Towards Artificial Nerves: Biomimetic Optical-Fiber Tactile Sensing for Robots

기술 요약: OptiTac – 생체 모방형 광섬유 촉각 센싱

문제 정의
로봇 시스템은 정교한 조작과 안전한 상호작용을 가능하게 하기 위해 인간의 피부와 유사한 적응성, 해상도 및 분산된 특성을 갖춘 촉각 감지 능력을 필요로 한다. 인간의 피부는 기계적 자극을 변환하는 기계 수용기(예: 머켈 세포, 메이스너 소체)와 신호를 척수 및 뇌로 전달하는 신경을 활용하여 복잡한 구조를 이루고 있는 반면, 현재의 로봇 촉각 센서는 한계에 직면해 있다. TacTip과 같은 시각 기반 촉각 센서(VBTS)는 높은 해상도를 제공하지만, 카메라를 감지용 피부 바로 뒤에 배치해야 하므로 복잡한 로봇 기하학 구조에서의 확장성과 분산 감지에 제약이 있다. 반대로, 광섬유 어레이(OFA) 센서는 종종 추론을 위해 딥러로닝 "블랙박스" 모델에 의존하거나, 인간의 피부에서 발견되는 생체 모방적 기계적 전처리 기능이 결여된 반사형 피부를 사용한다. 따라서 촉각 정보를 감지 표면으로부터 멀리 전달하면서도 높은 공간 해상도를 유지하고, 오직 불투명한 딥러닝 모델에만 의존하지 않는 해석 가능한 분석적 추론을 가능하게 하는 센서 아키텍처가 필요하다.

방법론
저자들은 인간의 기계 수용기-신경 구조를 모방한 생체 모방형 촉각 센서인 OptiTac을 제안한다. 이 시스템은 일관된 광섬유 어레이(OFA)에 의해 분리된 두 개의 별도 모듈로 구성된다:

1. 연성 촉각 감지 모듈: 흰색 마커가 부착된 강성 핀 어레이가 투명한 엘라스토머 겔 내에 매립된 소프트 스킨이다. 이 모듈은 인간 피부의 진피 유두 구조를 모사한다.
2. 원격 이미징 모듈: OFA를 통해 전달되는 빛을 포착하는 별도의 케이스에 담긴 카메라이다.
3. 광섬유 어레이 (OFA): 두 모듈을 물리적으로 연결하는 217개의 개별 플라스틱 광섬유(직경 1mm)로 이루어진 일관된 육각형 어레이이다.

핵심 설계 원리: 이 센서는 소프트 스킨의 각 기계적 핀과 단일 광섬유 사이의 일대일 대응(one-to-one pairing) 방식을 채택한다. 피부가 변형되면 핀이 지렛대처럼 움직여 흰색 마커가 해당 광섬유와의 정렬 상태에서 벗어나게 된다. 이러한 정렬 변화는 빛의 세기를 조절하며, 이는 원격 카메라로 전달된다.

데이터 처리 및 추론:
저자들은 엔드 투 엔드(end-to-end) 딥러닝을 사용하는 대신, 촉각 데이터를 이미지로 취급하고 간단한 분석적 방법을 적용한다:

• 전처리: 원본 RGB 이미지를 그레이스케일로 변환하고, 크롭(cropping)한 후, 워터셰드 세그멘테이션(watershed segmentation)을 사용하여 개별 광섬유 단면을 식별한다.
• 표면 플롯 생성: 217개 광섬포의 이산적인 강도 값을 큐빅 보간법(cubic interpolation)으로 보간하여 고해상도 빛 강도 표면 플롯을 생성한다.
• 중심점 위치 결정: 이미지 모멘트를 사용하여 접촉 중심점을 계산한다. k-d 트리와 가우시안 필터를 이용한 보정 과정을 통해, 특히 어레이 주변부에서의 공간적 오류를 수정한다.
• 폭 추정: 가우시안 접촉 프로파일을 가정하여, 중심 모멘트의 고윳값(eigenvalues)을 계산함으로써 접촉 폭을 추정한다.
• 형태 분류: 이진화된 표면 플롯으로부터 휴 모멘트(Hu moments, 7가지 모멘트 불변량)를 추출한다. 비지도 학습 방법인 가우시안 혼합 모델(GMM)을 사용하여 접촉 형태(에지, 원, 사각형, 삼각형, 타원)를 클러스터링하고 분류한다.

주요 결과

• 신호 전달: 시스템은 구조화된 촉각 정보를 유연한 감지 인터페이스로부터 물리적으로 분리된 이미징 모듈로 성공적으로 전달하며 신호의 일관성을 유지한다.
• 위치 결정 성능: 일대일 핀-광섬유 대응 방식은 복잡하고 비직관적인 신호를 생성하는 희소 또는 밀집 패턴과 달리 국소적인 강도 변화를 생성했다. 보정된 시스템은 본 데이터셋과 미보정 데이터셋 모두에서 결정 계수($R^2$) 0.99를 달이트하여, 미보정 데이터(광섬유 사이 보간)에 대해 x 및 y 축 모두에서 0.4 mm의 제곱평균제곱근 오차(RMSE)를 기록하며 초정밀성(hyperacuity)(광섬유 쌍 간격인 1.5 mm보다 훨씬 정밀한 위치 결정)을 입증했다. 이는 딥러닝을 사용하는 기존의 OFA 센서와 대등하거나 더 나은 성능이다 (예: Lu 등, 2023년은 0.02–0.03 mm를 보고했으나, Baimukashev 등, 2020년은 더 큰 광섬유 간격을 가진 1.1–1.4 mm를 보고함).
• 접촉 폭 추정: 모델은 실제 접촉 직경과 측정된 직경 사이에 강한 선형 관계($R^2$ 0.95–0.97)를 보였다. 장축과 단축에 대한 RMSE 값은 각각 1.2 mm와 1.0 mm로, 이는 광섬유 간격보다 작다. 정확도는 10 mm보다 작은 압입기(indenter)에서 더 높았다.
• 형태 분류: 첫 세 가지 휴 모멘트($M_1, M_2, M_3$)와 GMM을 결과 결합하여, 센서는 평균 **96%**의 분류 정확도를 달성했다. 에지 형태를 100%의 참 양성률(F1-score 1.00)로 정확히 분류했으며, 평면 형태(원, 사각형, 삼각형, 타원)에 대해 최소 0.90의 F1-score를 달성했다.

의의 및 주장
본 논문은 OptiTac가 로봇의 분산된 촉각 감지를 향한 확장 가능하고 해석 가능한 경로를 구축한다고 주장한다. 주요 기여는 다음과 같다:

1. 생체 모방형 아키텍처: 일대일 핀-광섬로 대응이라는 물리적 전처리 메커니즘을 통해 촉각 신호를 직관적인 추출이 가능하도록 구조화함으로써, 생물학적 시스템의 감지와 전달의 분리를 입증하였다.
2. 해석 가능성: 딥러닝 "블랙박스" 대신 분석적 이미지 기술자(이미지 모멘트)를 사용함으로써, 추론된 접촉 특성을 물리적으로 의미 있는 변형 패턴과 직접 연결한다. 이는 센서 설계, 보정, 디버깅 및 기하학적 구조 간의 전이를 지원한다.
3. 딥러닝 없는 초정밀성: 시스템은 투명한 분석 파이프라인을 통해 최첨단 딥러닝 접근 방식과 대등한 서브 밀리미터 단위의 위치 결정 및 접촉 크기 추정을 달성한다.
4. 분산 감지를 위한 개념 증명: 광섬유를 통한 감지 피부와 이미징 하드웨어의 물리적 분리는 카메라를 매립하기 어려운 복잡한 로봇 말단 장치에 촉각 센싱을 통합할 수 있는 실질적인 경로를 제공한다.

저자들은 현재 프로토타입이 짧은 광섬유와 통제된 조건에서 사용되었지만, 이 설계 원칙은 일반화 가능하다는 점을 언급했다. 향후 연구는 이 센서를 로봇 그리퍼와 통합하고, 임의의 접촉 분포에 대한 보정을 확장하며, 더 긴 광섬로 경로 및 환경 변화에 따른 견고성을 평가하는 데 집중할 것이다.