SoftAct: 가상 인간 데모에서 소프트 로봇 정책으로의 힘 인지적 재할당 (Functional Force-Aware Retargeting) 기술 요약

이 논문은 SoftAct라는 새로운 프레임워크를 제안하며, 이는 인간의 조작 기술을 비인간형 (non-anthropomorphic) 소프트 로봇 손으로 전이하기 위해 **접촉 힘 (contact forces)**을 명시적으로 추론하는 데 중점을 둡니다. 기존의 운동학적 (kinematic) 매핑 방식의 한계를 극복하고, 접촉 기하학과 힘 분포를 핵심 전달 표현으로 활용하여 복잡한 접촉 조작 과제를 해결합니다.

1. 문제 정의 (Problem)

소프트 로봇 손은 본질적인 순응성 (compliance)과 인간과의 안전한 상호작용으로 인해 접촉이 많은 조작 작업에 적합합니다. 그러나 인간의 데모를 소프트 로봇으로 전이하는 데에는 다음과 같은 근본적인 어려움이 존재합니다.

• 심한 신체 불일치 (Embodiment Mismatch): 인간의 손과 소프트 로봇 손은 자유도 (DoF), 작업 공간 기하학, 구동 방식 (인공 근육, 비선형 압력 등) 이 근본적으로 다릅니다.
• 운동학적 매핑의 실패: 기존의 재할당 (retargeting) 방법은 인간과 로봇의 관절 각도나 손끝 위치를 직접 매핑하는 데 의존합니다. 그러나 구조가 완전히 다른 소프트 로봇의 경우, 이러한 운동학적 유사성만으로는 기능적인 조작 의도를 재현하기 어렵고, 접촉 상태가 불안정해지거나 작업이 실패합니다.
• 접촉 정보의 부재: 기존 방법들은 접촉 패치 (contact patches) 나 힘 정보를 명시적으로 활용하지 않거나, 인간형 로봇에 국한된 표면 대응 관계를 요구하여 비인간형 소프트 로봇에는 적용하기 어렵습니다.

2. 방법론 (Methodology)

SoftAct 는 가상 현실 (VR) 환경에서 수집된 풍부한 인간 데모 데이터를 활용하여, 운동학적 유사성이 아닌 접촉 힘과 기하학을 기반으로 한 2 단계 재할당 알고리즘을 제안합니다.

A. 데이터 수집 (VR 기반)

• Unreal Engine 기반의 몰입형 VR 환경에서 인간 참가자가 과제를 수행하도록 합니다.
• 모션 캡처 시스템을 통해 손의 운동학, 물체 운동, 밀집된 접촉 패치, 그리고 상세한 접촉 힘 정보를 고충실도로 기록합니다. 이는 실제 환경에서 얻기 어려운 정밀한 힘 데이터를 제공합니다.

B. 2 단계 힘 인지적 재할당 (Two-Stage Force-Aware Retargeting)

1. 1 단계: 힘 균형 손가락 할당 (Force-balanced Finger Assignment)

   • 데모에서 각 인간 손가락이 가한 누적 접촉 하중을 추정합니다.
   • 로봇의 손가락 수를 이 하중 분포에 비례하여 할당합니다 (다대일 매핑 가능).
   • 지오데식 (Geodesic) 거리를 사용하여 손 표면 위를 따라 힘이 전파되도록 하여, 물리적으로 관련 없는 영역 간의 잘못된 결합을 방지합니다.
   • 이를 통해 인간과 로봇 간의 힘 균형 매핑을 확립합니다.

2. 2 단계: 접촉 정보 기반 정제 (Contact-informed Refinement)

   • 실행 중, 로봇은 기본 엔드 이펙터 (End-Effector) 궤적을 따르되, 각 소프트 손가락의 목표 위치를 실시간으로 조정합니다.
   • 데모된 접촉 위치와 힘의 크기를 기반으로 **지오데식 가중치 (geodesic-weighted)**를 계산하여, 로봇 손끝의 목표 위치를 미세 조정합니다.
   • 이 과정은 로봇이 인간의 운동 궤적을 그대로 모방하는 것이 아니라, 접촉 기하학과 힘 분포를 최적화하여 기능적으로 동등한 상호작용을 달성하도록 합니다.

C. 정책 학습 및 제어 (Policy Learning & Control)

• 고수준 정책: 재할당된 궤적을 모방하기 위해 **확산 정책 (Diffusion Policy)**을 학습합니다.
• 저수준 제어: 비선형 압력 구동 소프트 손가락의 정밀한 궤적 추적을 위해 **학습 기반 역모델 (Learned Inverse Model)**을 사용합니다. MLP 를 사용하여 압력과 손끝 변위 간의 비선형 관계를 학습하고, 실행 시 최적화를 통해 원하는 궤적을 추적하는 압력 명령을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 접촉 중심의 학습 프레임워크: 비인간형 소프트 로봇 손으로 인간의 조작 기술을 전이하기 위해 운동학적 유사성이 아닌 접촉 기하학과 힘 분포를 핵심 표현으로 사용하는 새로운 공식을 제시했습니다.
2. 힘 인지적 재할당 방법: 하드코딩된 운동학적 유사성 대신 접촉 패치와 힘 분포를 명시적으로 최적화하는 2 단계 알고리즘을 개발했습니다.
3. 최첨단 저수준 제어기: 비선형 압력 구동 소프트 로봇 손의 궤적 추적을 위한 학습 기반 제어기를 개발하여 높은 정밀도를 달성했습니다.
4. 엔드 - 투 - 엔드 시스템: VR 데모 데이터에서 학습된 정책을 실제 공압 구동 소프트 로봇 손에 배포하는 전체 시스템을 구축하고 검증했습니다.

4. 실험 결과 (Results)

SoftAct 는 다양한 접촉이 많은 조작 과제 (전구 삽입/회전, 컵 따르기, 병 뚜껑 열기, 상자 재배치 등) 에서 평가되었습니다.

• 저수준 궤적 추적 성능:

  • SoftAct 의 제어기는 기존 기하학적 기반 (Kinematic) 및 학습 기반 베이스라인 대비 RMSE 를 최대 55% 감소시켰고, 추적 분산은 최대 69% 감소시켰습니다.
  • 특히 비선형 변형이 큰 소프트 손가락에서 정밀도와 안정성이 크게 향상되었습니다.

• 객체 궤적 추적 (시뮬레이션):

  • 운동학적 베이스라인 대비 물체의 이동 및 회전 오차를 55~75% 감소시켰습니다.
  • 접촉이 중요한 삽입 (Insertion) 및 회전 (Twisting) 작업에서 성능 격차가 가장 컸습니다.

• 작업 성공률 (시뮬레이션 및 실제 환경):

  • Zero-shot 실제 환경 배포에서도 운동학적 베이스라인을 일관되게 능가했습니다.
  • 예: 컵 따르기 (Simulation: 90% vs 40%, Real: 85% vs 35%), 전구 나사 조이기 (Real: 95% vs 30%).
  • 이는 접촉과 힘을 명시적으로 모델링하는 것이 시뮬레이션에서 실제 환경 (Sim-to-Real) 으로 전이하는 데 필수적임을 보여줍니다.

5. 의의 및 결론 (Significance)

이 연구는 운동학적 모방만으로는 비인간형 소프트 로봇의 복잡한 조작 능력을 재현할 수 없으며, 접촉 수준 (contact-level) 의 표현 (기하학과 힘) 이 필수적임을 입증했습니다.

• 신체 불일치 극복: 인간과 로봇의 구조적 차이가 극심하더라도, 기능적 의도 (functional intent) 를 접촉 힘 분포를 통해 전이함으로써 안정적인 조작을 가능하게 합니다.
• 소프트 로봇 제어의 패러다임 전환: 기존의 관절 각도 매핑 중심 접근법에서 벗어나, 물리적 상호작용 (접촉과 힘) 을 중심으로 한 제어 및 학습 프레임워크를 제시했습니다.
• 향후 전망: 현재는 시뮬레이션 기반의 정밀 힘 데이터에 의존하지만, 향후 시각적 접촉 힘 추정을 통해 실제 데이터 수집으로 확장하고, 장기적 (long-horizon) 작업으로 범위를 넓히는 것이 중요한 향후 과제로 제시되었습니다.

요약하자면, SoftAct 는 소프트 로봇이 인간의 복잡한 조작 기술을 효과적으로 습득하고, 다양한 물리적 제약 하에서도 안정적으로 작업을 수행할 수 있게 하는 획기적인 접근법입니다.