기술 요약: "Ace! 로봇 팔을 이용한 프로 수준 탁구 서브의 모션 플래닝"

문제 정의

로보틱스 연구는 탁구의 "랠리(공을 받아치는 것)" 측면을 광범위하게 다루어 왔으나, "서브"는 여전히 매우 미개척된 과제로 남아 있습니다. 공을 받아치는 랠리와 달리, 경쟁력 있는 서브는 회전이 없는 자유 낙하하는 공으로부터 높은 속도 및/또야 높은 회전을 생성해야 합니다. 이 작업은 다음과 같은 극심한 난제를 안겨줍니다:

• 물리 모델링: 로봇은 ITTF(국제탁구연맹) 규정을 준수하면서도 상당한 회전(최대 550 rad/s)과 속도(최대 6.7 m/s)를 부여할 수 있는 폭발적이면서도 제어된 움직임을 생성해야 합니다.
• 제약 조건: 공은 반드시 로봇의 측면에 먼저 튀긴 후 상대방의 측면에 튀어야 하므로, 가해질 수 있는 에너지에 제한이 있습니다. 또한 라켓은 공의 궤적에 거의 수직으로 개입해야 하며, 이는 공을 받아칠 때보다 더 높은 정밀도를 요구합니다.
• 하드웨어 한목: 기계적 액추에이터는 인간의 손목 및 팔 움직임을 재현할 수 있는 경량의 힘과 민첩성이 부족한 경우가 많아, 임팩트 역학 및 신체 제어를 포함한 모션 플래닝은 복잡한 최적화 문제가 됩니다.

방법론

저자들은 프로 수준의 ITTF 준수 서브 모션 플랜을 생성하기 위해 모션 프리미티브(motion primitives), 모델 예측 제어(MPC), 그리고 베이지안 최적화(Bayesian Optimization)를 결합한 종합적인 시스템을 제시합니다. 시스템은 단독 핸들 토스(tossing)를 위한 볼 컵이 장착된 라켓을 갖춘 8-DoF 로봇(2개의 프리즘 축이 있는 갠트리와 6-Do의 회전 관절 암)을 사용합니다.

1. 볼 토스 (모션 프리미티브)

시스템은 ITTF 규칙에 유효한 단독 핸들 토스 전략을 채택합니다.

• 데이터 수집: 한 손 토스에 대한 인간의 시연 데이터를 수집하고 이를 최적화를 통해 로봇의 운동학에 재타겟팅(re-targeting)합니다.
• 실행: 로봇은 "평탄한(flat)" 상태에서 시작하여 관절 명령($u_t(t)$)의 궤적을 실행합니다.
• 확률적 변동성 처리: 로봇의 진동 및 환경적 요인으로 인해 공의 방출 지점이 달라질 수 있습니다. 시스템은 볼 삼각측량 시스템을 사용하여 방출 시간($t_{lift}$)을 경험적으로 식별하고, 노이즈를 처리하기 위해 사비츠키-골레이(Savitzky-Golay) 필터를 사용하여 궤적을 평균화합니다.

2. 파라미터화된 모션 플래너 (MPC)

타격 동작($u_s(t)$)은 엔드 이펙터(EE) 및 관절 공간 모두에서 최소 저크(minimum-jerk) 제어 시퀀스를 해결하는 비선형 하이브리드 최적화 기반 플래너에 의해 생성됩니다.

• 목표: 동적으로 실행 가능한 매끄러로운 궤적을 보장하기 위해 제곱 저크(squared jerk)를 최소화합니다.
• 제약 조건: 플래너는 초기/최종 관절 상태 제약과 접촉 시간 $\tau$에서의 특정 EE 제약(위치 $p_\tau$, 법선 $n_\tau$, 속도 $v_\tau$)을 강제합니다.
• 소프트 제약: 고속 추적의 현실을 수용하기 위해 위치, 방향 및 속도에 대한 터미널 제약은 사전 정의된 물리적 허용 오차(예: 위치 $\pm 5$ mm, 방향 $\pm 0.5^\circ$)를 사용하여 완화됩니다.
• 솔버(Solver): 문제는 32개의 조각별 상수 저크 다항식 체인으로 공식화되며, KNITRO 솔버를 통해 일반적으로 10~20ms 내에 해결됩니다.

3. 파라미터 최적화 (HEBO)

비선형 볼 역학 및 ITTF 제약으로 인해 최적의 라켓 상태($\xi_s$)를 분석적으로 계산하는 것은 불가능하므로, 저자들은 **HEBO(Heteroscedastic and Evolutionary Bayesian Optimization)**를 사용합니다.

• 탐색 공간: 최적화 도구는 히트 타이밍, 라켓 속도, 방향(오일러 각), 복귀 시간(return-to-rest duration)을 포함한 정규화된 결정 변수 집합을 탐색합니다.
• 보상 함수: 보상은 다음 항목들을 평가하는 복합 항으로 구성됩니다:
  • 적법성 ($s_{leg}$): ITTF 준수 여부에 대한 순차적 확인 (예: 올바른 바운드 순서, 네트 통과, 자기 충돌 방지). 불법 서브는 강력한 페널티를 받습니다.
  • 성능: 착지 정확도($r_{pos}$), 속도 크기($r_{vel}$), 높이($r_{height}$), 그리고 특정 회전 성분($r_{top/back}$, $r_{side}$)을 평가하는 보상.
• 강건성: 토스의 확률적 특성을 처리하기 위해, 최적화 도구는 여러 번 기록된 토스 궤적에 대해 후보군을 평가하며, 이를 통해 토스 편차에 강건한 파라미터 쪽으로 탐색을 유도하도록 보상을 집계합니다.

4. 실세계 선택

경쟁 라이브러리가 유지 관리되며 반복적으로 개선됩니다. 서브는 상대방이 적응하는 것을 방지하기 위해 연속적인 서브 간의 회전 차이(dissimilarity)를 최대화하는 휴리스틱 알고리즘을 기반으로 토너먼트용으로 선택됩니다.

주요 결과

시스템은 공인 심판이 참관하는 가운데 엘리트 및 프로 일본 탁구 선수들과의 토너먼트에서 평가되었습니다.

• 성능 지표: 로봇은 최대 550 rad/s의 회전과 최대 6.7 m/s의 속도를 가진 서브를 달성하였으며, 이는 엘리트 인간 선수와 대등하거나 이를 능가하는 수준입니다.
• 승률: 로봇은 2026년 4월 기준으로 서브 시 51.5%에서 58.7% 사이의 포인트 획득 확률을 유지하였으며, 이는 프로 인간의 벤치마크(약 52~53%)와 유사합니다.
• 반복적 개선: 본 논문은 베이스라인 방법(2025년 4월)에서 최종 HEBO 기반 시스템(2026년 4월)으로의 발전 과정을 상세히 설명합니다. 주요 개선 사항은 다음과 같습니다:
  • 강건성을 위해 다중 토스 궤적 통합.
  • 유전 알고리즘(Genetic Algorithm)에서 HEBO로 전환.
  • 액추에이터의 전체 역량을 활용하기 위한 동적 한계(가속도/저크) 상향.
  • 상대방에게 점수를 주는 서브를 제거하기 위한 서브 라이브러리의 전략적 가지치기(pruning).
• 태스크 특화 생성: 제어된 실험에서 시스템은 특정 목적(예: 탑스핀, 백스핀 또는 사이드스핀 극대화)을 가진 서브를 성공적으로 생성하였으며, 보상 가중치와 물리적 결과(예: 특정 백스핀을 목표로 했을 때 -164 rad/s 생성) 사이에 강력한 상관관계가 있음을 입증했습니다.

의의 및 주장

본 논문은 로봇 팔을 위한 프로 수준의 ITTF 준수 서브 모션 플랜을 생성할 수 있는 최초의 종합적인 시스템을 제시한다고 주장합니다. 그 의의는 다음과 같습니다:

1. 격차 해소: 랠리 문제와 구별되는, 물리 모델링과 제어를 극한까지 밀어붙여야 하는 "서브" 문제를 성공적으로 해결했습니다.
2. 경쟁적 능력: 로봇이 엘리트 인간 선수와 대등하거나 이를 능가하는 속도 및 회전을 생성할 수 있음을 입증하였으며, 이는 로봇이 프로 선수를 상대로 최초로 Best-of-3 매치에서 승리하는 데 기여했습니다.
3. 방법론적 기여: 복잡하고 희소하며 노이즈가 많은 로보틱스 탐색 공간을 탐색하기 위해 최적화 기반 모션 플래닝과 베이지안 최적화(HEBO)를 결합한 프레임워크를 제안했습니다.

저자들은 "심 투 리얼(sim-to-real)" 격차가 여전히 과제로 남아 있음을 인정하며, 모든 시뮬레이션 모션 플랜이 하드웨어로 완벽하게 전이되지는 않는다는 점을 언급했습니다. 향후 연구는 개선된 물리 모델링과 하드웨어 시스템에서의 자동 미세 조정에 집중할 것입니다.