기술 요약: CoLI – 연속체 로봇 학습을 위한 재현 가능한 플랫폼

문제 정의

연속체 로봇(Continuum robots)은 높은 자유도, 순응형 구조, 본질적인 안전성을 갖추고 있어 최소 침습 수술 및 인간-로봇 상호작용과 같은 비정형 및 제한된 환경에 이상적입니다. 그러나 다음과 같은 세 가지 주요 장벽으로 인해 연구 및 실질적인 학습 기반 응용 분야에서의 채택이 저해되고 있습니다:

1. 제조 복잡성: 전통적인 설계는 맞춤 제작된 강성 및 유연 부품의 복잡한 조립에 의존하며, 이는 높은 비용, 낮은 재현성, 상당한 치수 오차를 초래합니다.
2. 제어 과제: 지속적으로 변형되는 형태와 구동 중복성으로 인해 정확한 기구학적 모델링이 어렵습니다. 기존의 작업 공간 제어는 작업 공간 불일치 문제를 겪거나 로봇의 중복 자유도를 효과적으로 활용하지 못하는 경우가 많습니다.
3. 학습 준비 인프라 부족: 기존의 오픈 소스 솔루션은 연속체 로봇을 위한 표준화된 파이프라인이 부족한 경우가 많아, 확장 가능한 데이터 수집 및 모방 학습을 지원하는 접근 가능한 하드웨어 플랫폼이 드뭅니다.

방법론

저자들은 하드웨어 제조 및 제어의 장벽을 낮추기 위해 설계된 새로운 오픈 소스 연속체 로봇 시스템인 CoLI를 제시합니다. 이 방법론은 네 가지 통합된 구성 요소를 포함합니다:

1. 단일 구조 다중 재료 3D 프린팅

로봇은 다중 재료 FDM(Fused Deposition Modeling)을 사용하여 단일, 연속 순응 구조체로 제작됩니다.

• 구조: 암(arm)은 TPU 95A로 출력된 유연한 백본과 PLA로 출력된 16개의 강성 스페이서 디스크로 구성됩니다. 이는 15개의 직렬 관절을 형성하여 연속적인 굽힘을 가능하게 합니다.
• 설계: 백본은 순응성과 탄성 복원력을 제공하기 위해 평면 타원 호(planar elliptical arcs)를 특징으로 하며, 디스크와의 견고한 연결을 위해 접선 구간(tangent segments)을 포함합니다.
• 공정: Bambu Lab H2D 프린터를 사용하여 전체 본체를 단일 29시간 실행(레이어 높이 0.2 mm)으로 출력합니다. 후처리는 서포트 재료를 제거하는 데 15분만 소요되어, 백본과 디스크의 수동 조립 과정을 생략합니다.
• 맞춤화: 디자인을 통해 도구 교체 없이 관절 수, 치수 및 형태(예: 가늘고 긴 형태 또는 타워형 변체)를 신속하게 반복 수정할 수 있습니다.

2. 구동 메커니즘

로봇은 독립 구동 방식의 텐던(tendon) 구동 아키텍처를 채택합니다.

• 구성: 15개의 관절은 세 그룹으로 나뉘며, 각 그룹은 스페이서 디스크의 가이드 홀을 통과하는 세 개의 텐던에 의해 제어됩니다.
• 액추에이터: 텐던은 베이스에 배치된 Dynamixel XC430-T240BB-T 모터에 의해 구동됩니다. 이 설정은 모터 회전을 통한 직접적인 장력 조절을 가능하게 하여, 수동 장력 조절의 필요성을 없애고 부하 공유를 가능하게 합니다.

3. 동형 텔레오퍼레이션 (Isomorphic Teleoperation)

복잡한 기구학적 모델에 의존하지 않고 직관적인 제어 및 데이터 수집을 용이하게 하기 위해, 시스템은 리더-팔로워(leader–follower) 텔레오퍼레이션 인터페이스를 사용합니다.

• 동형성(Isomorphism): "리더" 매니퓰레이터는 "팔로워" 로봇과 기계적으로 동일하지만, 더 나은 역구동성(backdrivability)을 위해 낮은 감속비 모터(Dynamixel XL330-M288-T)를 사용합니다.
• 매핑: 제어는 리더의 모터 엔코더 위치가 팔로워의 목표 위치로 매핑되는 직접적인 관절별 매핑을 통해 이루어집니다. 이는 역기구학(inverse kinematics)을 제거하여 특이점 없는 액추에이터 정렬 제어 방식을 제공합니다.
• 교정: 두 로봇은 실린더형 슬리브와 PWM 구동 텐션 프리텐션을 사용하여 제로 참조 상태로 교정됩니다.

4. 모방 학습 파이프라인

시스템은 자율 제어를 지원하기 위해 LeRobot 프레임워크와 통합됩니다.

• 데이터 수집: 시스템은 30Hz로 모터 위치(제로 오프셋 대비)와 다중 뷰 카메라 데이터(엔드 이펙터 및 외부)를 기록합니다.
• 정책 학습: 수집된 시연 데이터를 바탕으로 ACT(Action Chunking with Transformers) 모델을 학습시킵니다. 이 정책은 ResNet-18 백본과 4개 층의 트랜스포머 인코더를 사용하여 고유 수용 감각(proprioceptive) 및 시각적 입력으로부터 로봇 동작을 예측합니다.

주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

1. 제조 패러다임: 연속체 로봇의 단일 실행, 재현 가능한 제조를 가능하게 하여 조립 복잡성을 크게 줄이는 단일 구조 다중 재료 3D 프린팅 접근 방식을 제시합니다.
2. 동형 텔레오퍼레이션: 운영자의 입력을 로봇 액추에이터와 직접 대응시켜 직관적인 전신 제어와 고품질의 시연 데이터 수집을 용이하게 하는 제어 프레임워크를 구축합니다.
3. 통합 플랫폼: LeRobot 프레임워크를 통해 하드웨어와 체화된 AI(embodied AI) 파이프라인을 연결하는 학습 준비가 된 연속체 로봇 시스템을 제공합니다.
4. 시스템 검증: 로봇의 구조, 텔레오퍼레이션 정확도 및 자율 조작 능력을 종합적으로 특성화하여 재현 가능한 베이스라인을 확립합니다.

실험 결과

플랫폼은 하드웨어 특성 분석 및 조작 과제를 통해 평가되었습니다:

• 기계적 특성:

  • 힘-변형 관계: 백본은 약 3.2 N/mm의 기울기를 가진 대략적인 선형 힘-변형 관계를 보입니다.
  • 작업 공간: 도달 가능한 작업 공간은 약 430 mm 직경의 구(sphere) 형태입니다.
    대로 페이로드: 로봇은 제어력을 유지하면서 최대 1 kg의 동적 페이로드를 안정적으로 지지할 수 있습니다. 1.2 kg에서는 성능이 눈에 띄게 저하됩니다.
  • 내구성: 시스템은 구조적 손상이나 성능 저하 없이 15시간 이상 작동했습니다.

• 텔레오퍼레이션 성능:

  • 정확도: 팔로워 로봇은 127개 구성에서 평균 위치 추적 오차 8.2 mm(암 길이의 3.3%)를 달ach했습니다.
  • 지연 시간: 30 Hz 제어 주파수에서 시스템은 158 ms의 정착 시간(settling-time) 지연을 보여 고충실도 시연 수집에 적합함을 확인했습니다.
  • 숙련도: 운영자는 물체 집기 및 놓기, 직경 90 mm의 좁은 튜브에서 물건 꺼내기와 같은 복잡한 작업을 성공적으로 수행했습니다.

• 모방 학습:

  • 세 가지 자율 과제가 평가되었습니다: 물체 배치(Object Placement), 스위치 토글링(Switch Toggling), 평면 밀기(Planar Pushing).
  • 성공률: 로봇은 물체 배치에서 100%(12/12), 스위치 토글링에서 83%(10/12), 평면 밀기에서 83%(10/12)의 성공률을 달성했습니다.
  • 정책은 도전적인 시나리오에서도 견고한 오류 복구 및 재시도 동작을 보여주었습니다.

의의 및 주장

본 논문은 CoLI가 재현 가능하고 학습 준비가 된 플랫폼을 제공함으로써 연속체 로봇 연구의 진입 장벽을 크게 낮춘다고 주장합니다. 단일 구조 제조, 동형 텔레오퍼레이션, 표준화된 학습 파이프라인을 통합함으로써, 이 시스템은 기존에 데이터 기반 조작 연구를 제한했던 접근 가능한 하드웨어 및 직관적인 제어 인터페이스의 결핍 문제를 해결합니다.

저자들은 이 연구를 최종적인 해결책이 아니라 알고리즘 개발과 체계적인 벤치마킹을 가속화하기 위한 기초적인 단계로 규정합니다. 저자들은 3D 프린팅의 빌드 볼륨 제약이 암 길이에 미치는 영향과 서보 모터의 높은 비용을 포함한 한계를 인정하며, 모듈형 디자인, 저비용 구동 방식, 더 풍부한 센싱 모달리티에 초점을 맞춘 향후 연구 과제를 제안합니다. 궁극적인 목표는 표준화된 오픈 소스 리소스를 통해 연속체 로봇 학습에 대한 커뮤니티 중심의 발전을 촉진하는 것입니다.