⚡ electrical engineering

Influence of Radial Basis Activation Functions on Intelligent Controller for Robotic Manipulators

본 논문은 모델 기반 비선형 제어와 적응형 방사 기저 함수 신경망을 결합한 로봇 매니퓰레이터용 지능형 제어 프레임워크를 제시하며, 실험 결과를 통해 활성화 함수의 특정 선택이 폐루프 안정성을 유지하면서도 과도 응답 특성, 정상 상태 정확도 및 제어 매끄러움에 유의미한 영향을 미친다는 것을 입증한다.

원저자: Kimmo Paldanius, Gabriel Da Silva Lima, Wallace Moreira Bessa

게시일 2026-07-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Kimmo Paldanius, Gabriel Da Silva Lima, Wallace Moreira Bessa

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 로봇 팔에게 종이 위에 완벽한 원을 그리도록 가르치고 있다고 상상해 보세요. 당신은 로봇에게 일련의 지침("이상적인 경로")을 주지만, 로봇은 완벽하지 않습니다. 로봇은 무거운 관절, 끈적한 마찰력, 그리고 어쩌면 공기의 저항 같은 것들을 가지고 있습니다. 이것들이 바로 로봇을 선 밖으로 흔들리게 만드는 "방해 요소(disturbances)"입니다.

이 논문은 이 로봇을 위한 "스마트한 조력자"를 만드는 것에 관한 것입니다. 이 조력자는 실시간으로 이러한 방해 요소가 무엇인지 추측하고 로봇에게 어떻게 맞서 싸울지 알려주는 일종의 인공 두뇌(신경망)입니다.

연구진은 매우 구체적인 질문을 던졌습니다. 이 스마트한 조력자 내부의 "뇌세포" 모양이 중요한가?

기술적인 용어로, 그들은 서로 다른 "활성화 함수(activation functions, 뇌세포가 어떻게 반응하는지를 결정하는 수학적 공식)"를 테스트했습니다. 그들은 세 가지 형태를 비교했습니다:

가우시안(Gaussian): 매끄러운 종 모양의 곡선 (표준적인 선택).
라플라시안(Laplacian): 날카롭고 뾰족한 정점.
역 다중 이차식(Inverse Multiquadratic, IMQ): 멀리까지 길게 뻗어 나가는 넓고 평평한 곡선.

그들이 발견한 결과는 다음과 같습니다 (쉬운 비유를 통해 설명합니다):

설정: 로봇과 "스마트한 조력자"

연구팀은 Quanser 로봇 팔(위아래로 움직이는 단일 암)의 디지털 트윈을 사용했습니다. 그들은 로봇에게 세 가지 다른 경로를 따르도록 프로그래밍했습니다:

사인파(Sine Wave): 부드럽고 흐르는 듯한 곡선 (잔잔한 바다 물결처럼).
사각파(Square Wave): 위치가 즉각적으로 변하는 경로 (전등 스위치를 켰다 껐다 하는 것처럼).
삼각파(Triangle Wave): 일정한 속도로 올라갔다가 다시 일정한 속도로 내려가는 경로.

그 외의 모든 것(로봇의 무게, 학습 속도, 뉴런의 수)은 정확히 동일하게 유지했습니다. 오직 바뀐 것은 "뇌세포" 공식의 모양뿐이었습니다.

결과: 매끄러움 vs 날카로움

1. 매끄러운 경로의 경우 (사인파 및 삼각파): "넓은 그물"이 승리하다
로봇이 매끄럽고 흐르는 듯한 경로를 따라가도록 요청했을 때, 역 다중 이차식(IMQ) 커널이 확실한 승자였습니다.

비유: 잔잔한 호수에서 물고기를 잡으려고 한다고 상상해 보세요. IMQ 커널은 넓고 깊은 그물과 같습니다. 이것은 "전역적 지지(global support)"를 가지고 있어(멀리까지 뻗어 있어), 한 번에 전체적인 움직임을 볼 수 있습니다. 따라서 물고기(오차)가 조금 멀리 떨어져 있더라도, 물고기가 어디에 있는지 매우 정확하게 추측해 냅니다.
결과: 로봇은 실수를 훨씬 적게 했습니다. IMQ 버전은 표준 방식에 비해 추적 오차를 거의 52% 줄였습니다. 이는 부드러운 움직임에 있어 가장 정밀했습니다.

2. 급격한 변화의 경우 (사각파): "넓은 그물"이 너무 흥분하다
로봇이 한 지점에서 다른 지점으로 즉각적으로 점프해야 할 때, 결과는 달랐습니다.

비유: 이제 물고기가 물 밖으로 순식간에 튀어 올랐다고 상상해 보세요. 넓은 그물(IMQ)은 모든 곳을 한꺼번에 잡으려고 노력하지만, 너무 넓은 영역에 민감하게 반응하기 때문에 약간 "경련을 일으키거나" 공격적으로 변합니다. 목표물을 지나친 뒤에야 스스로를 수정하며 목표를 넘어섭니다(overshoot). "더 날카로운" 커널들(라플라시안 같은)은 초기 반응이 덜 공격적이었지만, 전체적인 정밀도는 떨어졌습니다.
결과: IMQ가 여전히 전체 시간 동안의 총 오차는 줄여주었지만, 다른 방식들에 비해 로봇이 **목표를 지나치는 현상(overshoot)**을 더 많이 발생시켰습니다. "더 날카로운" 커셜들은 전체 그림을 한꺼번에 추측하려 하기보다 더 국소적이고 날카롭게 반응하여 과잉 반응을 줄였습니다.

핵심 결론

논문은 "뇌세포"의 모양을 선택하는 것이 단순한 기술적 세부 사항이 아니라, 엔지니어가 돌릴 수 있는 **"설계 노브(design knob)"**라고 결론짓습니다.

만약 당신이 부드럽고 연속적인 경로(곡선을 그리는 것과 같은)에서 극도로 정밀한 로봇을 원한다면, 역 다중 이차식(IMQ) 형태를 사용하십시오. 이것은 오차가 커지기 전에 잡아내는 넓고 총체적인 시야처럼 작동합니다.
만약 로봇이 목표를 지나치지 않고 갑작스럽고 날카로운 정지를 해야 한다면, 전체 그림을 추측하기보다는 더 국소적이고 날카롭게 반응하는 다른 형태를 선호할 수도 있습니다.

요약하자면: 로봇의 "두뇌"는 그 생각의 모양을 작업의 모양에 맞출 때 가장 잘 작동합니다. 넓고 매끄러운 사고방식은 부드러운 작업에 훌륭하지만, 더 날카로운 사고방식이 갑작스러운 변화에는 더 안전할 수 있습니다. 연구진은 단순히 이 수학적 모양을 바꾸는 것만으로도, 로봇 자체를 바꾸지 않고도 로봇을 훨씬 더 유능하게 만들 수 있다는 것을 증명했습니다.

기술 요약: 로봇 매니퓰레이터용 지능형 제어기에 대한 방사 기저 활성화 함수의 영향

문제 정의
로봇 매니퓰레이터의 궤적 추적은 피드백 선형화와 같은 모델 기반 비선적 제어 방법을 사용하여 빈번하게 다루어진다. 이러한 접근 방식은 명목 조건 하에서는 효과적이지만, 파라미터 불확실성, 마찰, 모델링되지 않은 동역학 및 외부 외란으로 인해 성능 저하를 겪는다. 강건성을 향상시키기 위해 적응형 및 학습 기반 확장 방식이 존재하지만, RBF(Radial Basis Function) 신경망 외란 추정기 내의 활성화 함수(커널)가 폐루프 거동에 미치는 구체적인 영향은 아직 충분히 탐구되지 않았다. 리아푸노프 안정성은 유계된 활성화 함수에 대해 일반적으로 보장되지만, 커널 형상이 과도 응답, 정상 상태 정확도 및 제어 매끄러움에 미치는 영향은 체계적으로 규명되지 않았다.

방법론
저자들은 피드백 선형화와 RBF 신경망 기반의 온라인 신경 외란 추정기를 통합한 지능형 제어 프레임워크를 제안한다.

제어 구조: 제어기는 전체 불확실성( $d$ )을 보상하기 위해 적응형 항( $\hat{d}$ )으로 증강된 모델 기반 피드백 선형화 법칙을 사용한다. 외란 추정기는 $\hat{d}_i = w_i^\top \phi_i(s_i)$ 로 정의되며, 여기서 $w_i$ 는 적응형 가중치를, $\phi_i$ 는 활성화 함수를 나타낸다.
안정성 분석: 신경망 가중치를 업데이트하기 위해 리아푸노프 기반 적응 법칙이 채택된다. 가중치 드리프트를 방지하고 폐루프 신호의 유계성을 보장하기 위해 투영 알고리즘(projection algorithm)이 적용되어 가중치가 볼록한 영역 내에 머물도록 보장한다. 이는 추적 오차가 원점 주변의 컴팩트한 영역으로 수렴함을 보장한다.
실험 설정: 이 프레임워크는 디지털 트윈 환경(Quanser Interactive Labs) 내의 단일 자유도(DOF) Quanser QArm 로봇 매니퓰레이터에 구현되었다. 시스템은 세 가지 서로 다른 참조 궤적(사인파, 사각파(계단형), 삼각파(램프형))에 대해 하드웨어 타이밍 획득(500 Hz) 방식으로 테스트되었다.
비교 프로토콜: 활성화 함수의 효과를 격리하기 위해 제어 이득( $\lambda_i$ $λ_{i}$ ), 학습률( $\eta_i$ $η_{i}$ ), 투영 경계( $\mu_i$ $μ_{i}$ ), 뉴런의 수( $n_i = 6$ $n_{i} = 6$ )를 포함한 모든 파라미터를 모든 테스트에서 동일하게 유지하였다. 세 가지 특정 커널이 평가되었다:
1. 가우시안(Gaussian): $\kappa_G(\rho) = \exp(-\rho^2)$ (국소적 지지, 베이스라인).
2. 라플라시안(Laplacian): $\kappa_L(\rho) = \exp(-|\rho|)$ (국소적 지지).
3. 역 다중 이차(Inverse Multiquadratic, IMQ): $\kappa_{IMQ}(\rho) = 1/\sqrt{1+\rho^2}$ (전역적 지지).

주요 결과
제곱 평균 제곱근 오차(RMSe), 절대 오차 적분(IAE), 제어 노력(RMSPWM)을 통해 정량화된 실험 결과는 커널 선택에 따른 뚜렷한 성능 트레이드오프를 드러냈다:

연속 궤적 (사인파 및 삼각파): 역 다중 이차(IMQ) 커널이 우수한 성능을 보였다. 신경 보상이 없는 기존의 피드백 선형화와 비교했을 때, IMQ 커널은 사인파의 경우 RMSe를 51.9%, 삼각파의 경우 49.0% 감소시켰다. 라플라시안 및 가우시안 커널 또한 베이스라인보다 성능이 개선되었으나 그 정도는 덜했다.
불연속 궤적 (사각 참조 입력): 중요한 트레이드오프가 나타났다. 모든 신경 커널은 IAE를 감소시켰으나(전체적인 오차 누적 개선을 의미), 베이스라인과 비교하여 과도 응답 오버슈트와 정착 시간을 증가시켰다. 구체적으로, IMQ 커널은 가장 높은 오버슈트(6.86%)와 정착 시간(2.624 s)을 기록한 반면, 베이스라인 제어기는 오버슈트가 발생하지 않았다.
제어 노력: 지능형 제어기를 사용함에 따른 제어 노력(RMSPWM)의 증가는 미미하였으며, 추적 정확도의 상당한 개선에도 불구하고 베이스라인 대비 일반적으로 3% 미만의 증가율을 유지하였다.

의의 및 주장
본 논문은 RBF 기반 지능형 제어기에서 활성화 함수의 선택이 단순한 구현 세부 사항이 아니라 구조적 설계 파라미터로 간주되어야 한다고 주장한다. 연구 결과는 다음과 같다:

커널 지지 영역의 중요성: 전역적 지지를 갖는 커널(IMQ와 같은)은 매끄러운 연속 궤적에 대해 외란 매니폴드를 더 포괄적으로 근사하여 높은 정상 상태 정밀도를 제공한다.
과도 응답 vs 정상 상태 트레이드오프: 엄격한 단조 계단 응답이 필요한 응용 분야에는 국소적 커널(가우시안, 라플라시안) 또는 베이스라인 제어기가 더 적합할 수 있다. 전역적 커널은 불연속 명령 하에서 과도하게 공격적인 반응을 유발할 수 있기 때문이다.
설계 유연성: 엔지니어는 활성화 함수를 튜닝하여 (매끄러운 경로를 위해 IMQ를 선호하는 것과 같이) 최대 정상 상태 정밀도를 우선시하거나, (계단 입력에 대해 국소적 커널 또는 베이스라인을 선호하는 것과 같이) 최소 과도 응답 오버슈트를 우선시하도록 설계할 수 있으며, 이 과정에서 리아푸노프 기반 적응 법칙이 제공하는 이론적 안정성을 유지할 수 있다.

본 연구는 모든 유계된 커널에 대해 안정성이 보존되지만, 커널의 선택이 적응 역학 및 실제 폐루프 성능을 직접적으로 결정하며, 이를 통해 특정 궤적 요구 사항에 맞춰 지능형 제어기를 최적화할 수 있는 메커니즘을 제공한다고 결론짓는다.

설정: 로봇과 "스마트한 조력자"

결과: 매끄러움 vs 날카로움

핵심 결론

유사한 논문