⚡ electrical engineering

Orientation Control of Soft Robots via Adiabatic Spectral Submanifolds

본 논문은 무한 차원의 비선형 역학을 정확하게 포착하기 위해 단열 스펙트럼 부분 다양체(adiabatic spectral submanifolds)를 활용하여 소프트 로봇을 위한 향상된 데이터 기반 모델 예측 제어 기법을 제시하며, 기존 베이스라인 대비 위치 및 방향 추적 오차를 60% 이상 감소시켰다.

원저자: Aron Karakai, Roshan S. Kaundinya, Mike Yan Michelis, Robert Katzschmann, George Haller

게시일 2026-09-15

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aron Karakai, Roshan S. Kaundinya, Mike Yan Michelis, Robert Katzschmann, George Haller

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

소프트 로봇은 공학 세계의 부드러운 거인으로, 기존의 금속 기계처럼 딱딱하게 부러지거나 갈려 나가는 대신 구부러지고, 늘어나고, 찌그러지는 재료로 만들어졌습니다. 이들은 유연하고 지속적으로 변형 가능한 물질로 구성되어 있기 때문에, 인간의 손이 너무 서투르거나 금속 그리퍼가 너무 위험할 수 있는 섬세한 환경을 탐색하는 데 이상적입니다. 이들을 문어 혹은 코끼리의 코와 같은 로봇의 형태로 생각하면 쉽습니다. 이들은 좁은 공간으로 미끄러져 들어가고 취약한 물체와 안전하게 상호작용할 수 있습니다. 그러나 바로 이 유연성 때문에 제어하기가 매우 어렵습니다. 예측 가능한 직선 운동을 하는 강성 로봇 팔과 달리, 소프트 로봇은 꿈틀거리고 변형될 수 있는 무수히 많은 방법을 가지고 있습니다. 이를 정확하게 조종하려면 컴퓨터가 로봇 내부 물리 법칙에 대한 완벽한 지도를 가져야 하지만, 이러한 지도는 실시간으로 계산하기에는 너무 복방잡하며, 재료의 거동을 지배하는 정확한 법칙 또한 알려지지 않은 경우가 많습니다.

오랫동안 엔지니어들은 로봇의 물리학을 대략적인 근사치로 단순화하거나, 컴퓨터가 시행착오를 통해 적절한 움직임을 추측하도록 가르치는 방식으로 이 문제를 해결하려 노력해 왔습니다. 첫 번째 접근 방식은 소프트 재료의 미묘하고 비선형적인 거동을 무시하기 때문에 실패하는 경우가 많으며, 두 번째 방식은 방대한 양의 데이터와 강력한 시뮬레이터를 필요로 하지만 이것이 실제 세계로 잘 전달되지 않는다는 문제가 있습니다. 과제는 그 중간 지점을 찾는 것이었습니다. 즉, 소프트 로봇의 내부 구조에 대한 모든 세부 사항을 알 필요 없이, 컴퓨터가 찰나의 결정을 내릴 때 사용할 수 있는 단순하고 빠르며 정확한 모델을 만드는 것입니다.

한 연구팀이 이제 이 간극을 메울 수 있는 새로운 방법을 개발하여, 소프트 로봇 팔의 위치와 방향을 전례 없는 정밀도로 제어할 수 있게 되었습니다. 그들의 접근 방식은 '단열 스펙트럼 부분다양체(adiabatic spectral submanifold)'라는 수학적 개념에 기반하는데, 이는 로봇의 가장 중요한 움직임을 포착하면서도 혼란스러운 노이즈는 무시하는 숨겨진 저차원의 '골격'이라고 생각할 수 있습니다. 물리적 세계에서 소프트 로봇은 고도로 소산적(dissipative)입니다. 즉, 에너지를 빠르게 잃고 방해를 받은 후 빠르게 안정됩니다. 연구진은 로봇의 내부 진동은 매우 빠르게 일어나지만, 도구를 특정 지점으로 이동시키는 것과 같은 우리가 원하는 작업은 훨씬 더 느리게 일어난다는 점에 주목했습니다. 이 두 가지 속도를 분리함으로써, 그들은 로봇의 운동이 자연스럽게 따르는 단순화된 표면을 식별할 수 있었고, 결과적으로 소프트 팔의 무한한 복잡성을 관리 가능한 규칙 세트로 축소할 수 있었습니다.

이 아이디어를 테스트하기 위해 연구팀은 28cm 길이의 길이에 6개의 내부 공기실로 구동되는 'SoPrA'라는 고충실도 시뮬레이션 소프트 팔을 구축했습니다. 또한 팔 전체를 회전시키기 위해 베이스에 모터를 추가하여, 팔 끝의 위치뿐만 아니라 어느 방향을 향하고 있는지까지 제어할 수 있도록 했습니다. 이러한 방향 제어는 도구를 삽입하거나 표면을 검사하는 작업 등에 매우 중요하지만, 기존의 데이터 기반 방식으로는 달성하기 어려운 과제였습니다. 연구진은 시뮬레이션에 수천 번의 무작위 움직임을 입력하여 데이터셋을 생성한 다음, 새로운 알고算法을 사용하여 로봇의 특정 강성이나 무게를 알 필요 없이 데이터로부터 직접 로봇의 근본적인 '골격'을 학습시켰습니다.

그 결과, 로봇의 미래 경로를 놀라운 정확도로 예측할 수 있는 새로운 제어 시스템이 탄ာ되었습니다. 로봇이 미세한 조정을 하는 동안 고정된 정적 위치에 머물러 있다고 가정했던 기존 방식과 달리, 이 새로운 시스템은 로봇이 자연스러운 경로를 따라 자유롭게 움직이는 동시에 작은 오차를 조정할 수 있도록 했습니다. 테스트 결과, 이 새로운 컨트롤러는 기존의 데이터 기반 기술에 비해 위치와 방향 추적 오차를 60% 이상 줄였습니다. 또한 로봇의 복잡한 곡선을 포착하지 못했던 선형 모델보다 성능이 월등히 뛰어났으며, 정적 근사치에 의존했던 기존 버전의 방식보다도 우수한 성능을 보였습니다. 이 시스템은 표준 노트북에서 5밀리초 미만으로 필요한 조정을 계산할 만큼 빨랐습니다.

아마도 가장 중요한 점은, 연구진이 이론이 엄격하게 예측하는 것보다 로봇이 더 빠르게 움직이는 상황에서도 이 방법이 잘 작동한다는 것을 발견했다는 것입니다. 이는 이 접근 방식이 완벽한 조건이 아닌 상황에서도 실용적으로 사용할 수 있을 만큼 견고하다는 것을 시사합니다. 로봇의 자연스러운 역학에 대한 깊은 이해과 유연한 데이터 기반 학습 과정을 결리함으로써, 연구팀은 소프트 로봇이 수술 절차부터 구조 작업에 이르기까지 실제 세계에서 섬세하고 복잡한 작업을 이전에는 도달할 수 없었던 우아함과 정확도로 수행할 수 있게 해주는 도구를 만들어냈습니다.

기술 요약: 아디아바틱 스펙트럼 매니폴드(Adiabatic Spectral Submanifolds)를 통한 소프트 로봇의 방향 제어

문제 정의
유연한 재료로 제작된 소프트 로봇은 섬세한 환경에서의 안전한 상호작용을 위해 점점 더 중요해지고 있습니다. 그러나 이들의 위치와 방향을 제어하는 것은 무한 차원, 과소 구동(underactuated), 그리고 본질적인 비선형성으로 인해 매우 어렵습니다. 모델 예측 제어(MPC)는 유망한 프레임워크이지만, 정확하고 계산 효율적인 동역학 모델을 필요로 합니다. 기존의 고충실도 유한 요소 모델은 실시간 폐루프 제어를 수행하기에는 계산 비용이 너무 높습니다. 반대로, 데이터 기반 접근 방식은 선형 근사(예: DMDc)에 의존하는 경우가 많은데, 이는 비선형 시스템에 대한 예측력이 부족하며, 대규모 데이터셋과 정확한 시뮬레이터를 요구하는 강화 학습과 같은 블랙박스 방식과는 다릅니다.

최근 연구에서는 빠른 내부 소산(dissipation)과 느린 작업 수행 사이의 시간 척도 분리(time-scale separation)를 활용하여 소프트 로봇의 차원을 축소하는 아디아바틱 스펙트럼 매니폴드(aSSM)를 도입했습니다. 그러나 기존의 aSSM 기반 MPC 구현은 전체 예측 호라이즌 동안 느린 입력(slow input)과 aSSM 근사를 고정하여, 오직 작고 빠른 편차(fast deviations)만을 최적화했습니다. 이러한 한계는 제어 권한과 예측 정확도를 제한하며, 특히 방향 변화가 포함된 복잡한 작업에서 문제가 되었습니다.

방법론
저자들은 세 가지 주요 기술적 발전을 통해 이러한 한계를 해결하는 업그레이드된 aSSM-MPC 기법을 제안합니다.

전체 시변 기하 구조(Full Time-Varying Geometry): 느린 입력을 고정하는 기존 방식과 달리, 제안된 기법은 전체 예측 호라이즌에 걸쳐 aSSM의 전체 시변 기하 구조를 활용합니다. 이를 통해 제어기는 느린 입력 성분( $u_s$ )과 빠른 편차 성분( $u_d$ )을 독립적으로 최적화할 수 있습니다.
방향 관측량(Orientation Observables): 방향 제어를 가능하게 하기 위해 저자들은 특정 관측량 세트를 도입했습니다. 모듈 연산이 필요한 오일러 각 대신, 말단 장치(end-effector) 중심에서 가장자리 위의 한 점을 가리키는 벡터 $r_2$ 와 위치 벡터 $r_1$ 을 사용하여 방향을 정의합니다. 이 접근 방식은 데이터 기반 모델링에서 모듈 제약 조건의 계산 부하 없이 Lie group $SO(3)$ 기술의 표현력을 활용합니다.
데이터 기반 모델 구축: 축소 차원 모델은 다음과 같이 구축됩니다:
- 정적 입력을 정상 상태(steady states)로 매핑하는 임계 매니폴드 $L_0$ 학습.
- 감쇠 궤적으로부터 전역 스펙트럼 부공간( $E_{global}$ ) 식별.
- 축소 좌표 및 정적 입력의 함수로서 스펙트럼 매니폴드( $W$ )와 축소 역학( $R$ )에 대한 다항식 매개변수화 피팅.
- 빠른 입력 편차를 고려하기 위한 선형 제어 행렬( $B$ ) 학습.
  전체 파이프라인은 새로운 Python 라이브러리인 aSSMPy로 구현되었습니다.

제어 루프는 작업 공간 좌표의 목표 궤적 편차를 최소화하면서 입력 제약 및 슬루 레이트(slew rates)를 준수하기 위해 순차적 볼록 최적화(sequential convex programming) 기법인 GuSTO를 사용하여 MPC 최적화 문제를 해결합니다.

주요 기여
본 논문의 구체적인 기여는 다음과 같습니다:

확장된 aSSM-MPC 기법: 전체 시변 aSSM 기하 구조를 사용하여 느린 입력과 빠른 입력 성분을 모두 최적화함으로써, 정적 근사를 사용하는 기존 방식보다 예측 정확도와 제어 권한을 크게 향 향상시킨 알고리즘.
방향 제어 프레임워크: aSSM 축소를 소프트 연속 암(soft continuum arm)의 위치 및 방향 결합 제어에 성공적으로 적용한 새로운 관측량 세트와 제어 정식화.
오픈 소스 구현: 데이터 기반 aSSM 축소를 위한 범용 Python 구현체인 aSSMPy 공개.

실험 결과
방법론은 6개의 챔버와 회전 베이스를 가진 28cm 길이의 압력 작동식 소프트 암인 "SoPrA"의 고충실도 유한 요소 시뮬레이션에서 평가되었습니다. 제어기는 복잡한 위치 및 방향 궤적을 포함하는 두 가지 동적 추적 작업에 대해 테스트되었습니다.

성능: 제안된 aSSM-MPC는 기존의 선형 데이터 기반 베이스라인(DMDc-MPC 및 Koopman pregain)에 비해 위치 및 방향 추적 오차를 60% 이상 감소시켰습니다.
정적 근사와의 비교: 정적 근사(static approximation)를 사용하는 이전 aSSM-MPC 방법과 비교했을 때, 새로운 기법은 특히 방향 추적과 무부하 평형 상태에서 멀리 떨어진 지점에서 작동할 때 상당한 개선을 보였습니다.
실시간 실행 가능성: M5 Pro 칩이 탑착된 MacBook Pro에서 MPC 반복당 평균 계산 시간은 4.85 ms(95백분위수 7.38 ms)였으며, 이는 100 Hz 이산화율에서 실시간 제어를 가능하게 합니다.
강건성(Robustness): 본 방법은 작업의 "느림 지표(slowness metric, $r_s$ )"가 이론적 한계인 $r_s \ll 1$ 을 초과하여 실험적 값인 $r_s \approx 2.7$ 에 도달했을 때도 효과적으로 유지되었습니다.

의의 및 주장
저자들은 자신들의 접근 방식이 물리적 지배 방정식을 명시적으로 알 필요 없이 높은 정확도로 소프트 로봇을 제어할 수 있는 엄격한 데이터 기반 경로를 제공한다고 주장합니다. aSSM 이론을 전체 시변 입력을 최적화하고 방향을 제어하도록 확장함으로써, 이 방법은 선형 근사와 정적 매니폴드 가정의 한계를 극복합니다.

본 논문은 이 방법이 완전히 데이터 기반이며 적은 양의 훈련 데이터셋만 필요하기 때문에 물리적 하드웨어에 직접 배포하기에 적합하다고 강조합니다. 저자들은 이 작업이 시뮬레이션에서 해당 방식을 검증했지만, 즉각적인 다음 단계는 물리적 하드웨어에서의 검증이며, 유사한 방법론을 이용한 텐던 구동 로봇(tendon-driven robots)에 대한 지속적인 성공 사례를 언급했습니다. 또한, aSSM-MPC에 대한 엄격한 안정성 보장을 도출하는 것이 중요한 향후 연구 방향임을 밝혔습니다.

유사한 논문