Stage-Aware and Roughness-Constrained Diffusion Policy for Multi-Stage Robotic Polishing

기술 요약: 다단계 로봇 연마를 위한 단계 인지 및 거칠기 제약 확산 정책 (SRDP)

1. 문제 정의

로봇 연마는 항공우주와 같이 표면 품질이 부품의 신뢰성을 직접적으로 결정하는 고부가가치 제조 분야에서 매우 중요한 마무리 공정입니다. 그러나 자동화 과정에서 기존의 모방 학습 방법들이 동시에 해결하기 어려운 두 가지 주요 과제가 존재합니다.

1. 장기적 관점의 공정 단계 불확실성 (Long-Horizon Process-Stage Uncertainty): 연마 워크플로우는 여러 개의 뚜렷한 단계(예: 안정화, 에지 연마, 표면 마무리, 세척)로 구성되며, 각 단계는 시각적으로 유사한 국소 상태를 보일 수 있으나 서로 판이하게 다른 제어 목표와 동작 패턴을 요구합니다. 기존 방식은 명시적인 작업 분해나 상위 수준의 계획 프롬프트에 의존하는 경우가 많으나, 이는 멀티모달 이력(multimodal histories)으로부터 잠재적인 공정 단계를 실시간으로 추론하기에는 부족할 수 있습니다.
2. 제약 없는 공정 파라미터 드리프트 (Unconstrained Process-Parameter Drift): 확산 기반 정책(diffusion-based policies)에서 디노이징(denoising) 과정의 확률적 특성은 결합된 공정 파라미터(이송 속도 및 법선 접촉력)의 제어되지 않는 변동을 초래할 수 있습니다. 이러한 파라미터들은 재료 제거량과 표면 거칠기를 공동으로 결정하므로, 파라미터 드리프트는 물리적으로 불가능한 조합, 불안정한 접촉, 또는 일관되지 않은 표면 품질(예: 미흡한 연마 또는 에지 깎임)을 유발할 수 있습니다. 특히 단계별로 주축 회전수(spindle speed)가 미리 설정되어 있는 경우 더욱 그러합니다.

현재의 문헌에는 고차원 생성 정책 내에서 잠재적 단계 추론과 거칠기 기반의 물리적 제약을 통합적으로 처리하는 통일된 프레-임워크가 부족합니다.

2. 방법론: SRDP 프레임워크

저자들은 **단계 인지 및 거칠기 제약 확산 정책 (Stage-Aware and Roughness-Constrained Diffusion Policy, SRDP)**을 제안합니다. 이는 데모로부터 다단계 연마 기술을 학습하면서 동시에 공정 제약을 준수하도록 설계된 통합 프레임워크입니다. 이 프레임워크는 상호 연결된 두 가지 메커니즘을 통해 작동합니다.

A. 단계 조건부 동작 확산 (Stage-Conditioned Action Diffusion)
단계 불확실성을 해결하기 위해, SRDP는 멀티모달 관측 이력(시각 이미지, 로봇 상태, 접촉력, 도구 모드)을 처리하여 현재 공정 단계에 대한 사후 확률 분포를 추론하는 단계 추론 네트워크를 도입합니다.

• 단계 추론: 네트워크 $g_\phi$는 관측 이력 $O_t$를 단계 사후 분포 $z_t$로 매핑합니다.
• 조건부 디노이징: 이 사후 분포는 단계 조건 벡터 $e_t$로 인코딩되어 공유 역 디노이징 네트워크에 주입됩니다. 이를 통해 정책은 외부의 단계 레이블 없이도 추론된 현재 단계와 일치하는 동작 시퀀스를 생성할 수 있습니다.
• 전이 일관성: 단계 간의 매끄러운 전환을 보장하기 위해 단계 전이 일관성 사전 확률(stage-transition consistency prior)이 도입됩니다. 이는 프로세스 흐름 지식이나 데이터에서 유도된 전이 행렬 $T$를 사용하여 단계 추론을 정규화하며, 소프트 레이블 교차 엔트로피 손실을 통해 급격하거나 비논리적인 단계 변화에 페널티를 부여합니다.

B. 거칠기 제약 확산 샘플링 (Roughness-Constrained Diffusion Sampling)
파라미터 드리프트를 해결하기 위해, SRDP는 물리적 및 품질 제약을 확산 샘플링 과정에 직접 내장합니다.

• 거칠기 지향 모델링: 멱함수(power-law) 경험 모델을 사용하여 법선 힘($F_n$), 이송 속도($v$), 그리고 단계별로 설정된 주축 회전수($\omega$)를 기반으로 표면 거칠기($R_a$)를 예측합니다. 이 모델은 실험 데이터를 사용하여 오프라인에서 교정됩니다.
• 제약 집합: 파라미터 공간에 대해 두 가지 집합을 정의합니다.
  1. 거칠기 일관성 집합 ($\Omega_R$): $F_n$과 $v$ 사이의 결합 관계가 목표 거칠기 허용 오차 범위 내에 있는지 확인합니다.
  2. 물리적 타당성 집합 ($\Omega_P$): 로봇의 실행 가능성을 보장하기 위해 힘/속도 제한 및 시간적 연속성(변화율)에 대한 경계 조건을 강제합니다.
• 가이드된 샘플링: 역 디노이징 단계 동안, 정책은 거칠기 일관성 에너지와 물리적 타당성 에너지로 구성된 제약 에너지 함수를 최소화합니다. 초기/중기 노이즈 단계에서는 샘플을 가용한 영역으로 유도하기 위해 "거칠기 지배적(roughness-dominant)" 소프트 가이드 전략이 적용되며, 마지막 단계에서는 출력값이 합동 가용 집합 $\Omega_t = \Omega_R \cap \Omega_P$ 내에 있음을 보장하기 위해 최소 수정 투영(minimum-modification projection)이 수행됩니다.

3. 주요 기여

본 논문은 다음과 같은 기여를 주장합니다:

1. 통합 프레임워크: 멀티모달 이력으로부터의 단계 추론과 공유 역 디노이징을 통합하여, 외부 단계 레이블 없이도 단계 일관적인 동작 생성을 가능하게 하는 SRDP를 제안하였습니다.
2. 공정 제약 샘플링: 설정된 주축 회전수 하에서 표면 품질 요구 사항과 물리적 타당성을 모두 만족하는 이송 속도 및 법선 접촉력을 생성하는 거칠기 지향 제약 가이드 확산 샘플링 방법을 개발하였습니다.
3. 실증적 검증: 복잡한 두 가지 시나리오(우주선 캐빈 코팅 표면 연마 및 내부 공동 구조 표면 마무리)에 대한 비교 실험, 절제 연구(ablation studies), 그리고 실제 로봇 검증을 통해 종합적인 평가를 수행하였습니다.

4. 실험 결과

실험은 두 대의 KUKA iiwa14 로봇을 사용하는 듀얼 암 로봇 플랫폼에서 두 가지 별개의 작업을 수행하며 진행되었습니다:

• 코팅 표면 연마: 안정화, 사각형/원형 구멍 연마, 진공 세척을 포함합니다.
• 내부 공동 마무리: 협동 운반, 안정화, 챔퍼(chamfer) 정밀 가공, 조립 표면 연마를 포함합니다.

성능 지표:

• 작업 성공률: SRDP는 가장 높은 평균 하위 작업 성공률(코팅 0.94, 내부 공동 0.91)과 전이 성공률(각각 0.88 및 0.83)을 달성하였으며, 이는 표준 Diffusion Policy (DP), 계층적 모방 학습 (HIL), 적응형 컴플라이언스 정책 (ACP) 등의 베이스라인을 크게 상회하는 수치입니다.
• 실패 분석: SRDP는 두 가지 주요 실패 모드를 실질적으로 감소시켰습니다.
  • 단계 전환 실패 (STF): 명시적 단계 모델링이 없는 베이스라인의 >50% 대비 약 21-24%로 감소했습니다.
  • 공정 파라미터 실패 (PPF): 거칠기 제약이 없는 방법들의 높은 비율 대비 약 9.5-10.5%로 감소했습니다.
• 표면 품질: SRDP는 ACP와 비교하여 더 낮고 안정적인 표면 거칠기 값과 더 일관된 챔퍼 폭을 보여주었으며, 이는 거칠기 제약 샘플링의 효과를 입증합니다.

절제 연구 (Ablation Studies):
단계 조건부(stage conditioning)를 제거하면 전이 성공률이 급락하며 (STF가 지배적), 거칠기 제약을 제거하면 단계 전이는 유지되지만 파라미터 불일치로 인해 하위 작업 성공률이 크게 떨어집니다 (PPF가 지배적). 타당성 제약(feasibility constraints)을 제거하면 주로 접촉 불안정성이 증가합니다. 이는 전체 SRDP 아키텍처가 두 가지 실패 모드를 동시에 억제하는 데 필수적임을 확인시켜 줍니다.

5. 의의 및 주장

저자들은 SRDP가 복잡한 다단계 제조 공정에 생성 정책을 적용하는 데 있어 중요한 진전이라고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 간극 해소: 이전에 별도로 다루어지거나 전혀 다루어지지 않았던 잠재적 단계 불확로와 제약 없는 파라미터 드리프트 문제를 해결하기 위한 통합된 솔루션을 제공합니다.
• 물리적 신뢰성: 거칠기 기반 제약을 확산 샘플링 과정에 직접 내장함으로써, 생성된 동작이 작업 단계에 대해 의미론적으로 올바를 뿐만 아니라 물리적으로 타당하고 품질 기준을 준수하도록 보장합니다.
• 일반화 가능성: 연마 작업에서 입증되었으나, 저자들은 이 공식이 단계 의존적 목표와 물리적 제약을 생성적 로봇 정책에 통합하는 일반적인 메커니즘 역할을 할 수 있으며, 그라인딩, 드릴링, 디버링 등에도 적용 가능함을 시사합니다.

결론적으로 SR-DP는 작업 성능, 파라미터 안정성 및 최종 표면 품질을 개선하여 고정밀 제조 환경에서의 자율 실행을 위한 견고한 프레임워크를 제공합니다.