기술 요약: 기하학적 인식을 위한 로봇 표면 작업의 전이 가능한 운동 기술 학습

문제 제기

스프레이 페인팅 및 용접과 같은 로봇 표면 상호작용 작업은 정확한 기하학적 경로 계획과 숙련된 인간의 전문성을 모방하는 정밀한 실행 전략이라는 이중 능력을 요구합니다. 현대의 운동 계획기는 기하학적 제약을 만족하는 충돌 없는 경로를 효과적으로 생성하지만, 국소 기하학에 기반한 적응형 속도 조절 및 도구 방향 조정과 같은 숙련된 작업자의 미묘한 운동 패턴을 포착하는 데는 종종 실패합니다. 반면, 시연 학습 (LfD) 접근법은 이러한 전문가의 운동 기술을 보존하지만, 일반적으로 실행을 시연의 특정 기하학에 밀접하게 결합시킵니다. 이러한 결합은 학습된 기술이 다른 형태나 위상을 가진 새로운 작업물로 전이되는 것을 제한합니다. 다루는 핵심 과제는 전이 가능하고 기하학적 인식을 갖춘 운동 기술을 가능하게 하기 위해 고수준 기하학적 계획과 저수준 실행 전문성을 어떻게 분리할 것인가입니다.

방법론

저자들은 전문가 행동을 해석 가능한 원자적 운동 규칙의 어휘로 표현하는 모듈식 프레임워크를 제안합니다. 이러한 규칙은 국소 세그먼트 특성에 기반하여 기하학적으로 계획된 참조 경로를 체계적으로 수정합니다.

1. 규칙 기반 기술 표현

전문가 기술은 궤적의 공간적 세그먼트에 적용되는 매개변수 변환 ($\rho$) 의 구조화된 집합으로 모델링됩니다. 원시 기하학적 경로는 직선, 모서리 등 세그먼트로 분해됩니다. 규칙 어휘에는 다음이 포함됩니다:

• 속도 조절 ($\rho_{vel}$): 목표 선형 속도에 연속적인 스케일링 인자를 적용합니다.
• 방향 오프셋 ($\rho_{ori}$): 전문가의 도구 처리를 모방하기 위해 표면 법선 벡터에 대한 체계적인 틸트 (쿼터니언 오프셋으로 표현됨) 를 도입합니다.

2. 멀티모달 신경 추론

멀티모달 신경망은 운동 궤적 데이터와 CAD 모델 기하학으로부터 규칙 매개변수와 세그먼트 유형을 공동으로 추론하도록 훈련됩니다.

• 입력: 모델은 운동 궤적 (위치, 방향, 속도) 과 기본 대상 CAD 모델 (점 구름으로 표현됨) 을 처리합니다.
• 아키텍처:
  • 궤적 인코더: 1 차원 합성곱 인코더 (세 개의 스택된 Conv1d 레이어) 가 시간 인덱싱된 궤적 특징을 처리합니다. 방향은 안정성을 위해 연속적인 6D 회전 표현으로 매핑됩니다.
  • 기하학 인코더: PointNet++ 인코더가 CAD 점 구름을 처리하여 전역 기하학적 특징을 추출합니다.
  • 융합: 두 모달리티의 임베딩이 연결되어 공유 다층 퍼셉트론 (MLP) 을 통과합니다.
• 출력: 네트워크는 두 개의 헤드를 활용합니다:
  • 규칙이 적용될 기하학적 세그먼트 유형 (직선, 모서리, 또는 없음) 을 예측하는 분류 헤더.
  • 연속적인 실행 매개변수 (예: 특정 속도 승수 또는 틸트 각도) 를 예측하는 회귀 헤더.

3. 궤적 정제 및 시뮬레이션

물리적 연속성을 보장하고 순간적인 속도 점프를 방지하기 위해 추론된 규칙은 물리 기반 시뮬레이션에 주입됩니다. 순수 추종 (pure pursuit) 제어기는 참조 경로 따라 미리보기 포즈를 추적하며, 위치 및 방향 오차에 비례하는 힘과 토크를 적용합니다. 결과적인 wrench 는 질량, 관성, 점성 감쇠를 가진 강체로 모델링된 엔드 이펙터를 4 차 룬게 - 쿠타 (RK4) 방법으로 수치적으로 적분합니다.

4. 데이터 생성 및 전이

훈련 데이터는 L 자형 및 창문형 위상을 사용하여 합성적으로 생성됩니다. 보이지 않는 기하학으로 전이하기 위해, 시스템은 슬라이딩 윈도우와 특이값 분해 (SVD) 를 사용하여 국소 곡률을 측정하여 새로운 기하학적 경로를 자동으로 세그먼트화하고, 수동 주석 없이 점을 "직선"또는 "모서리"로 라벨링합니다. 추론된 규칙은 시뮬레이션 중 해당 세그먼트에 적용됩니다.

주요 기여

이 논문은 두 가지 주요 기여를 개요합니다:

1. 모듈식 프레임워크: 전문가 운동 기술을 매개변수 규칙 어휘로 표현하여 이러한 기술을 기하학적으로 계획된 궤적에 주입함으로써 계획과 실행 수준 전문성을 분리하는 시스템.
2. 멀티모달 신경 아키텍처: 시연 데이터로부터 직접 규칙 매개변수와 세그먼트 유형을 추론하기 위해 1 차원 합성곱 궤적 인코더와 PointNet++ CAD 인코더를 결합한 특정 네트워크 설계.

실험 결과

이 접근법은 L 자형 및 창문형 객체를 포함하는 시뮬레이션 데이터셋에서 평가되었습니다.

• 규칙 분류: L 자형 기하학에서 모델은 세 가지 클래스 (직선, 모서리, 없음) 에 대해 0.999 의 결합 F1 점수를 달성했습니다. 복잡한 창문 기하학에서는 속도 조절에 대해 1.000 의 F1 점수를, 방향 규칙에 대해 0.984 의 F1 점수를 달성했습니다.
• 매개변수 회귀:
  • L 자형: 방향 오프셋에 대한 평균 절대 오차 (MAE) 는 0.020 rad 이었고, 속도 조절 인자에 대해서는 0.056 이었습니다.
  • 창문 위상: 모델은 정확한 방향 추정 (MAE 0.038 rad) 을 유지했습니다. 속도 조절은 0.131 의 중간 정도 오차를 보였는데, 저자들은 이를 창문 프레임의 특징인 짧고 급격히 변하는 세그먼트에 기인하며, 밀집된 곡률 변화에 대해 더 세분화된 세그먼트화 또는 정규화가 필요함을 시사합니다.
• 일반화: 결과는 아키텍처가 동적 오버라이드를 기하학적 궤적에서 성공적으로 분리하여 모델이 서로 다른 위상 전반에 걸쳐 속도와 방향 규칙을 추출하고 적용할 수 있음을 보여줍니다.

중요성 및 향후 작업

이 논문은 해석 가능한 원자적 규칙을 사용하여 실행 전략을 작업물 기하학에서 성공적으로 분리했다는 점이 주요 중요성이라고 주장합니다. 이는 특정 새로운 기하학에 대한 재훈련 없이 전문가 운동 기술을 새로운 작업물로 전이할 수 있게 합니다.

저자들은 현재 규칙 어휘가 세그먼트 유형에만 순수하게 작동하며, 추론 중 가장자리나 교차점과 같은 특정 CAD 기능에 대한 런타임 근접성을 아직 활용하지 못한다고 지적합니다. 그들은 시뮬레이션에서 현실로의 간극을 해소하는 것을 중요한 다음 단계로 식별하며, 현재의 물리적 교육 인터페이스는 고주파수 운동 조정을 포착하는 것을 제한하는 낮은 샘플링 속도로 고통받고 있음을 지적합니다. 향후 작업은 구조적 CAD 기능에 조건부인 근접 기반 규칙을 포함하도록 규칙 어휘를 확장하고, U 자형 및 T 자형 기하학과 같은 홀드아웃 위상에 대한 제로샷 전이를 평가하는 것을 목표로 합니다.