기술 요약: PccDiffuser

문제 정의

연속체 로봇(Continuum robots)은 연속적인 변형성을 특징으로 하며, 최소 침습 수술이나 산업용 검사와 같은 복잡한 환경에 적합합니다. 그러나 이러한 시스템의 모션 플래닝은 기구학적 중복성(kinematic redundancy)과 비선형 기구학으로 인해 독특한 과제를 안겨줍니다. 단일 타겟 팁 위치는 여러 개의 서로 다른 종단 구성(terminal configurations)과 전신 경로를 허용할 수 있으며, 이는 플래닝 문제를 본질적으로 다중 모드(multimodal)적이고 제약이 적은(underconstrained) 상태로 만듭니다.

기존의 플래닝 방식들은 다음과 같은 상당한 한계에 직면해 있습니다:

• 샘플링 기반 방식 (예: RRT, RRT):* 일반적으로 한 번의 실행당 하나의 솔루션만을 반환하며, 문제의 다중 모드 특성을 자연스럽게 포착하지 못합니다. 다양한 솔루션을 찾기 위해 반복적인 탐색이 필요할 때가 많습니다. 작업 공간 기반 플래너는 역기구학을 해결할 때 불연속성이나 지역 최적점(local minima) 문제로 고통받을 수 있으며, 구성 공간(configuration-space) 플래너는 비선형 매핑으로 인해 바람직하지 않은 작업 공간 경로를 생성할 수 있습니다.
• 최적화 기반 방식: 고충실도 모델의 계산 비용이나 복잡하고 비볼록(non-convex)한 공간에서 전역 최적해를 찾는 데 어려움을 겪는 경우가 많습니다.

따라서 종단 정확도를 유지하면서, 전신 장애물 회피를 보장하고, 높은 계산 효율성을 제공하며, 다양하고 실행 가능한 솔루션을 효율적으로 생성할 수 있는 플래너가 필요합니다.

방법론: PccDiffuser

저자들은 조각별 일정 곡률(Piecewise Constant Curvature, PCC) 모델 하에서 연속체 로봇의 다중 솔루션 모션 플래닝을 위해 설계된 조건부 확산 프레임워크인 PccDiffuser를 제안합니다. 이 접근 방식은 플래닝 과정을 기하학적 경로 생성과 시간 할당의 두 단계로 분리합니다.

1. 기구학적 표현

표준 PCC 파라미터화와 관련된 직선 구성에서의 특이점(singularities)을 처리하기 위해, 저자들은 **지수 좌표(exponential coordinates)**를 활용합니다. 로봇의 구성은 각 섹션의 트위스트 변수(twist variables)의 연결로 표현되며, 이를 통해 로봇 상태 공간에 대한 비특이적 기술이 가능해집니다. 샘플링 과정 중 기울기 기반 가이드를 지원하기 위해 해석적 미분 기구학(Jacobian)이 유도되었습니다.

2. 조건부 확산 프레임워크 (Conditional Diffusion Framework)

이 방법의 핵심은 초기 구성, 타겟 팁 위치, 그리고 장애물 집합을 포함하는 조건($c$)이 주어졌을 때 완전한 구성 공간 경로($x_0$)에 대한 분포를 학습하는 조건부 확산 모델입니다.

• 아키텍처: 디노이저(denoiser)는 1D 시간적 U-Net(temporal U-Net)입니다. 이는 노이즈가 섞인 경로를 입력으로 받아 노이즈 성분을 예측합니다.
• 조건화 (Conditioning):
  • 장애물: 그래프 신경망(GNN)이 가변적인 수의 구형 장애물을 고정된 차원의 임베딩으로 인코딩합니다.
  • 작업 제약: 초기 구성, 타겟 위치, 확산 타임스텝은 다층 퍼셉트론(MLP)을 통해 임베딩됩니다.
  • 이러한 임베딩은 공유 컨텍스트 벡터로 융합되어 U-Net의 잔차 블록(residual blocks)을 조절합니다.
• 샘플링: 모델은 서로 다른 초기 노이즈 샘플로부터 여러 후보 경로를 병렬로 생성하기 위해 결정론적 DDIM 샘플링을 채택합니다.

3. 해석적 가이드 (Analytical Guidance)

종단 정확도와 전신 여유 공간(clearance)을 개선하기 위해, 저자들은 역방향 확산 과정에 해석적 미분 기구학을 통합합니다. 두 가지 전략이 평가되었습니다:

• 사후 교정 (Post Correction): 경로를 예측한 후, 팁 오차의 기울기를 따라 종단 구성을 조정하고, 장애물 침투 깊이로부터 유도된 반발 기울기를 따라 침투된 구성을 조정합니다.
• 가이드된 예측 (Guided Prediction): 예측된 노이즈를 디노이저를 통해 전파된 작업 목적 함수의 기울기를 사용하여 직접 수정합니다.
  실험 결과, 사후 교정이 정확도와 계산 효율성 사이에서 최적의 절충안을 제공함을 보여주었습니다.

4. 궤적 실행

실행 가능한 구성 공간 경로가 선택되면, 이는 실행 가능한 궤적으로 변환됩니다. 여기에는 경로를 액추에이터 공간으로 매핑하고, 액추에이터의 속도 및 가속도 제약을 만족시키기 위한 시간 할당을 수행하여 경로가 물리적으로 실현 가능하도록 보장하는 과정이 포함됩니다.

주요 기여

1. 다중 솔루션 생성: 초기 상태, 타겟, 장애물에 조건화되어 다양하고 충돌 없는 구성 공간 경로를 병렬로 생성할 수 있는 확산 기반 플래너를 제안했습니다.
2. 기구학적 통합: 경로 정확도와 안전성을 정밀하게 하기 위해 해석적 PCC 기구학 및 미분 자코비안을 확산 샘플링 과정에 통합했습니다.
3. 가변 장애물 처리: GNN을 사용하여 가변적인 수의 장애물을 인코딩함으로써, 다양한 혼잡도를 가진 환경에 모델이 일반화될 수 있도록 했습니다.
4. 검증: 시뮬레이션 및 실제 3섹션 텐던 구동(tendon-driven) 연속체 로봇에서의 실험을 통해 연속 플래닝, 다중 솔루션 플래닝, 전신 장애물 회피 능력을 종합적으로 평가했습니다.

결과

PccDiffuser의 성능은 0개에서 4개의 구형 장애물이 있는 환경을 포함하는 혼합 테스트 세트에서 평가되었습니다.

• 성공률: PccDiffuser는 91%의 성공률을 달립으로써, 약 65~70%의 성공률을 보인 기존 샘형 및 최적화 베이스라인(RRT, RRT*, APF)을 크게 상회했습니다.
• 효율성: 이 방법은 10개의 후보 솔루션을 병렬로 생성할 때 경로당 평균 실행 시간 34.0 ms라는 우수한 계산 효율성을 입증했습니다. 이러한 이점은 여러 솔루션을 생성할 때 더욱 증폭되는데, 배치 디노이징(batched denoising)을 통해 전체 플래닝 케이스당 총 시간이 선형적으로 증가하지 않고도 병렬 생성이 가능하기 때문입니다.
• 정확도: 해석적 가이드(특히 사후 교정)를 포함함으로써 순수 확산 모델에 비해 평균 정규화 종단 팁 오차를 약 45~55% 감소시키는 동시에 높은 성공률을 유지했습니다.
• 하드웨어 실행: 텐던 구동 로봇을 이용한 실제 실험을 통해 생성된 경로가 실행 가능하며, 전신 여유 공간을 유지하면서 서로 다른 비중복적 동작을 통해 타겟에 성공적으로 도달함을 확인했습니다.

의의 및 주장

본 논문은 PccDiffuser가 전통적인 반복 탐색 방법보다 연속체 로봇 플래닝의 내재적인 다중 모드 특성을 더 효과적으로 해결한다고 주장합니다. 유효한 경로에 대한 조건부 분포를 학습함으로써, 이 프레임워크는 자연스럽게 여러 실행 가능한 모션을 포착하여 장애물 회피나 특정 작업 목표를 위한 런타임 대안을 제공합니다.

저자들은 자신들의 접근 방식이 생성 모델의 유연성과 로봇 제어에 필요한 정밀도 사이의 간극을 메운다고 강조합니다. 단일 순방향 패스(배치 샘플링을 통해)로 다양하고 고품질의 솔루션을 생성할 수 있는 능력은 다중 솔루션 플래닝의 계산 효율성을 높이는 중요한 진전입니다. 이 연구는 이전에 강체 매니퓰레이터에서 성공적이었던 확산 모델이 복잡하고 비선형적인 기구학을 가진 연속체 로봇에도 효과적으로 적용될 수 있음을 보여줍니다.

저자들이 언급했듯이, 향-연구는 이러한 기능을 동적 환경으로 확장하고 온라인 피드백을 통한 폐루프 재계획(closed-loop replanning)을 구현하는 데 집중할 것입니다.