기술 요약: THREAD – 환경 인지형 확산 모델을 이용한 하이브리드 강성-연성 매니퓰레이터의 궤적 계획

1. 문제 정의

제한된 비정형 환경(예: 재난 대응, 지하 탐사)에서 작동하는 로봇은 좁은 구멍을 통과할 때 상당한 어려움에 직면합니다. 하이브리드 강성-연성 매니퓰레이터는 강성 암(rigid arm)의 도달 범위와 연성 연속체 암(SCA)의 순응성을 결합하여 좁은 공간에 접근할 수 있지만, 다음과 같은 독특한 계획 문제를 야기합니다:

• 환경적 불가능성(Environmental Infeasibility): 자유 공간에서는 운동학적으로 유효한 백본(backbone) 형상이 환경과의 접촉으로 인해 물리적으로 불가능해질 수 있으며, 이는 충돌이나 변형 한계 위반으로 이어집니다.
• 운동학적 결합(Kinematic Coupling): 강성 세그먼트와 연성 세그먼트를 독립적으로 계획하는 것은 이들의 운동학적 결합을 무시합니다. 잘못 위치된 강성 암은 연성 세그먼트를 물리적 제약을 위반하는 구성으로 강제하여 작업을 불가능하게 만들 수 있습니다.
• 기존 방법론의 한계: 고전적인 샘플링 기반 플래너는 폐루프 재계획(closed-loop replanning) 및 일반화 능력이 부족합니다. 지도 학습 및 강화 학습(RL) 접근 방식은 주로 말단 장치(end-effector) 제어에 집중하며, 전역적인 백본 추론이나 명시적인 기하학적 충돌 인식이 부족합니다. 또한, 기존의 확산 모델은 강성 관절 공간에는 적용되었으나, 연속체 매니퓰레이터의 연속적인 백본 형상 영역에는 적용되지 않았습니다.

2. 방법론: THREAD 프레임워크

저자들은 관절 공간이나 말단 장치 공간이 아닌, 연속적인 **백본 형상 공간(backbone shape space)**에서 작동하는 확산 기반 궤적 플래너인 THREAD를 제안합니다. 이 시스템은 인지, 생성적 계획, 그리고 폐루프 제어를 통합합니다.

A. 통합 백본 표현

전체 운동학적 체인(강성 암 + 연성 연속체 암)은 베이스부터 팁까지 $K=64$개의 점으로 샘플링된 단일 백본으로 인코딩됩니다.

• 강성-연성 마스크(Rigid-Soft Mask): 매개변수화된 마스크가 백본을 강성 세그먼트와 연성 세그먼트로 나눕니다.
• 관절 최적화: 전체 백본에 대해 확산을 수행함으로써, 모델은 생성된 말단 장치 포즈가 강성 암에 의해 운동학적으로 실현 가능하면서 동시에 연성 세그먼트의 물리적 제약을 만족하도록 보장합니다.

B. 확산 궤적 플래너

확산 기반 궤적 플래너(DDPM)는 다음 조건에 따라 충돌 없는 백본 궤적을 생성하도록 학습됩니다:

1. 환경 기하 구조 ($\mathcal{C}_{env}$): 재구성된 3D 장면을 처리하는 포인트 클라우드 인코더(MASt3R)를 통해 인코딩됩니다.
2. 목표 포즈 ($\mathcal{C}_{goal}$): 3D 목표 위치.
3. 초기 상태 ($\mathcal{C}_{state}$): 로봇의 현재 백본 구성.

물리 정보 손실 함수(Physics-Informed Losses): 학습 과정에서 모델은 다음의 복합 손실 함수를 최소화합니다:

• 노이즈 예측 손실(Noise Prediction Loss): 디노이징을 위한 표준 MSE.
• 곡률 손실 ($L_c$): 연성 세그먼트의 물리적으로 타당한 매끄러움을 강제합니다.
• 시간적 매끄러움 손실 ($L_t$): 타임 스텝 간의 부드러운 전이를 보장합니다.
• 강성 직선성 손실 ($L_r$): 강성 세그먼트가 직선(곡률 0)을 유지하도록 하여 물리적으로 불가능한 구성을 방지합니다.

추론 시 가이던스(Inference-Time Guidance): 충돌 회피를 위해 재학습 없이 이를 강제하고자, 관찰된 장면으로부터 유도된 미분 가능한 부호 거리 함수(SDF)를 사용합니다. DDIM 샘ming 과정 중, 예측된 깨끗한 궤적에 그래디언트 기반 가이던스를 적용하여 장애물을 침범하는 지점에 페널티를 부여합니다.

C. 제어 및 실행

• 역운동학(IK): 학습된 MLP가 계획된 백본 형상을 구동 명령(SCA를 위한 공압 입력 및 관절 델타 값)으로 매핑합니다.
• 잔차 RL 정책(Residual RL Policy): 소프트 액터-크리틱(SAC) 정책이 폐루프 내에서 작동하여, 모델링 오차와 접촉 불확실성을 보상하기 위해 작은 교정 동작($\pm 20$ mm)을 수행합니다.
• 재귀적 지평선 재계획(Receding-Horizon Replanning): 현재 로봇 상태에 계획을 다시 고정하고 드리프트를 수정하기 위해 32단계마다 확산 플래너를 다시 호출합니다.

3. 주요 기여

1. 통합 표현: 하이브리드 매니퓰레이터의 전체 운동학적 체인을 단일 백본 형상으로 인코딩하여 강성 및 연성 서브시스템의 공동 최적화를 가능하게 한 첫 번째 프레임워크입니다.
2. 백본 공간에서의 확산: 확산 모델을 연속체 매니퓰레이터에 적용하여, 궤적 계획을 이산적인 관절 공간에서 연속적인 백본 형상 도메인으로 확장한 첫 번째 사례입니다.
3. 하이브리드 추론 전략: 충돌 회피를 위한 추론 시 기하학적 가이던스(SDF)와 실행 정교화를 위한 잔차 RL 정책의 참신한 결합을 제시합니다.
4. 교차 체형 전이(Cross-Embodiment Transfer): 백본 형상 공간에서의 계획이 서로 다른 하드웨어 형태(예: 2-세그먼트 SCA를 가진 UR5에서 1-세그먼트 SCA를 가진 myCobot으로)로의 직접적인 전이를 가능하게 하며, 최소한의 온라인 RL 적응만으로도 재학습 없이 가능하다는 것을 입증했습니다.

4. 실험 결과

실험은 SoftManiSim 시뮬레이션 환경에서 수행되었으며 실제 하드웨어에서 검증되었습니다.

• 성능: THREAD는 92.4%의 작업 성공률을 달却하여, 가장 강력한 베이스라인(BC + RL, 75.3%)을 크게 상회하였고 충돌 횟수를 5배 감소시켰습니다(BC + RL의 62.2% 대비 12.2%).
• 강건성: 보지 못한 벽의 각도와 거리가 포함된 "분포 외(out-of-distribution)" 테스트에서, THREAD는 약 88%의 성공률을 유지한 반면, 베이스라인은 거의 0에 가깝거나 한 자릿수 성공률로 떨어졌습니다.
• 궤적 품질: 본 방법은 RL 전용(0.110) 및 BC+RL(0.076) 방식보다 훨씬 더 매끄러운 궤적(매끄러움 지표 0.008)을 생성했습니다.
• Sim-to-Real 전이: 학습 시 보지 못했던 단일 세그먼트 SCA를 가진 실제 myCobot에 배치했을 때, THREAD는 약 100회의 온라인 RL 업데이트 단계만으로 75.0%의 성공률을 달성했으며, 연성 세그먼트 직경의 1.3배 크기에 불과한 구멍을 성공적으로 통과했습니다.
• 절제 연구(Ablation Studies): 추론 시 가이던스를 제거하면 충돌이 약 5.5배 증가했습니다. 강성 손실을 제거하면 물리적으로 실현 불가능한 곡선형 강성 세그먼트가 나타났고, 곡률 손실을 제거하면 매끄럽지 않은 연성 굴곡이 발생했습니다.

5. 의의 및 주장

본 논문은 THREAD가 액추에이터 중심(관절/말단 장치)에서 기하 구조 중심(백본 형상)으로 계획 패러다임을 전환함으로써 하이브리드 조작의 근본적인 격차를 해결한다고 주장합니다.

• 생성적 사전 확률(Generative Prior): 저자들은 제한된 환경에서 적절한 귀납적 편향(inductive bias)은 물리적으로 실현 가능한 형상에 대한 생성적 사전 확률이라고 주장합니다. 이를 통해 시스템은 단일 궤적을 찾는 대신 유효한 해의 전체 분포를 표현할 수 있으며, 제약이 엄격해짐에 따라 우아하게 성능을 유지할 수 있습니다.
• 일반화: 백본 중심의 표현은 하드웨어 형태가 다른 로봇 간의 전이를 용이하게 하는 "구조적 특성"이라고 주장됩니다. 액추에이터 궤적을 암기하는 대신 가능한 형상의 기하학을 학습함으로써, 플래너는 새로운 로봇과 환경에 대해 재학습 없이 일반화할 수 있습니다.
• 안전 및 성공: 기하학적 사전 확률(확산)과 반응적 교정(RL)의 결합은 작업 성공과 안전 사이의 전통적인 트레이드오프를 해결하며, 순수 반응형 또는 모방 기반 접근 방식에서 보이는 높은 충돌 비용 없이 높은 성공률을 달성합니다.

저자들은 이 접근 방식이 특히 제약이 있고 비정형적인 환경을 통과해야 하는 시나리오에서 범용적인 소프트 및 하이브리드 매니퓰레이터 플래너를 향한 길을 제시한다고 결론짓습니다.