⚡ electrical engineering

Grasp Execution Without a Planner: Configuration-Space Grasp Distance Fields with Certified Safety & Guaranteed Quality

본 논문은 동적인 환경에서도 궤적 재계획 없이 높은 성공률과 품질 유지를 달성하기 위해, 안전 필수적인 이차 계획법(quadratic program)을 통해 필터링된 매끄러운 구성 공간 거리장(configuration-space distance field)을 따름으로써 강건하고 안전한 파지(grasp)를 수행하는 플래너 프리(planner-free) 제어 프레임워크인 Grasp Distance Fields (GDFs)를 소개한다.

원저자: Clinton Enwerem, John S. Baras, Calin Belta

게시일 2026-08-04

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Clinton Enwerem, John S. Baras, Calin Belta

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

로봇이 장난감을 집으려고 애쓰는 서투른 유아처럼 행동하는 세상을 상상해 보십시오. 로봇은 장난감을 볼 수는 있지만, 손을 뻗는 순간 의자에 부딪히거나 장난감이 살짝 움직여서 모든 것을 떨어뜨리고 처음부터 다시 시작해야 할 수도 있습니다. 이것이 다지형 파지(multifingered grasping)에서 발생하는 일상의 고충입니다. 수십 년 동안 표준적인 해결책은 두 단계의 과정이었습니다. 먼저, 컴퓨터 브레인이 물체로 가는 완벽하고 충돌 없는 경로를 계획하고(지도 그리기와 같이), 그다음 로봇이 그 지도를 따라가도록 하는 것입니다. 하지만 세상이 아주 조금이라도 변하면—사람이 지나가거나 물체가 미끄러지면—지도는 쓸모없게 되고, 로봇은 멈춰서 당황하며 새로운 지도를 그려야 합니다. 이 "계획 후 추적(plan-then-track)" 방식은 느리고 취약합니다. 과학자들은 사람이 붐비는 방을 통과하며 커피잔을 잡는 사람처럼, 매 단계마다 멈춰서 생각할 필요 없이 즉각적으로 반응할 수 있는 로봇을 원합니다.

이 논문은 로봇이 물체를 잡는 새로운 방법인 "그라스프 거리장(Grasp Distance Fields, GDFs)"을 소개합니다. 로봇에게 특정 경로를 그리거나 하나의 "최적의" 파지법을 선택하게 하는 대신, 로봇에게 부드럽고 보이지 않는 "좋음(goodness)"의 풍경을 제공합니다. 마치 안개 낀 들판에 서 있는데, 발밑의 지형이 컵을 성공적으로 잡을 수 있는 모든 가능한 방법들을 향해 완만하게 경사져 있다고 상상해 보십시오. 로봇의 임무는 단순히 낮은 곳을 향해 굴러 내려가는 것입니다. 로봇은 미리 어떤 컵을 잡을지 또는 어떻게 잡을지를 결정할 필요가 없습니다. 그저 필드의 경사를 따라 내려갈 뿐입니다. 만약 장애물이 나타나면, 필드의 "경사"가 안전하게 우회하도록 변하기 때문에 로봇은 자연스럽게 장애물을 피해 갑니다. 저자들은 이 방법이 로봇이 자신이나 주변 환경과 충돌하지 않도록 수학적으로 보장한다는 것을 증명했으며, 로봇의 손이 다소 흔들리더라도 물체를 충분히 단단하게 잡을 수 있음을 보여주었습니다. 연구진은 로봇 팔과 휴머노이드 로봇(Unitree G1)을 통해 테스트를 진행했으며, 복잡하고 붐비는 장면에서도 재계획을 위해 멈출 필요 없이 50개의 서로 다른 물체 중 46개를 성공적으로 잡는 것을 보여주었습니다.

"내리막길을 구르는" 로봇

물건을 집으려는 대부분의 로봇은 길을 잘못 들면 혼란에 빠지는 GPS 내비게이션 시스템처럼 작동합니다. 로봇은 특정 지점으로 가는 완벽한 경로를 계산하지만, 목적지가 단 1인치라도 움직이면 로봇은 멈춰서 전체 경로를 다시 계산하고 처음부터 다시 시작해야 합니다. 이 논문은 다른 접근 방식을 제안합니다. GPS 대신, 공이 언덕 아래로 굴러 내려가는 것처럼 목표가 어디에 있는지에 대한 "감각"을 로봇에게 주는 것입니다.

연구진은 로봇의 팔과 손이 있을 수 있는 모든 가능한 위치에 대해 수학적 "장(field)"(일종의 보이지 않는 지도)을 만들었습니다. 이 장에서 모든 점은 서로 다른 포즈(pose)를 나타냅니다. 어떤 지점에서의 필드의 "높이"는 로봇이 성공적인 파지로부터 얼마나 멀리 떨어져 있는지를 알려줍니다. 로봇의 컨트롤러는 단순히 가장 가파른 내리막길(음의 기울기)을 따라 최저점을 향해 내려가도록 프로그래밍되어 있습니다. 이 필드는 매끄럽고 동시에 모든 가능한 좋은 파지법을 포함하고 있기 때문에, 로봇은 미리 단 하나의 "승자"를 선택할 필요가 없습니다. 로봇은 그저 가장 가까운 골짜기를 향해 굴러갑니다. 만약 로봇이 벽에 막히면, 물이 바위 주변을 흐르는 것처럼 필드가 자연스럽게 장애물을 피해 가도록 안내합니다.

더 이상의 "멈춤과 생각"은 없다

전통적인 로봇의 가장 큰 문제는 "재계획(replanning)" 단계입니다. 물체가 움직이면 로봇은 얼어붙습니다. 이 논문의 방법은 그 멈춤 현상을 완전히 제거합니다. 로봇은 밀리초 단위로 실시간으로 반응합니다. 저자들은 이를 "반응형 실행(reactive execution)"이라고 부릅니다.

로봇이 내려가는 동안 충돌하지 않도록 하기 위해, 그들은 "안전 필터"를 추가했습니다. 이것을 매우 엄격한 수호천사라고 생각하십시오. 로봇은 물체를 향해 직선으로 구르고 싶어 할 수 있지만, 그 경로가 벽이나 자신의 팔꿈치에 부딪히게 된다면 수호천사가 개입합니다. 이 필터는 "제어 장벽 함수(Control Barrier Function, CBF)"라는 수학적 도구를 사용하여, 진행을 멈추지 않으면서도 안전을 유지할 수 있도록 로봇의 경로를 아주 살짝만 밀어줍니다. 로봇은 단 0.09밀리초 만에(인간의 눈 깜빡임보다 빠르게) 가장 안전한 움직임을 결정하기 위해 작은 수학적 문제(이차 계획법)를 해결합니다.

"히스테리시스(Hysteresis)" 기법: 언제 놓아야 할지 아는 법

물체를 잡을 때 까다로운 부분 중 하나는 언제 움직임을 멈추고 실제로 잡을 것인지를 아는 것입니다. 만약 로봇이 컵을 잡으려 할 때, 손가락이 컵에 닿더라도 계속 밀어붙이면 컵을 미끄러뜨리거나 떨어뜨릴 수 있습니다. 이 논문은 "히스테리시스"라는 특징을 가진 "모드 전환(mode switch)"을 도입합니다.

무거운 스프링이 달린 문을 상상해 보십시오. 문을 열린 상태로 유지하려면 특정 지점 너머까지 밀어야 하지만, 문을 닫기 위해 다시 밀 때는 그만큼 세게 밀 필요가 없습니다. 로봇도 이와 동일한 논리를 사용합니다. 로봇은 "도달(Reach)" 모드, "닫기(Close)" 모드, 그리고 "유지(Hold)" 모드를 가집니다. 도달에서 닫기로 전환하려면 로봇이 물체에 매우 가까워져야 합니다. 하지만 유지 모드에서 다시 닫기로 전환하려면(만약 미끄러진다면), 처음에 잡기 시작했을 때보다 더 멀리 떨어져야 합니다. 이는 로봇이 물체에 닿기 직전의 경계에서 모드를 빠르게 왔다 갔다 하며 혼란을 겪는 것(채터링 현상)을 방지합니다.

작동을 증명함 (상황이 나빠질 때도)

저자들은 단순히 이것이 작동할 것이라고 추측한 것이 아니라, 수학적으로 증명하고 광범위하게 테스트했습니다.

수학적 증명: 저자들은 어떤 장애물이 나타나더라도 로봇이 안전한 영역에서 시작한다면 항상 안전한 영역에 머물 것임을 증证明했습니다. 또한, 일단 잡기 시작하면 "품질(quality)"(얼마나 단단히 잡는지)이 안전한 수준 아래로 떨어지지 않을 것임을 증명했습니다.
시뮬레이션: 연구진은 7개의 관절을 가진 로봇 팔과 11개의 관절을 가진 손을 대상으로, 그리고 전체 휴머노이드 로봇(Unitree G1)을 대상으로 테스트를 진행했습니다.
결과: 단순한 모양부터 복잡한 가전제품, 그리고 로봇을 속리기 위해 설계된 까다로운 "적대적(adversarial)" 형태까지 50가지의 다양한 물체가 있는 혼잡한 방에서, 로봇은 46개의 물체를 성공적으로 잡고 들어 올렸습니다.
"품질" 체크: 연구진은 로봇이 실제로 수행한 파지가 설계된 이론적 "품질 마진"의 중앙값인 **94%**를 유지한다는 것을 발견했습니다. 이는 로봇이 단순히 물체를 잡은 것이 아니라, 아주 단단하게 잡았음을 의미합니다.

아직 하지 못하는 것들 (현재 기준)

이 논문이 주장하지 않는 부분을 아는 것도 중요합니다.

마법이 아닙니다: 로봇은 여전히 물체가 어디에 있는지 알아야 합니다. 만약 물체가 너무 빨리 움직이거나 로봇의 센서가 부정확하면 시스템이 갇힐 수 있습니다. 저자들은 매우 좁은 공간에서 로봇이 앞으로 가거나 뒤로 가지 못하고 갇혀버리는 "갇힌 평형(trapped equilibrium)" 상태에 빠질 수 있음을 발견했습니다.
하드웨어 데모가 아닙니다: 여기에 제시된 모든 결과는 컴퓨터 시뮬레이션으로부터 나온 것입니다. 이 연구에서 로봇이 실제 세계에서 진짜 컵을 들어 올린 적은 없습니다. 저자들은 수학적 구조는 견고하지만, 실제 마찰과 진동이 존재하는 실제 하드웨어에서 테스트하는 것이 다음 단계라고 언급했습니다.
모든 것을 해결하지는 않습니다: 만약 장애물이 물체로 가는 모든 경로를 가로막는다면, 로봇은 충돌하는 대신 물체 앞에서 안전하게 멈출 것입니다. 로봇이 벽을 뚫고 지나가는 방법을 마법처럼 찾아내지는 못합니다.

이것이 중요한 이유

이 논문은 로봇 제어를 생각하는 새로운 방식을 제시합니다. 미래를 예측하고 완벽한 지도를 그리려고 노력하는 대신, 로봇에게 단순하고 견고한 규칙을 부여합니다: "내리막길을 굴러 내려가되, 아무것도 치지 마라." 이 방식은 로봇을 환경의 실수와 변화에 훨씬 더 탄력적으로 만들어 줍니다. 이 방법이 수학적으로 안전하고 복잡한 시뮬레이션에서 작동함을 증명함으로써, 저자들은 무질서하고 예측 불가능한 현실 세계에서 인간과 함께 안전하게 일할 수 있는 로봇을 구축하기 위한 강력한 토대를 마련했습니다. 동일한 코드가 단순한 팔과 복잡한 휴머노이드 로봇 모두에서 작동했다는 사실은, 이 접근 방식이 숙련된 동작을 하는 로봇을 실현하기 위한 보편적인 열쇠가 될 수 있음을 시사합니다.

기술 요약: 플래너 없는 파지 실행 (Grasp Execution Without a Planner)

문제 정의
표준적인 다지형 파지(multifingered grasp) 실행은 "계획 후 추적(plan-then-track)" 아키텍처에 의존한다. 즉, 생성기가 후보군을 제안하면, 선택기가 하나를 고르고, 모션 플래너가 해당 특정 포즈로 향하는 충돌 없는 궤적을 계산한다. 이러한 방식은 취약하다. 물체 포즈의 불확실성이나 시스템의 섭동(perturbation)은 계획된 궤적을 무효화할 수 있으며, 이는 비용이 많이 들고 지연을 유발하는 재계획(replanning) 단계를 필요로 한다. 또한, 기존의 반응형 방법들은 공식적인 안전 보장을 결여하거나, 파지 품질 지표(예: 힘 폐쇄/force closure)를 실행 루프에 직접 통합하지 못하는 경우가 많다. 본 논문은 이산적인 선택 단계 없이 안전을 보장하고, 동적 장애물을 처리하며, 파지 품질을 유지하는 반응형, 플래너 프리(planner-free) 실행 프레임워크의 필요성을 다룬다.

방법론
저자들은 이산적인 궤적 계획 및 파지 선택을 대체하여, 결합된 암-핸드 시스템의 구성 공간(configuration space)에서 직접 작동하는 연속적이고 매끄러운 피드백 법칙인 **그라스 디스턴스 필드(Grasp Distance Fields, GDFs)**를 제안한다.

그라스 디스턴스 필드 (GDFs):
- 후보 세트로부터 유도된 사전 파지(pre-grasp) 구성의 타겟 집합 $\mathcal{G}$ 를 정의한다.
- 이 집합에 대해 구성 공간 상에 소프트민 거리 필드(softmin distance field) $d_G(q)$ 를 구축한다. 이 매끄러운 근사 방식은 후보들 사이의 보로노이 경계(Voronoi boundaries)와 관련된 비매끄러움(및 그로 인한 채터링 현상)을 제거한다.
- 명목 제어 명령(nominal control command)은 이 필드의 음의 기울기를 따른다 ( $v_{nom} = -k \nabla d_G$ ). 소프트맥스(softmax) 가중치는 암시적으로 연속적인 후보 선택을 수행하며, 이산적인 결정 단계 없이 항상 조인트 공간에서 가장 가까운 후보를 향해 시스템을 유도한다.
인증된 안전 실행 (CBF-CLF QP):
- 명목 명령은 매 제어 단계마다 이차 계획법(Quadratic Program, QP)을 통해 필터링된다.
- 안전성 (CBF): QP는 자기 충돌, 작업 공간 제한, 물체 여유 공간(clearance), 동적 장애물 회피를 위한 제어 장벽 함수(Control Barrier Function, CBF) 제약 조건을 강제한다. 이를 통해 안전 집합이 전방 불변(forward invariant)임을 보장한다.
- 수렴성 (CLF): 제어 리아푸노프 함수(Control Lyapunov Function, CLF) 제약 조건은 시스템을 타겟 집합으로 유도한다. 안전성과 수렴성 간의 충돌을 처리하기 위해, QP는 안전을 위반하는 대신 진행이 차단되었음을 기록하기 위해 명시적인 슬랙 변수(slack variables)를 도입한다.
- 언더액추에이티드(Underactuation): QP는 언더액추에이티드 핸드의 운동학적 결합을 강제하는 등가 제약 조건을 포함한다.
하이브리드 모드 전환:
- 매끄러운 필드는 접촉 허용(contact admission)의 불연속성을 본질적으로 모델링할 수 없으므로, 시스템은 도달(Reach, R), 접근(Close, C), 유지(Hold, H), **들어올리기(Lift, L)**의 네 가지 모드를 가진 하이브리드 오토마타를 채택한다.
- 전이는 접촉 지표와 지속 시간 타이머에 기반한 히스테리시스(hysteresis) 가드에 의해 제어되어 채터링을 방지한다.
- 유지(Hold) 모드에서 시스템은 **렌치 품질 장벽(wrench-quality barrier)**을 강제한다. 이 제약 조건은 실현된 파지의 위험 조정 힘 폐쇄 마진( $\varepsilon^{(\beta)}$ )이 유지 시작 시점의 값으로부터 규정된 허용 오차 이상으로 감소하지 않도록 보장한다.
렌치 인증 브릿지 (Wrench-Certificate Bridge):
- 본 프레임워크는 조인트 공간의 거리 필드를 렌치 공간의 품질 인증과 연결한다. 사전 파지 기술자(descriptor)가 위험 조정 마진 임계값을 만족하는 파지만을 허용한다.
- 실행 중에는 실현된 마진을 저장된 기술자의 마진과 비교 모니터링하여, 실행된 파지가 합성된 품질의 허용 오차 범위 내에 있음을 보장한다.

주요 기여
본 논문은 다섯 가지 구체적인 기여를 한다:

그라스 디스턴스 필드: 구성 공간 상의 이산적인 파지 후보 세트에 대한 매끄러운 소프트민 거리 필드를 정의하여, 근사 오차( $\log N / \rho$ )에 대한 경계를 설정하고, 그 기울기가 후보 기울기들의 볼록 조합임을 증명함으로써 이산적 선택을 제거한다.
인증된 안전 실행 법칙: 안전(자기 충돌, 장애물, 작업 공간)을 강제하고 슬랙 변수를 통해 수렴 실패를 기록하는, 결합된 CBF-CLB QP로 필터링된 정적 피드백 법칙을 제공한다. 또한 안전 집합의 전방 불변성을 증명한다.
히스테리시스 기반 접촉 스위치: 접근에서 접촉 및 유지로의 전이를 관리하기 위해 히스테리스를 사용하는 하이브리드 시스템 구조를 사용하여, 재계획 없이 견고한 모드 전이를 보장한다.
렌치-인증 브릿지: 위험 조정 힘 폐쇄 마진을 유지 시점의 값 내의 허용 오차 범위 내로 유지하는 제약 조건을 통해, 조인트 공간 제어기와 렌치 공간 품질 보증을 연결한다.
전체 기술 검증: 7-DOF 암과 11-조인트 언더액추에이티드 핸드를 갖춘 시스템 및 Unitree G1 휴머노이드에 대한 수치적 검증을 통해, 복잡한 환경에서도 로봇 플랫폼의 수정 없이 클러터를 탐색하고 동적 장애물을 처리하며 파지를 실행하는 능력을 입증한다.

실험 결과
제어기는 고정 베이스 암-핸드 시스템과 Unitree G1 휴머노이드에서 동일한 언더액추에이티드 핸드를 사용하여 운동학적 시뮬레이션 평가를 거쳤다.

성공률: 제어기는 복잡하고 동적인 장면에서 원시 도형, 가전제품, 적대적 메쉬를 포함한 50개의 물체 중 46개를 성공적으로 도달, 파지 및 들어 올렸다.
품질 유지: 성공적인 리프팅 과정 전반에서 실행된 파지는 **중앙값 94%**의 합성 품질 마진을 유지했다.
안전성: 제어기는 모든 장애물과 자기 충돌을 회피했다. 접근이 차단된 경우에도 시스템은 충돌 없이 물체 직전에서 안전하게 멈췄다.
품질 필터링: 렌치 품질 제약이 강제되었을 때, 시스템은 품질 중립적 제어기라면 들어 올리려 했을 물체(큐브 실험)를 올바르게 거부하여, 물체가 중력에 의해 떨어지는 실패를 방지했다.
성능: QP는 20ms 제어 주기 내에서 단계당 0.09ms 만에 해결되었으며, 충돌 거 l를 포함한 전체 단계는 2ms가 소요되었다.
동적 장애물: 제어기는 재계획 없이 움직이는 장애물을 성공적으로 우회했으며, 필드 맵을 재평가함으로써 포즈 변화에 반응했다.

의의 및 주장
저자들은 본 연구가 별도의 파지 선택 단계 없이 인증된 안전성과 보장된 품질 유지를 제공하는 최초의 플래너 프리, 반응형 파지 실행 프레임워크를 제공한다고 주장한다.

반응성: 재계획 단계를 제거함으로써 시스템은 물체의 움직임이나 상태 섭동에 즉각적으로 반응한다.
안전성: 제어 장벽 함수(CBF)를 사용하여 수렴이 차단되더라도 시스템이 안전 집합(충돌 없음) 내에 머물러 있다는 형식적 보장을 제공한다.
품질: 위험 조정 힘 폐쇄 마진을 실행 루프에 직접 통합함으로써, 로봇이 안전하게 잡을 수 없는 물체를 들어 올리지 않도록 하여 파지 합성(synthesis)과 실행 사이의 간극을 메운다.
일반성: 제어기는 로봇의 기술적 특성(운동학 및 언더액추에이션)이 올바르게 지정된다면, 고정 베이스 암부터 휴머노이드까지 수정 없이 실행 가능한 단일 정적 피드백 법칙 위에서 작동한다.

본 논문은 잠재적 필드(potential field) 방법론의 한계인 국소 최적점(밀집된 클러터에서의 트랩된 평형 상태)과 검증을 위한 운동학적 시뮬션 의존성을 한계점으로 인정하며, 동적 렌치 인증은 하드웨어 구현을 위한 미결 과제로 남겨두었다. 그러나 제안된 방법이 안전, 품질, 반응성을 단일한 플래너 프리 제어 법칙으로 통합함으로써 최신 기술 수준을 크게 진전시켰다고 주장한다.