기술 요약: 형태학적 가용성 도달 범위 (Reachability Across Morphologies, RAM)

문제 정의

로봇 시스템의 설계 및 운용, 특히 형태학적 합성(morphology synthesis), 모듈형 재구성 또는 도구 사용과 관련된 작업은 가용 작업 공간(reachable workspace)을 결정하는 능력에 근본적으로 의존한다. 작업 공간을 근사화하려는 기존 방식들은 상당한 계산적 난관에 직면해 있다. 전통적인 접근 방식은 특정 형태학마다 역기구학(Inverse Kinematics, IK)을 풀고 자기 충돌(self-collision) 여부를 확인해야 한다. 해석적 IK 솔버는 특정 토폴로지나 낮은 자유도(DoF)에 국한되며, 수치적 솔버는 속도가 느리고 초기값에 민감하며, 전체 해 집합을 특징짓기보다는 단일 관절 구성만을 반환하는 경etas이 있다. 또한, 형태학 기반 또는 궤적 최적화와 같은 반복적 작업은 수백만 번의 가용성 평가를 수행해야 하므로, 전수 조사를 통한 작업 공간 평가는 지나치게 느리다. 기존의 학습 기반 대리 모델(surrogates)은 서로 다른 형태학 간에 일반화하는 데 실패하거나, 전체 SE(3) 포즈가 아닌 위치 기반(3D) 작업 공간으로 제한되는 경우가 많다.

방법론

저자들은 포즈 가용성에 대한 빠르고 미분 가능한 대리 모델 역할을 하는, 형태학 조건부 암시적 신경 표현(morphology-conditioned, implicit neural representation)인 **Reachability Across Morphologies (RAM)**를 제안한다.

1. 데이터 생성

RAM을 훈련시키기 위해 저자들은 $3 \times 10^4$개의 고유한 로봇 형태학에 걸쳐 $3 \times 10^{10}$개의 샘플로 구성된 대규모 데이터셋을 생성했다.

• 형태학 샘플링: 데이터셋은 5, 6, 또는 7개의 회전 관절을 가진 직렬 운동 체인을 다룬다. 형태학은 계층적 거부 샘플링(hierarchical rejection sampling)을 사용하여 운용 가능하고(충돌 없는 구성이 존재함), 퇴화되지 않으며(non-degenerate), 관습적인(연속적인 관절 축이 평행하거나 직교함) 형태들로 샘플링되었다.
• 포즈 샘플링: 포즈는 단위 구(unit ball) 내의 기하학적으로 타당한 영역에서 샘플링되며, 사소하게 도달 불가능한 위치는 피한다. 5-DoF 형태학의 경우, 작업 공간이 SE(3) 내의 5차원 부분 다양체(submanifold)이므로, 클래스 불균형 문제를 해결하기 위해 순기구학(forward kinematics)을 통해 구성 공간에서 직접 샘플을 추출한다.
• 레이블 할당: 모든 포즈에 대해 IK를 푸는 대신, 저자들은 SE(3)를 셀(cell)로 이산화하여 가용 작업 공간을 근사한다. 관절 구성을 샘플링하고 순기구학을 계산한 뒤, 유효하고 충돌이 없는 포즈가 해당 셀 내에 하나라도 존재하면 해당 셀을 가용 상태로 표시한다. 이러한 "폐쇄 세계(closed-world)" 가정은 모든 쿼리에 대해 IK를 풀지 않고도 효율적인 레이블링을 가능하게 한다.

2. 모델 아키텍처

RAM은 가용성을 이진 점유 분류(binary occupancy classification) 문제로 프레임화한다.

• 입력: 수정된 Denavit-Hartenberg 파라미터 시퀀스로 표현된 형태학 $M$과 포즈 $P \in SE(3)$.
• 인코딩: 가변 길이의 형태학 시퀀스는 LSTM 네트워크를 사용하여 고정 크기의 잠재 임베딩(latent embedding)으로 인코딩된다. 포즈는 변위 벡터와 연속적인 6D 회전 표현의 결합으로 표현된다.
• 디코딩: 결합된 형태학 임베딩과 포즈 벡터는 시그모이드 출력을 가진 MLP를 통과하여 가용 확률을 예측한다.
• 미분 가능성: 전체 파이프라인은 미분 가능하므로, 가용성 예측으로부터 형태학 파라미터 또는 궤적 웨이포인트로 그래디언트(gradient)가 흐를 수 있다.

주요 기여

1. RAM 모델: 점유 네트워크(occupancy network)를 기반으로 한 새로운 형태학 조건부 암시적 신경 표현으로서, 새로운 형태학에 대해서도 일반화가 가능하며 자기 충돌을 본질적으로 고려하는 빠른, 미분 가능한 포즈 가용성 대리 모델이다.
2. 대규모 가용성 데이터셋: $3 \times 10^4$개의 형태학에 걸쳐 $3 \times 10^{10}$개의 샘플을 포함하는 공개 데이터셋이다. 결정적으로, 레이블은 순기구학 및 자기 충돌 쿼리만을 사용하여 생성되었으므로 역기구학의 계산 오버헤드를 피할 수 있다.
3. 최적화 가속화: RAM이 기존의 수치적 IK 방식보다 훨씬 적은 계산 비용으로 그래디언트 기반 형태학 및 궤적 최적화를 가능하게 함을 입증하였다.

결과

• 정확도 및 속도: RAM은 무작위 포즈에서 86%, 경계 포즈에서 78%의 F1-score를 달성했다. 추론 시간은 샘플당 약 57 나노초로, 이는 베이스라인인 GGIK(Generative Graphical Inverse Kinematics) 모델(22 밀리초)보다 3 자릿수(1,000배) 더 빠르다. RAM은 F1-score 측면에서 GGIK보다 14% 우수한 성능을 보인다.
• 일반화: RAM은 4, 8, 9 DoF 형태학에 대해서도 견고하게 일반화된다(F1-score > 78%). 다만, 토폴로지 차이로 인해 1-3 DoF에서는 성능이 저하된다.
• 최적화 성능:
  • 형태학 최적화: RAM은 평균 포즈 오차를 78% 감소시켰으며(베이스라인 69%), 실행 시간을 1.5 자릿수 줄였다.
  • 궤적 최적화: RAM은 포즈 오차를 62% 감소시켰으며(베이스라인 51%), 실행 시간을 2 자릿수 이상 단축했다.
• 잠재 공간 분석: 잠재 공간은 형태학을 운동학적 복잡도에 따라 정리하며, DoF 수와 86%의 높은 상관관계를 보인다.

의의 및 주장

본 논문은 RAM이 역기구학 해의 존재 여부를 해를 찾는 더 어려운 문제로부터 분리함으로써 로봇 설계 및 계획 분야에서 중요한 진전을 이루었다고 주장한다. RAM을 통한 미분 가능한 표현으로의 전환은 다음을 가능하게 한다:

• 나노초 단위의 가용성 평가: 느린 수치 솔버를 대체한다.
• 원활한 일반화: 각 특정 설계마다 재학습할 필요 없이 다양한 로봇 형태학에 걸쳐 적용 가능하다.
• 효율적인 그래디언트 기반 최적화: IK 솔버와 자기 충돌 체크의 비미분적 특성 때문에 과거에는 계산적으로 불가능했던 형태학 합성 및 궤적 계획 작업을 가능하게 한다.

저자들은 RAM의 정확도가 훈련 레이블의 이산화 오차에 의해 제한되며, 현재는 5-7 DoF를 가진 관습적인 직렬 매니퓰레이터로 제한된다는 점을 언급하며 한계를 인정했다. 향후 연구로는 순차적 인코더를 임의의 토폴로지를 위한 그래프 기반 대안으로 교체하거나, 형태학과 궤적을 하나의 루프에서 공동 최적화하는 것을 제안한다.