Modular Kinematic Reduction of Closed-Chain Mechanisms Using Path Assembly and Defect Homotopy

기술 요약: 경로 조립 및 결함 호모토피를 이용한 폐쇄형 체인 메커니즘의 모듈형 운동학적 축소

문제 정의
병렬 및 하이브리드 로봇(예: 보행 로봇, 중량물 취급 매니퓰레이터)에서 흔히 발견되는 폐쇄형 운동학적 체인은 모듈형 모델링에 상당한 복잡성을 초래한다. 비선형 폐쇄 구속 조건은 능동 좌표와 수동 좌표를 결합하여, 최소 좌표 기반의 운동학 및 동역학 모델 유도를 어렵게 만든다. 가상 분해 제어(Virtual Decomposition Control)나 구속 임베딩 정식화와 같은 기존의 모듈형 접근 방식은 직렬 구조나 특정 루프 토폴로지를 다루기는 하지만, 종종 각 메커니즘에 특화된 최소 스칼라 구속 방정식의 사전 유도나 특정 루프 구조에 대한 맞춤형 처리를 요구한다. 따라서 특정 메커니즘을 위한 최소 스칼라 구속 방정식을 사전에 유도할 필요 없이, 모듈의 순서화된 변환 경로로부터 직접 폐쇄 표현을 구축할 수 있는 체계적인 프레임워크가 필요하다.

방법론
본 논문은 경로 조립 폐쇄 미분 매핑(Path-Assembled Closure Differential Mapping, PACDM) 프레임워크와 결함 호모토피(defect homotopy) 절차를 제안한다. 방법론은 다음과 같은 네 가지 주요 구성 요소로 구조화된다:

1. 경로 조립 정식화 (Path-Assembly Formulation):

   • 단일 루프 곱이 항등원이 되는 방식 대신, 공통의 초기 및 종단 프레임을 가진 두 개의 순서화된 변환 경로를 비교함으로써 폐쇄를 정식화한다.
   • 두 경로 사이의 불일치는 $SE(3)$ 리 군(Lie group) 상의 로그 맵을 사용하여 6차원 폐쇄 잔차 벡터 $\boldsymbol{\rho}$로 표현된다.
   • 이 잔차를 미분하면 PACDM 자코비안(Jacobian)이 생성되며, 이는 국부 변환 미분과 폐쇄 잔차의 변화율 사이의 관계를 나타낸다. 이는 우측 트라이비얼라이즈드(right-trivialized) 미분과 경로를 따른 어드조인트 트랜스포트(adjoint transport)를 사용하여 계산된다.

2. 다중 경로 모듈 구성 및 랭크 드러내는 축소 (Multi-Path Module Construction and Rank-Revealing Reduction):

   • $N_m$개의 경로를 가진 모듈의 경우, 그래프 이론적으로 최소한의 $N_m-1$개 두-경로 폐쇄 요소(스타형 스패닝 트리를 형성)를 조립한다.
   • 가공되지 않은 잔차와 자코비안을 모듈 수준에서 스택(stack) 형태로 쌓는다. 가공되지 않은 잔차들이 독립적이지 않을 수 있으므로, 수동 좌표 블록에 대해 피벗 QR 분해(pivoted QR factorization)를 사용하는 랭크 드러내는 분석을 수행한다.
   • 이 분석을 통해 최소한의 독립적인 스칼라 폐쇄 구속 조건을 선택함으로써, 사전에 유도된 최소 모델 없이도 모델링이 가능하게 한다.

3. 브랜치 획득을 위한 결함 호모토피 (Defect Homotopy for Branch Acquisition):

   • 근사적인 초기 추정치로부터 폐쇄 일관성이 있는 수동 좌표를 회복하기 위해, 초기 경로 불일치를 폐쇄 방정식의 "결함(defect)"으로 포함시킨다.
   • 호모토피 파라미터 $\lambda \in [0, 1]$를 도입하여, 인공 문제(초기 추측값이 $\lambda=0$에서 정확한 해인 경우)와 물리적 폐쇄 문제($\lambda=1$인 경우) 사이를 보간한다.
   • 예측자-교정자(predictor-corrector) 연속법을 통해 해의 경로를 추적한다. 독립적 구속 조건에 대한 행 선택 행렬은 시작점에서의 결함이 있는 자코비안의 랭크를 기준으로 고정된다.
   • $\lambda=1$에 도달하면 물리적 폐쇄를 검증하고, 올바른 브랜치를 사용하도록 물리적 자코비안을 기준으로 독립적 구속 조건을 재선택하여 축소를 수행한다.

4. 운동학적 축소 및 연속 (Kinematic Reduction and Continuation):

   • 정규 물리적 구성에서 음함수 정리를 적용하여 선택된 독립적 구속 조건으로부터 국부적인 능동-수동 미분 매핑($\mathbf{D}\boldsymbol{\psi}_m$)을 유도한다.
   • 이 매핑을 통해 모든 모듈 좌표를 능동 좌표로 표현할 수 있다.
   • 연속적인 운동의 경우, 이 미분 매핑은 다음 궤적 단계에 대한 1차 예측자로 사용되며, 이후 물리적 폐쇄 방정식에 대한 직접적인 교정이 뒤따른다. 직접적인 교정이 실패할 경우에만 결함 호모토피를 폴백(fallback) 회복 메커니즘으로 유지한다.

주요 기여

• 경로 조립 폐쇄 표현: $SE(3)$ 로그를 사용하여 순서화된 변환 경로로부터 직접 폐쇄 관계 및 그 미분 표현을 구축하는 체계적인 방법을 제공하며, 이를 통해 메커니즘별 최소 스칼라 방정식 유도의 필요성을 제거한다.
• 모듈형 랭크 드러내는 축소: 가공되지 않은 다중 경로 잔차를 조립하고 수치적 랭크 드러내는 분석을 사용하여 독립적인 스칼라 구속 조건을 자동으로 식별 및 선택함으로써, 복잡한 다중 경로 토폴로지를 수용한다.
• 결함 호모토피 통합: 일관된 구성을 찾는 수치적 회복 과정과 후속 운동학적 축소 과정을 분리하는 강력한 브랜치 획득 전략을 제공한다. 이는 적절한 솔루션 브랜치를 찾기 위해 획득 단계와 물리적 축소 단계에서 서로 다른 선택 기준을 사용하도록 보장한다.
• 효율적인 연속 전략: 궤적 추적을 위해 국부 미분 매핑을 사용하는 예측자-교정자 방식을 활용하며, 결함 호모토피는 초기 브랜치 획득이나 교정 실패로부터의 회복 시에만 제한적으로 사용한다.

결과
본 프레임워크는 두 개의 폐쇄형 모듈(하나는 두 개의 경로, 하나는 세 개의 경로를 포함)을 가진 7자유도 중량물 취급 로봇 매니퓰레이터(HIAB-046)에 대해 평가되었다.

• 정확도: 고정 구성 테스트에서, 결함 호모토피를 통해 회복된 수동 좌표는 Simscape Multibody 참조 값과 최대 절대 오차 약 $1.15 \times 10^{-10}$ rad 내에서 일치하였다.
• 궤적 추적: 규정된 연속 궤적을 따라 예측자-교정자 연속법을 적용했을 때, 두 모듈에 대해 각각 $8.47 \times 10^{-10}$ rad 및 $7.32 \times 10^{-10}$ rad의 RMSE를 달축하였으며, 최대 절대 오차는 $3.1 \times 10^{-9}$ rad 미만이었다.
• 계산 효율성: 예측자-교정자 방식은 매 궤적 단계마다 결함 호모토피를 적용하는 것보다 약 45.8배 빨랐으며(5회 실행 시 21.4초 대 980.5초), 수치적 정확도는 대등한 수준을 유지하였다.

의의 및 범위
본 논문은 경로 기하학으로부터 폐쇄 구축, 독립 구속 조건 선택, 물리적 브랜치 획득, 그리고 다운스트림 모델링 및 제어에 필요한 미분량에 이르기까지의 공통적이고 모듈적인 경로를 제공한다고 주장한다. 본 연구의 의의는 최소 구속 방정식의 수동 유도 없이도 복잡한 다중 경로 폐쇄 체인을 처리할 수 있는 능력을 갖추고 있어, 순수 트리 구조 시스템을 넘어 재사용 가능한 모델링 기술을 확장한다는 점에 있다.

저자들은 보고된 결과가 특정 테스트 구성 및 궤적에 대한 정식화와 수치적 구현을 검증함을 명시적으로 밝히고 있다. 본 방법론은 전역적 수렴성이나 임의의 폐쇄형 메커니즘, 초기 조건 또는 운전 구성에 대한 통계적 강건성을 주장하지 않는다. 또한, 이 방법은 선택된 로그 브랜치에 국한되며, 솔루션 브랜치가 규정된 좌표 범위 내에 머물러야 하고 특이점이나 브랜치 경계를 피해야 한다는 점이 명시되어 있다. 향후 과제로 자동화된 모듈 추출, 적응형 로그 차트 경계 처리, 그리고 재귀적 동역학 및 제어 프레임워크로의 통합을 제시하였다.