니다.

D. 로봇 팔 재배치

• 분해 과정을 통해 각 관절의 목표 각도 (상태) 를 초벡터로 복원합니다.
• 복원된 각도 목표값을 각 관절의 CML 에 입력합니다.
• 각 CML 은 현재 상태와 목표 상태 간의 경로를 병렬로 계획하여 로봇 팔을 목표 지점으로 이동시킵니다.

E. 3D 확장

• 3D 공간에서는 회전비가 교환법칙을 따르지 않으므로, 2D 방식과 다르게 접근합니다.
• 목표 좌표를 구면 좌표계로 변환한 후, 2D 팔 제어 알고리즘으로 반경 ($\rho$) 과 위도 ($\phi$) 를 결정합니다.
• 남은 회전 각도 ($\theta$) 는 별도의 **원형 CML (Circular CML)**을 사용하여 처리하며, 이는 이기적 (Egocentric) 방향을 인코딩합니다.

3. 주요 기여 (Key Contributions)

1. 공유 표현 공간 워크플로우: 위상수 초벡터의 분수 거듭제곱 인코딩 (FPE) 을 통해 목표 지점과 관절 CML 을 동일한 표현 공간에 정의하는 워크플로우를 제시했습니다.
2. 배낭 문제로서의 재해석: 로봇 팔의 각도 조합을 찾는 문제를 HDC 기반의 벡터 분해 (Factorization) 문제로 변환하여 해결했습니다.
3. 역기구학 없는 제어: 수학적 역기구학 방정식 없이 CML 과 HDC 를 통해 로봇 팔을 목표 지점으로 재배치하는 방법을 구체화했습니다.
4. 일반화 및 확장성: 임의의 관절 수를 가진 2D 팔에 대한 일반 해법과, 회전 베이스가 있는 3D 팔에 대한 특정 해법을 모두 제시했습니다.

4. 실험 결과 (Results)

• 2D 비구속 팔 (Unconstrained 2D Arm):

  • 3 개의 관절로 구성된 팔이 2D 평면에서 목표 지점에 도달하는 능력을 평가했습니다.
  • 각 관절의 상태 수를 서로 다른 소수 (19, 23, 29) 로 설정했을 때, 격자 셀의 **98.8%**에 도달 가능한 영역을 확보했습니다 (동일한 상태 수의 경우 74.5% 에 불과함).
  • 정확도: 공명기 네트워크는 평균 오차 $\epsilon = 0.071$, 홉필드 네트워크는 $\epsilon = 0.061$의 이동 거리를 보였습니다.
  • 수렴성: 고도의 유사도 임계값을 충족하기 위해 여러 번의 초기화가 필요했으나, 두 알고리즘 모두 유효한 해를 찾았습니다.

• 3D 구속 팔 (Constrained 3D Arm):

  • 물리적 제약 (팔이 바닥에 닿지 않음, 서로 관통하지 않음) 을 적용했습니다.
  • 1 사분면 내에서 **99.4%**의 격자 셀을 커버할 수 있었습니다.
  • 평균 오차는 공명기 ($\epsilon = 0.082$) 와 홉필드 ($\epsilon = 0.065$) 모두에서 매우 낮게 나타났습니다.
  • 두 알고리즘 모두 단일 목표 지점에 대해 여러 개의 유효한 관절 구성 (Arm Configurations) 을 찾을 수 있었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 구성 가능성 (Composability): 이 연구는 독립적으로 훈련된 CML 모듈들이 재훈련 없이도 조합되어 복잡한 로봇 제어 문제를 해결할 수 있음을 입증했습니다. 이는 기존 DNN 의 모놀리식 한계를 극복하는 대안입니다.
• 역기구학 우회: 전통적인 역기구학 계산의 복잡성과 특이점 (Singularity) 문제를 피하면서, HDC 의 대수적 성질을 이용해 효율적으로 해를 구할 수 있습니다.
• 확장성: 이 프레임워크는 단일 로봇 팔을 넘어, 중앙 패턴 발생기 (Central Pattern Generator) 와 결합하여 4 발 보행 로봇 (Quadruped) 과 같은 다관절 시스템으로 확장 적용될 수 있습니다.
• 하드웨어 호환성: 위상수 HDC 연산은 Loihi 와 같은 스파이킹 신경망 하드웨어에서 구현 가능하므로, 소형 로봇 플랫폼에의 배포 가능성이 높습니다.

요약하자면, 이 논문은 초차원 컴퓨팅과 인지지도 학습자를 결합하여 역기구학 없이도 유연하고 구성 가능한 로봇 제어를 실현하는 새로운 패러다임을 제시했습니다.