기술 요약: 건로봇(Tendon-Driven Continuum Robots)을 위한 접촉 풍부 조작 학습

문제 정의

연속체 로봇(soft continuum robots)의 접촉 풍부 전신 조작(contact-rich, whole-body manipulation) 학습은 강체 로봇에서 사용 가능한 수준의 시뮬레이션 인프라 부족으로 인해 어려움을 겪어왔습니다. 강체 조작은 성숙한 시뮬레이터를 통해 빠르게 발전한 반면, 소프트 연속체 로봇은 "시뮬레이션 격차(simulation gap)"에 직면해 있습니다. 기존의 소프트 로봇 시뮬레이터들은 물리적으로 근거가 명확하지만(연속체 역학 기반), 견고한 접촉 솔버(contact solver)나 네이티브 액추에이션 모델링(특히 건로(tendon) 모델링) 및 학습 파이프라인과의 통합 기능이 부족합니다. 반대로, 의사 강체 모델(pseudo-rigid-body models)은 네이티브 접촉 및 학습 통합을 제공하지만, 물리적 근거와 수렴 보장이 부족한 경험적 보정 파라미터에 의존하는 경우가 많습니다. 결과적으로, 연구자들이 하드웨어를 쉽게 반복 개선하거나 학습에 필요한 방대한 데모 데이터를 생성하기 어렵기 때문에, 소프트 로봇을 위한 접촉 풍부 조작 학습의 진전이 제한되어 있습니다.

방법론

저자들은 MuJoCo 물리 엔진 자체를 수정하지 않고도 건로 구동 연속체 로봇(TDCR)을 네이티브하게 배치할 수 있는 **연속체 역학 기반 이산화(continuum-mechanics-informed discretization)**를 제안합니다. 이 접근 방식은 물리적 충실도와 시뮬레이션 효율성 사이의 간극을 메워줍니다.

1. 연속체 정보 기반 이산화

TDCR은 굽힘과 비틀림이 전단 및 신장보다 지배적인 얇은 탄성 로드에 적합한 코서 로드(Cosserat rod) 모델의 특수 형태인 키르히호프 로드(Kirchhoff rod)로 모델링됩니다.

• 기하학적 구성: 로드를 $N$개의 세그먼트로 나눕니다. 각 세그먼트는 조각별 상수 변형률(piecewise constant strain, PCS) 가정하에 원호(circular arc)로 근사됩니다.
• 강체 표현: 이 이산화는 MuJoCo 내부에 3-DOF 탄성 구형 조인트로 연결된 직렬 체인을 배치합니다.
• 파라미터 유도: 경험적 보정에 의존하는 기존의 의사 강체 모델과 달리, 조인트 강성($k_x, k_y, k_z$)은 로드의 재료 특성(영률 $E$, 전단 탄성 계수 $G$, 단면 관성 모멘트 $I, J$) 및 세그먼트 길이 $l_i$로부터 해석적으로 유도됩니다:
  $$k_x = k_y = \frac{EI}{l_i}, \quad k_z = \frac{GJ}{l_i}$$
• 수렴성: 이 이산화는 세그먼트 수($N$)가 증가함에 따라 연속적인 키르히호프 로드 해로 2차 속도($O(1/N^2)$)로 수렴함이 증명되었습니다.
• 네이티브 통합: 이 모델은 MuJoCo의 네이티브 건로 라우팅(tendon routing) 및 접촉 솔버를 활용합니다. 건로는 강체 링크의 이산적인 사이트(sites)를 통해 라우팅되며, 이를 통해 추상화된 분포 하중이 아닌, 건로 간의 결합 및 인장 유도 강성을 자연스럽게 포착합니다.

2. Sim-to-Real 파이프라인

저자들은 접촉 풍부 조작을 위한 완전한 워크플로를 구축합니다:

1. 모델 생성: 물리적 파라미터를 사용하여 MuJoCo 모델을 생성합니다.
2. 시스템 식별: 팁 위치 오차를 최소화하기 위해 베이지안 최적화를 사용하여 실제 하드웨어에 대해 불확실한 파라미터(강성, 건로 예압)를 식별합니다.
3. 데이터 수집: 상태 기반 인터페이스를 사용하여 시뮬레이션에서 텔레오퍼레이션 데모를 수집합니다.
4. 모방 학습: ACT(Action Chunking with Transformers) 알고리즘의 상태 기반 변형을 사용하여 정책을 학습합니다.
5. Zero-Shot 배포: 학습된 정책을 미세 조정 없이 실제 로봇에 직접 배로 배포합니다.

주요 기여

1. 시뮬레이션 프레임워크: TDCR을 MuJoCo 내에 네이티브하게 배치하는 이산화 방식을 도출하여, 건로 힘, 본체 접촉, 동역학을 단일 물리 파이프라인 내에서 통합했습니다. 이는 물리적 근거(연속체 역학을 통한), 네이티브 접촉 해결, 그리고 학습 통합을 결합한 최초의 접근 방식입니다.
2. 시스템 검증: 시뮬레이터를 코서 로드 참조 모델(SoRoSim) 및 실제 하드웨어와 비교 검증했습니다. 시뮬레이션은 참조 모델 대비 정역학 및 동역학에서 매우 높은 충실도를 보였으며, 시스템 식별 후 실제 하드웨어 대비 평균 팁 추적 오차 4.1%를 달enc했습니다.
3. Sim-to-Real 전이: 접촉 풍부 조작을 수행하는 연속체 로봇의 Sim-to-Real 전이를 최초로 입증했습니다. 저자들은 시뮬레이션에서 정책을 성공적으로 학습하였고, 이를 7-DoF Franka 암에 장착된 3세그먼트 9건로 TDCR에 제로샷(zero-shot)으로 배포했습니다.

결과

본 논문은 세 단계에 걸쳐 접근 방식을 평가합니다:

• 시뮬레이션 vs 이론: MuJoCo 이산화 모델은 SoSim 코서 참조 모델과 높은 충실도로 일치합니다. 정적 팁 오차는 $N=50$일 때 로드 길이의 0.2% 미만이며, 동적 오차는 다양한 이산화 수준에서도 1% 미만을 유지합니다.

• 시뮬레이션 vs 하드웨어: 시스템 식별 후, 시뮬레이터는 건로 마찰 및 히스테리시스와 같은 미모델링 효과에도 불구하고, 테스트 세트 전반에서 실제 TDCR을 따라 평균 팁 오차 7.7mm(로봇 길이 186.5mm의 4.1%)를 기록했습니다.

• 태스크 성능: 저자들은 두 가지 접촉 풍부 태스크를 테스트했습니다:

  1. 전신 파지(Whole-body Grasping): 실린더를 들어 올리고 떨어뜨리기 위해 유연한 본체를 실린더 주위로 감싸는 작업.
  2. 스위치 젖히기(Flip Switch): 벽에 설치된 스위치 뒤쪽으로 접근하여 분산된 접촉을 이용해 스위치를 젖히는 작업.

  시뮬레이션에서 학습된 정책은 실제 하드웨어에서 각각 76%(Grasping)와 78%(Switch)의 성공률을 달성했으며, 이는 시뮬레이션 성공률(두 태스크 모두 73%)을 약간 상회하는 수치입니다. 이는 시뮬레이터의 충실도가 전이에 충분하며, 로봇의 분산된 컴플라이언스(compliance)가 잔여 오차를 수용할 수 있음을 나타냅니다.

의의 및 주장

본 논문은 연속체 로봇의 접촉 풍한 조작을 위한 Sim-to-Real 전이를 입증한 첫 사례라고 주장합니다. 물리적 근거를 갖추면서도 표준 강체 엔진과 호환되는 이산화를 도출함으로써, 저자들은 텔레오퍼레이션, 모방 학습, 제로샷 배포와 같은 성숙한 시뮬레이션 기반 학습 패러다임을 소프트 로보틱스에 적용할 수 있게 했습니다.

이 연구는 연속체 로봇의 분야가 이제 강체 로봇 조작을 가속화했던 것과 동일한 데이터 수집, 확장 및 벤치마킹 워크플로를 활용할 수 있음을 시사합니다 수 있습니다. 저자들은 자신들의 접근 방식이 의사 강체 모델에 물리적 해석 가능성을 복원하여, 보정 조건 너머의 수렴 보장과 일반화를 가능하게 하는 동시에, 기존의 이 클래스의 로봇들에게는 불가능했던 접촉 해결 및 학습 통합을 가능하게 한다고 강조합니다.

본 논문은 검증 범위가 키르히호프 가정이 유효한 가늘고 긴 백본의 TDCR에 국한된다는 점을 명시하며 범위를 겸손하게 설정하였고, 학습 알고리즘(ACT)이 다른 아키텍처와 비교되지 않았음을 언급했습니다. 향-후 연구로는 일반적인 코서 로드(전단/신장 포함)로의 이산화 확장 및 비전 기반 형상 피드백 탐색이 제시되었습니다.