기술 요약: 매니퓰레이터 장착 연속체 로봇을 위한 샘플링 기반 팔로더 (Follow-the-Leader) 운동 계획

1. 문제 정의

본 논문은 완전 구동 6 자유도 (6-DOF) 기저 자세 ($SE(3)$) 를 가진 로봇 매니퓰레이터에 장착된 연속체 로봇 (CRs) 에 대한 팔로더 (Follow-the-Leader, FTL) 운동의 운동 계획 문제를 다룹니다.

• 배경: FTL 은 로봇 본체가 팁의 경로를 재추적하여 주변 조직이나 구조물에 가해지는 측면 힘을 최소화하는 핵심 운동 원시 (motion primitive) 입니다. 뱀형 로봇, 조종 가능 바늘, 동심관 로봇에 대해서는 광범위하게 연구되었으나, 힘줄 구동 연속체 로봇 (TDCRs) 에 대한 기존 방법들은 일반적으로 고정된 기저 또는 1 자유도 (1-DOF) 선형 삽입을 가정합니다.
• 격차: 실제 배포에서는 연속체 로봇을 직렬 매니퓰레이터 (예: 수술용 암, 산업용 검사 로봇) 에 장착하는 경우가 점점 늘고 있습니다. 이는 로봇의 내부 구성 ($Q$) 과 조율되어야 하는 6-DOF 기저 자세를 도입합니다.
• 과제: 결합된 구성 공간 ($K = SE(3) \times Q$) 은 고차원이며 비선형적입니다. 기존 접근법들은 종종 단순화된 운동학 모델 (예: 조각별 일정 곡률, PCC) 과 반복 최적화 (예: 역운동학 솔버) 에 의존합니다. 이러한 방법들은 다음과 같은 문제점을 겪습니다:
  • 초기화에 민감하고 국소 최소값에 수렴하는 경향.
  • 계산 비용으로 인해 복잡하고 정확한 전진 모델 (예: 코시어 막대, 유한 요소법, 신경망) 을 활용할 수 없음.
  • 해의 완전성이나 팁 추적 정확도에 대한 형식적 보장의 부재.

목표: 3D 웨이포인트 $W$의 순서 집합이 주어졌을 때, 로봇 팁이 경로를 정확하게 추적하고 삽입된 본체가 경로에서의 편차를 최소화하도록, CR 구성과 6-DOF 기저 자세를 공동으로 최적화하는 연속 운동 계획을 생성합니다.

2. 방법론

저자들은 글로벌 형태 탐색과 국소 보간 및 기저 자세 결정을 분리하는 샘플링 기반 프레임워크를 제안합니다. 핵심 혁신은 임의의 후보 형태에 대해 6-DOF 기저 자세를 고유하게 결정하는 폐형 (closed-form) 기하학적 구성으로, 온라인 계획 중 반복 최적화가 필요하지 않습니다.

A. 오프라인 라이브러리 생성

• CR 구성 공간 $Q$를 균일하게 샘플링하여 형태의 라이브러리를 오프라인에서 사전 계산합니다.
• 각 샘플에 대해 일반적인 전진 모델 (FM) 이 이산화된 척추 점들을 계산합니다.
• 이는 복잡한 운동학 모델의 계산 부하를 오프라인 단계로 이전하여, 온라인 최적화에는 비실용적인 모델들의 사용을 가능하게 합니다.
• 클러스터링: 온라인 검색 복잡도를 $O(N_{lib})$에서 $O(\sqrt{N_{lib}})$로 줄이기 위해, 형태는 쌍별 유사성을 기반으로 클러스터링됩니다. 실행 중에는 계획자가 먼저 클러스터 중심을 평가한 다음, 가장 잘 맞는 클러스터를 포괄적으로 검색합니다.

B. 온라인 기저 자세 정렬 (기하학적 구성)

각 웨이포인트 $w_i$와 라이브러리에서 선택된 후보 형태 $S$에 대해, 기저 자세 $T_b \in SE(3)$는 활성 경로에 형태를 정렬하기 위해 세 가지 순차적 변환을 통해 결정됩니다:

1. 이동: 팁 ($p_D$) 이 현재 웨이포인트 $w_i$와 정확히 일치하도록 형태를 이동시킵니다.
2. 팁 주위 회전: 활성 형태 점으로부터 팁까지의 벡터를 경로 방향과 정렬하도록 팁을 중심으로 형태를 회전시킵니다.
3. 축 회전: 호 길이 비율에 기반한 세 번째 대응 점을 경로에 정렬함으로써 나머지 회전 자유도 (비틀림) 를 해결합니다.

주요 특성: 이 구성은 선택된 형태와 무관하게 반복 풀이 없이 설계상 정확한 팁 배치 ($p_D = w_i$) 를 보장합니다.

C. 형태 평가 및 선택

• 변환된 형태와 활성 경로 사이의 편차는 **대칭 체이퍼 거리 (symmetric Chamfer distance)**를 사용하여 계산됩니다.
• 이 편차를 최소화하는 형태가 선택됩니다. 이 과정은 라이브러리 전체에서 병렬화 가능합니다.
• 선택된 구성 $(q, T_b)$는 희소 운동 계획을 형성합니다.

D. 국소 보간

배포를 위한 연속 궤적을 생성하기 위해:

• 방대칭성 사전 정렬: 연속된 구성들을 공통 참조 방향으로 회전하여 사전 정렬함으로써, CR 의 방대칭성을 활용하여 방향 불연속성을 최소화합니다.
• 부드러운 보간: 중간 구성은 관절 상태를 선형 보간하고 팁 방향을 위해 SLERP 를 사용하여 생성됩니다.
• 기저 자세 재구성: 각 보간 단계에서 기저 자세는 원하는 보간된 팁 자세에 대한 전진 모델의 팁 자세의 역을 사용하여 구성됩니다. 이는 보간 단계 전반에 걸쳐 정확한 팁 추적이 유지되도록 보장합니다.

3. 이론적 보장

본 논문은 일반적으로 최적화 기반 접근법에서 결여되어 있는 형식적 보장을 확립합니다:

1. 해상도 완전성: 라이브러리 크기 $N_{lib} \to \infty$로 갈 때, 유효한 계획 (존재하는 경우) 을 찾을 확률은 1 에 수렴합니다. 이는 형태 편차 측정치의 리프시츠 연속성에 의존합니다.
2. 구성에 의한 정확한 팁 추적: 기하학적 정렬은 모든 이산 단계에서 팁이 정확히 웨이포인트에 있도록 보장합니다.
3. 점근적 팁 추적 수렴: 보간 단계 수가 증가함에 따라 웨이포인트 간의 선형 경로로부터의 팁 최대 편차는 소멸합니다 ($O(1/h^2)$).

4. 실험 결과

본 방법은 세 가지 설정에서 평가되었습니다:

A. PCC 모델 대 최적화 베이스라인

• 설정: 세 가지 클래스 (C-곡선, S-곡선, 로봇-곡선) 에 걸쳐 120 개의 경로. L-BFGS-B 최적화 베이스라인과 비교.
• 결과:
  • 팁 오차: 제안된 방법은 0% (최적화는 약 1.2%).
  • 형태 편차: 선형 검색 변형이 최적화 베이스라인을 능가함 (예: C-곡선의 경우 1.25% 대 1.74%).
  • 효율성: 클러스터링 변형은 형태 정확도에서 최소한의 손실로 계산 시간을 10 배 이상 단축함 (예: 약 1.8 초 대 약 40 초).

B. MuJoCo 시뮬레이션 (준-강체 모델)

• 설정: 현실적인 변형과 세그먼트 결합을 시뮬레이션하기 위해 시스템 식별된 PRB 모델을 사용하여 30 개의 강체 링크와 탄성 조인트를 가진 시스템을 사용.
• 결과: 0% 팁 오차 달성. 모델 복잡성으로 인해 형태 편차는 약간 더 높았으나 (~2.5–3.2%), 여전히 경쟁력 있었으며 복잡한 전진 모델로의 확장성을 입증함.

C. 하드웨어 시연

• 설정: 7-DOF Franka 매니퓰레이터에 장착된 3-세그먼트 힘줄 구동 CR.
• 결과: 로봇이 성공적으로 조정된 FTL 운동을 실행함.
  • 팁 오차: 관찰된 하드웨어 오차 (평균 5.5%–9.1%) 는 계획자의 실패가 아니라 시스템 식별 모델과 물리적 현실 간의 차이 (힘줄 신장, 마찰, 히스테리시스) 에 기인함.
  • 검증: 하드웨어 결과는 계획자가 정성적으로 올바른 FTL 운동을 달성하는 부드럽고 실행 가능한 궤적을 생성함을 확인시킴.

5. 중요성과 주장

본 논문은 형식적 계획 보장을 제공하는 완전 구동 $SE(3)$ 기저를 가진 연속체 로봇을 위한 최초의 FTL 운동 계획 방법을 제시한다고 주장합니다.

• 분리: 주요 기여는 형태 탐색을 기저 자세 결정에서 분리하는 것입니다. 기저 자세를 기하학적으로 풀이함으로써, 고차원 공간에서 반복 최적화의 국소 최소값과 계산 병목 현상을 피합니다.
• 모델 무관성: 프레임워크는 무거운 계산을 오프라인으로 이전함으로써 어떤 전진 모델 (PCC, 코시어, FEM, 신경망) 이든 지원합니다.
• 실용성: 이론적 계획과 매니퓰레이터 장착 시스템에서의 실제 배포 간의 격차를 해소하며, 속도 (클러스터링을 통해) 와 정확도 간의 원칙적인 절충안을 제공합니다.
• 안전성과 예측 가능성: 이론적 보장 (해상도 완전성과 정확한 팁 추적) 은 예측 불가능한 계획자 행동이 용납되지 않는 안전-중요 요구사항을 해결합니다.

저자들은 중력 효과를 무시하는 기저 자세 독립 전진 모델에 대한 가정과 경로 전체의 형태 최적화 부재와 같은 한계를 지적하며, 이를 향후 연구 방향으로 제안합니다.