💻 computer science

Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model

본 논문은 기존의 베이스라인 모델들과 비교하여 접촉이 빈번한 복잡한 환경에서 우수한 성능을 달성하기 위해, 접촉 인지형 그래프 신경망 역학 모델과 하이브리드 모델 예측 경로 적분 제어기를 결합한 텐세그리티 로봇을 위한 강건한 내비게이션 프레임워크를 제시한다.

원저자: Nelson Chen, Patrick Meng, Charles Tang, Angelina Degay, Zachary Brei, Rebecca Kramer-Bottiglio, Kostas E. Bekris, Mridul Aanjaneya

게시일 2026-09-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nelson Chen, Patrick Meng, Charles Tang, Angelina Degay, Zachary Brei, Rebecca Kramer-Bottiglio, Kostas E. Bekris, Mridul Aanjaneya

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

세상을 가로질러 움직이는 로봇들은 종종 근본적인 딜레마에 직면한다. 즉, 자신의 무게를 견디고 장애물을 밀고 나갈 수 있을 만큼 강해야 하면서도, 발밑의 지형이 변할 때 적응할 수 있을 만큼 유연해야 한다는 것이다. 단단한 금속 프레임으로 만들어진 전통적인 로봇들은 지형이 고르지 않거나, 바위가 많거나, 복잡할 경우 어려움을 겪으며, 종종 끼이거나 넘어지곤 한다. 이와 다른 접근 방식은 유연한 케이블 네트워크로 연결된 단단한 막대들로 구성된 구조물을 사용한다. 이러한 '텐세그리티(tensegrity)' 로로봇들은 가볍고 믿기지 않을 정도로 내구성이 뛰어나다. 만약 떨어지더라도 부서지는 대신 튀어 오른다. 하지만 이들을 제어하는 것은 매우 어렵기로 유명하다. 이들의 움직임은 케이블의 장력과 막대가 지면에 닿는 방식 사이의 복잡한 상호작용에 의존하기 때문에, 이들이 어떻게 구르거나 넘어질지 정확히 예측하는 것은 불완전한 데이터를 가지고 날씨를 예보하는 것과 같다. 로봇은 자신의 전체 형태나 지면에 닿아 있는 정확한 각도를 파악하지 못하는 경우가 많아, 컴퓨터가 안전한 경로를 계획하는 데 어려움을 겪는다.

럿거스 대학교와 예일 대학교의 연구진은 가파른 경사로, 좁은 통로, 낮은 장애물을 포함한 복잡한 환경에서 이러한 튀어 오르는 로봇을 안내하는 새로운 방법을 개발했다. 완벽한 수학적 공식으로 로봇의 움직임을 설명하는 대신, 그들은 컴퓨터 모델이 경험으로부터 배울 수 있도록 가르쳤다. 이 모델은 그래프 신경망(graph neural network)이라 불리는 인공지능의 한 종류를 사용하는데, 이는 시스템의 서로 다른 부분들이 어떻게 서로 연결되어 있는지를 이해하는 데 특히 탁격적이다. 이 경우, 시스템은 로봇 자신과 로봇이 부딪힐 수 있는 벽 및 지면을 의미한다. 연구진은 이 학습 시스템에 로봇이 평평한 바닥, 기울어진 경사로, 또는 로봇 자신의 다른 부분과 같은 표면에 닿았을 때 이를 '느낄' 수 있는 특별한 기능을 추가했다. 이러한 접촉 감지 능력은 로봇이 앞으로 나아가기 위해 벽에 기대거나 장벽 아래를 비집고 들어가야 할 때 매우 중요하다.

이 학습 모델을 실제로 적용하기 위해, 연구팀은 지속적이고 빠르게 작동하는 플래너 역할을 하는 제어 시스템을 만들었다. 로봇이 다음 몇 초 동안 어떻게 움직일 수 있는지 수천 가지의 서로 다른 방법을 아주 짧은 순간 동안 상상한다고 가정해 보자. 로봇은 머릿속에서 각 가능성을 시뮬레이션하며, 어떤 경로가 충돌 없이 목표로 이어지는지 확인한다. 시스템은 가장 좋은 옵션을 선택하여 실행한 뒤, 즉시 다음 움직임에 대한 계획을 세우기 시작한다. 모델 예측 제어(model predictive control)라고 알려진 이 과정은 로봇이 실시간으로 변화에 반응할 수 있게 해준다. 그러나 연구진은 로봇이 스스로 효과적으로 회전하는 데 어려움을 겪는다는 것을 발견했다. 이를 해결하기 위해, 그들은 스마트한 계획 시스템과 단순하고 미리 프로그래밍된 회전 동작들을 결려하였다. 로봇이 방향을 바꿔야 할 때, 이 신뢰할 수 있는 회전 동작을 사용하여 올바른 방향을 향하게 한 다음, 스마트 플래너가 나머지 경로를 탐색하도록 맡기는 방식이다.

연구팀은 실제 세계의 물리학을 모방한 고충실도 컴퓨터 시뮬레이션에서 이 접근 방식을 테스트했다. 그들은 벽이 있는 단순한 평지 코스부터 가파른 경사와 좁은 공간이 포함된 어려운 3차원 장애물 코스에 이르기까지 다섯 가지의 서로 다른 과제를 설정했다. 가장 어려운 테스트에서 로봇은 이전의 모든 과제들을 하나로 결합한, 한 번도 본 적 없는 경로를 통과해야 했다. 결과는 새로운 학습 시스템과 하이브리드 회전 전략을 사용하는 로봇이 기존 방식보다 훨씬 더 성공적이라는 것을 보여주었다. 다른 방식들이 경사로를 오르지 못하거나 좁은 통로에 갇혔던 반면, 새로운 시스템은 보지 못한 환경에서도 대다수의 시도에서 목표에 도달하는 데 성공했다. 로봇은 데이터를 더 많이 수집함에 따라 점점 더 빨라지고 정확해졌다.

이 연구는 로봇에게 세상과 접촉하는 방식을 가르침으로써, 그리고 학습된 지능과 단순하고 신뢰할 수 있는 동작들을 혼합해 줌으로써, 우리가 복잡하고 예측 불가능한 실제 세계의 지형을 항해할 수 있는 기계를 만들 수 있음을 시사한다. 연구진은 이 방법이 시뮬레이션에서 잘 작동함을 입증했으며, 이는 물리적 로봇에 대한 향후 테스트를 위한 길을 열어주었다. 현재의 시스템은 평평한 표면에 국한되어 있으며 완전히 구조화되지 않은 환경을 다루기 위해서는 추가적인 개발이 필요하지만, 이 접근 방식의 성공은 재난 지역을 탐사하거나, 잔해 속에서 생존자를 수색하거나, 혹은 다른 행성의 험난한 지형을 횡단할 수 있는 로봇을 향한 유망한 경로를 제시한다.

기술 요약: 접촉 인지형 그래프 신경망 역학 모델을 통한 텐세그리티 로봇의 모델 예측 제어

문제 정의
강체 스트럿(strut)과 유연한 케이블로 구성된 텐세그리티 로로봇은 구조화되지 않은 지형에 적합한 경량 및 순응형 이동성을 제공한다. 그러나 이들의 제어는 복잡하고 접촉이 빈번한 역학 관계와 부분 관측성으로 인해 어려움을 겪는다. 전통적인 제어 방식은 기하학적 계획이나 운동 프리미티브(motion primitives)에 의존하여 시스템 역학을 회피하는 경향이 있으며, 시뮬레이션에서 전이된 강화 학습 정책은 이동 능력에 한계를 보인다. 또한, 그래프 신경망(GNN) 기반의 기존 학습 역학 모델은 수평 지면 접촉만을 가정하여, 비수평 평면 지형, 환경 장애물 또는 자기 충돌(self-collision)을 고려하지 못한다. 본 연구는 정밀한 접촉 상호작용 모델링이 필수적인 복잡한 환경에서 텐세그리티 로봇의 견고한 폐루프 내비게이션을 달 p성하는 과제를 해결한다.

방법론
제안된 프레임워크는 학습된 GNN 역학 모델과 모델 예측 경로 적분(MPPI) 컨트롤러를 통합하며, 반복적인 데이터 수집 루프 내에서 작동한다.

접촉 인지형 GNN 역학 모델:
- 본 접근법의 핵심은 기존 GNN 기반 역학 모델의 확장이다. 저자들은 PyTorch로 구현된 미분 가능한 접촉 탐지 모듈을 도입한다.
- 이 모듈은 로봇의 엔드 캡(end-cap)과 비수평 평면 표면(예: 경사로, 벽) 사이의 상호작용, 그리고 로봇의 원통형 로드(rod) 간의 자기 충돌을 나타내는 접촉 특징을 생성한다.
- 이러한 상호작용은 그래프 내의 노드 특징(부호 거리)과 엣지 특징(상대 속도, 표면 법선, 거리)으로 인코딩된다. 이를 통해 모델은 복잡한 접촉 제약이 있는 환경에서 부분 관측 하에서도 상태 변화(로드 속도 및 케이블 휴지 길이)를 예측할 수 있다.
하이브리드 MPPI 컨트롤러:
- 컨트롤러는 학습된 GNN을 내부 예측 모델로 활용하여 샘플링 기반 최적 제어를 수행한다.
- 3-바(three-bar) 텐세그리티 로봇의 효과적인 회전 동작 샘플링의 어려움(긴 호라이즌과 많은 샘플링 필요)을 해결하기 위해 하이브리드 전략을 채택한다.
- 시스템은 국소 비용 구배(local cost gradient)에 대한 로봇의 헤딩(heading)을 평가한다. 헤딩이 목표 방향과 정렬되어 있으면(임계값 $\alpha$ 이내) MPPI 컨트롤러를 실행한다. 만약 정렬되지 않았다면, 시스템은 MPPI 제어를 재개하기 전 로봇을 재정렬하기 위해 인간이 설계한 회전 운동 프리미티브(시계 방향 또는 반시계 방향)로 전환한다.
- 비용 함수는 그리드 상에 구축된 **장애물 인지 웨이브 프런트 휴리스틱(obstacle-aware, wave-front heuristic)**을 사용한다. 이는 장애물이 많은 환경에서 유클리드 거리 메트릭의 단점을 피하기 위해, 목표로부터 장애물을 고려한 거리 추정치를 전파한다.
반복적 데이터 수집 루프:
- 시스템은 MPPI 컨트롤러가 작업을 실행하여 새로운 궤적 데이터를 생성하는 폐루프 방식으로 작동한다.
- 이 데이터는 학습 세트에 추가되어 GNN 역학 모델을 재학습시키며, 이는 결과적으로 다음 반복 주기에서 컨트롤러의 예측 정확도와 성능을 향提升시킨다. 프로세스는 인간이 설계한 프리미티브로부터 시작하여 연속적인 학습 사이클을 통해 진화한다.

주요 기여

확장된 GNN 역학 모델: 비수평 평면 지형, 환경 장애물 및 자기 충돌을 처리하기 위해 미분 가능한 접촉 탐지를 포함하는 학습된 모델을 도입하여, 기존의 평탄 지면 가정을 넘어 확장하였다.
반복적 MPC 프레임워크: 학습된 GNN 상에서 MPPI를 사용하는 MPC 프레임워크를 통해, 역학 모델과 제어 성능을 동시에 개선하는 반복 루프를 촉진한다.
하이브리드 제어 전략: MPPI와 회전 운동 프리미티브를 결합하여 조종성을 향상시키고, 순수 MPPI의 회전 기동 샘플링 비효율성을 극복하는 솔루션을 제공한다.
포괄적 평가: 평탄한 장애물 코스, 5° 경사, 좁은 코너/통로, 낮은 높이의 구조물, 그리고 합성 3D 장애물 코스를 포함한 다섯 가지 다양한 내비게이션 작업에 대해 MuJoCo에서의 실험적 검증을 수행하였다.

결과
실험은 다섯 가지 내비게이션 시나리오에서 수행되었다: 평탄 장애물 코스, 5° 경사, 좁은 코너/통로, 낮은 높이의 구조물, 그리고 합성 3D 장애물 코스(후자는 미지의 테스트 환경 역할을 함).

모델 정확도: 접촉 인지형 GNN 모델은 질량 중심 위치 및 로드 방향 예측에 있어 평탄 지면을 가정한 베이스라인 GNN보다 일관되게 우수한 성능을 보였다. 예측 오차는 컨트롤러가 생성한 데이터로 데이터셋이 성장함에 따라 학습 반복에 따라 감소하였다.
내비게이션 성능:
- 평탄 장애물 코스: 하이브리드 MPPI는 첫 번째 반복부터 100% 성공률을 달성하였으며, 회전에 어려움을 겪는 MPPI 단독 방식보다 우수하였고 A* 재계획 베이스라인의 최종 성능과 일치하였다.
- 경사로: A* 베이스라인은 헤딩 역학의 드리프트로 인해 완전히 실패하였다. MPPI 단독 방식은 제한적인 성공(33%)을 거두었으나, 하이브리드 MPPI는 첫 번째 반복부터 100% 성공률을 달성하였다.
- 좁은 통로 및 낮은 높이 구조물: 이 작업들은 장애물과의 의도적인 접촉을 요구하며, A* 베이스라인은 이를 계획할 수 없었다. 하이브리드 MPPI는 MPPI 단독 방식보다 크게 우수하였으며, 더 높은 성공률과 빠른 수렴을 보여주었다.
- 3D 장애물 코스 (미지 환경): 하이브리드 MPPI 전략은 강력한 일반화 능력을 입증하였으며, 마지막 반복에서 MPPI 단독 방식의 35% 대비 84%의 성공률을 달ек성하였다.
절제 연구(Ablation Studies): 결과는 거리-접촉 노드 특징이 접촉 엣지만을 사용할 때보다 예측 정확도에 더 큰 영향을 미친다는 것을 나타냈으며, 이는 명시적인 근접 정보의 중요성을 강조한다.

의의 및 주장
본 논문은 접촉 인지형 학습 역학 및 샘플링 기반 모델 예측 제어의 결 조합이 전통적인 기하학적 계획이나 순수 강화 학습이 실패하는 복잡하고 접촉이 빈번한 환경에서 견고한 텐세그리티 내비게이션을 가능하게 한다고 주장한다. 저자들은 반복적인 데이터 수집 루프가 부분 관측성과 복잡한 접촉 물리를 다루는 모델의 능력을 정교화하는 데 매우 중요하다는 점을 강조한다.

본 연구는 현재 평면 표면 표현으로 제한되어 있고 회전 프리미티브가 수동으로 설계되었다는 점을 인정하며 현재 범위에 대해 겸손한 입장을 취하고 있다. 저자들은 향apa적인 과제로 완전히 구조화되지 않은 지형으로 모델을 확장하고, 회전 프리미티브를 데이터로부터 직접 학습하며, 물리적인 3-바 텐세그리티 로봇에서 반복적 개선 루프를 입증하는 것을 제시하였다.

유사한 논문