Stochastic optimal control simulations of walking: potential and perspective

이 논문은 9 자유도와 18 개의 근육을 포함한 정교한 모델과 확률론적 최적 제어 시뮬레이션을 통해 감각 및 운동 잡음 수준이 보행의 평균 운동학적 특성에는 미미한 영향을 미치지만, 보행의 변동성과 기대 노력에는 결정적인 역할을 하며, 특히 운동 효율성 극대화를 위해 신체 질량 중심의 변동성을 억제하는 제어 전략이 채택됨을 규명했습니다.

핵심

🚶‍♂️ 핵심 주제: "완벽한 걷기는 없다, 하지만 우리는 어떻게 균형을 잡나?"

사람이 걷는 모습을 보면 매번 똑같아 보이지만, 실제로는 한 걸음과 다음 걸음이 미세하게 다릅니다. 이를 **'변동성 (Variability)'**이라고 합니다.
이 논문은 **"왜 걷기가 매번 조금씩 다른가?"**에 대해 질문합니다. 그 이유는 우리 뇌와 근육에서 오는 '노이즈 (오차)' 때문입니다. 신호가 완벽하게 전달되지 않고, 외부 환경도 예측할 수 없기 때문이죠.

연구진은 **"이런 오차가 있을 때, 우리 몸은 어떻게 걷는 것이 가장 '효율적 (에너지 절약)'일지"**를 컴퓨터로 시뮬레이션해 보았습니다.

---

🧩 비유 1: "어두운 밤에 낚시하는 것" (센서 노이즈)

우리 몸은 걷는 동안 끊임없이 정보를 수집합니다. "발이 어디에 닿았지?", "몸이 얼마나 기울었지?" 같은 정보죠. 하지만 이 정보는 완벽하지 않습니다. 마치 어두운 밤에 낚시를 할 때 물속이 잘 안 보이는 것과 같습니다.

• 연구의 설정: 컴퓨터는 "물속이 흐릿할 때 (센서 노이즈가 많을 때)"와 "물이 맑을 때 (센서 노이즈가 적을 때)" 두 가지 상황을 가정했습니다.
• 결과: 물이 흐릿하든 맑든, **낚시꾼이 잡는 물고기의 평균 위치 (평균 걷기 패턴)**는 거의 비슷했습니다. 하지만 **낚시줄이 흔들리는 정도 (걸음의 흔들림)**는 물이 흐릴수록 훨씬 심해졌습니다.
  • 결론: 오차가 있어도 우리가 걷는 '평균적인 모습'은 크게 변하지 않지만, 걸음걸이의 '흔들림'은 오차 수준에 따라 크게 달라진다는 것을 발견했습니다.

🎯 비유 2: "무거운 가방을 들고 걷기" (에너지 절약)

우리의 뇌는 무의식적으로 **"가장 에너지를 아끼는 방법"**을 선택합니다. 마치 무거운 가방을 들고 걷는 사람이 가장 적은 힘으로目的地 (목적지) 에 도달하려고 하는 것과 같습니다.

• 연구의 발견: 컴퓨터 시뮬레이션 결과, 우리 뇌는 모든 관절 (무릎, 발목 등) 의 움직임을 완벽하게 통제하려 하지 않았습니다. 대신, "가방 (몸의 중심, COM) 이 흔들리지 않게" 하는 데 에너지를 집중했습니다.
• 창의적인 비유:
  • 나쁜 전략: 발가락 하나하나, 무릎 하나하나를 모두 완벽하게 고정하려고 노력하면 에너지를 너무 많이 써서 지쳐버립니다.
  • 좋은 전략 (우리의 뇌): "발가락이 조금씩 흔들려도 상관없어. 대신 몸통 (가방) 이 앞뒤로 크게 흔들리지 않게만 하면 돼!"라고 생각합니다.
  • 이 연구는 **"에너지 절약이 바로 우리 걷기 패턴을 만드는 핵심 원리"**임을 증명했습니다.

🛠️ 비유 3: "복잡한 로봇을 조종하는 새로운 방법" (기술적 혁신)

이 논문의 가장 큰 성과는 기술적인 부분입니다.
이전까지의 컴퓨터 시뮬레이션은 걷기를 너무 단순하게 모델링했거나, 오차 (노이즈) 를 고려하지 못했습니다. 오차를 고려하려면 계산량이 너무 많아져서 슈퍼컴퓨터도 힘들어했습니다.

• 새로운 방법: 연구진은 "우연히 흩어진 점들을 모아서 전체 그림을 그리는" (무스카트 변환, Unscented Transform) 새로운 수학적 방법을 개발했습니다.
  • 비유: 복잡한 미로를 한 번에 다 계산하는 대신, 미로 속의 몇몇 핵심 지점 (시그마 포인트) 만 정밀하게 계산해서 전체적인 흐름을 예측하는 방식입니다.
  • 이 덕분에 18 개의 근육과 9 개의 관절이 있는 정교한 인간 모델을 가지고, 오차가 있는 상황에서도 걷기 시뮬레이션을 성공적으로 수행할 수 있었습니다.

---

💡 이 연구가 우리에게 주는 교훈

1. 우리는 완벽하지 않아도 걷는다: 우리 뇌는 센서 오차나 근육의 약점을 완벽하게 보정하려 하지 않습니다. 대신 몸의 중심 (균형) 만은 꼭 지키면서, 나머지는 자연스럽게 흐르게 둡니다. 이것이 가장 에너지 효율이 좋은 방법입니다.
2. 흔들림은 자연스러운 현상: 걷다가 발이 조금씩 흔들리는 것은 병이 아니라, 에너지 아끼기 위해 뇌가 선택한 전략의 결과일 수 있습니다.
3. 미래의 응용: 이 기술은 뇌성마비나 척수 손상처럼 걷기 조절에 문제가 있는 환자들에게 어떤 재활 훈련이 필요한지, 혹은 어떤 보조 기구가 필요한지 설계하는 데 큰 도움을 줄 것입니다.

📝 한 줄 요약

"우리 뇌는 걷는 동안 모든 것을 완벽하게 통제하려 하지 않고, '몸의 중심'만 지키며 에너지를 아끼는 지혜로운 전략을 사용합니다. 이 연구는 그 비밀을 컴퓨터로 밝혀냈습니다."

기술 요약

논문 개요: 보행의 확률적 최적 제어 시뮬레이션

이 연구는 인간 보행의 고유한 변동성 (variability) 이 감각 - 운동 시스템의 불확실성 (노이즈) 과 어떻게 상호작용하는지 이해하기 위해, 불확실성을 고려한 확률적 최적 제어 (Stochastic Optimal Control, SOC) 기반의 보행 시뮬레이션을 수행했습니다. 기존 연구들의 한계를 극복하고, 복잡한 근골격계 역학을 가진 모델에서 감각 및 운동 노이즈가 보행 패턴과 제어 전략에 미치는 영향을 체계적으로 분석했습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 보행의 변동성: 인간 보행은 일정한 속도에서도 보폭마다 변동성이 존재합니다. 이는 감각 - 운동 시스템과 환경의 불확실성에서 기인하며, 근골격계 역학과 이를 완화하기 위한 제어 전략에 의해 형성됩니다.
• 기존 연구의 한계:
  • 실험적으로 감각 - 운동 노이즈와 제어 전략을 직접 측정하는 것은 어렵습니다.
  • 기존 시뮬레이션들은 불확실성을 고려하지 않거나, 근골격계 역학을 과도하게 단순화 (예: 근육 없음, 선형 역학) 하거나, 제어 정책을 단순화 (예: 사전 정의된 피드백) 하는 경향이 있었습니다.
  • 불확실성을 고려한 시뮬레이션은 계산 비용이 매우 높아, 복잡한 근육 - 골격 모델을 사용하는 데 기술적 장벽이 존재했습니다.
• 연구 목표: 감각 및 운동 노이즈의 수준이 보행의 운동학 (kinematics), 근 활동, 그리고 기대 노력 (expected effort) 에 어떻게 영향을 미치는지 규명하기 위해, 상세한 근육 모델을 기반으로 한 새로운 SOC 시뮬레이션 프레임워크를 개발하고 적용하는 것.

2. 방법론 (Methodology)

A. 신경근골격계 모델 (Neuromusculoskeletal Model)

• 모델 구조: OpenSim 의 gait10dof18mus 모델을 기반으로 하되, 요추 (lumbar) 관절을 고정하여 9 자유도 (DOF) 및 18 개의 경직 - 힘줄 (rigid-tendon) Hill-type 근육으로 구성된 2 차원 모델을 사용했습니다.
• 제어 전략:
  • 피드포워드 (Feedforward): 시간 가변적인 근육 흥분 (excitation).
  • 피드백 (Feedback): 시간 가변적인 전체 상태 (full-state) 선형 피드백.
  • 노이즈 모델링:
    • 감각 노이즈: 상태 추정치에 가산성 (additive) 가우스 노이즈를 추가 (Table 1 참조).
    • 운동 노이즈: 근육 흥분에 신호 의존적 (signal-dependent) 승법적 (multiplicative) 가우스 노이즈를 추가.

B. 확률적 최적 제어 알고리즘 (Stochastic Optimal Control Approach)

• 문제 정의: 기대 노력 (기대 근육 활성화 제곱 합) 을 최소화하면서 주기적이고 안정적인 보행 패턴을 생성하는 제어 정책 (피드포워드 및 피드백 게인) 을 탐색.
• 상태 분포 근사: 상태 분포를 가우스 분포로 근사하여 평균과 공분산으로 표현.
• Unscented Transform (UT) 적용:
  • 비선형 역학에서 상태 공분산을 전파할 때 기존의 국소 선형화 (Lyapunov 방정식 등) 대신 Unscented Transform을 사용하여 비선형성을 더 정확하게 처리.
  • 직접 콜로케이션 (Direct Collocation) 과 결합:
    • 기존 UT 기반 방법 (예: Ozaki 등) 은 직접 슈팅 (shooting) 방식을 사용하여 근골격계 모델에 비효율적이었음.
    • 본 연구는 직접 콜로케이션 및 암시적 역학 (implicit dynamics) 과 UT 를 결합한 새로운 접근법을 개발.
    • 각 메쉬 구간에서 시그마 포인트 (sigma points) 를 샘플링하고, 각 포인트에 대해 콜로케이션 방정식을 적용하여 평균과 공분산의 연속성을 보장.
• 최적화 도구: CasADi, IPOPT, MA97 사용. 병렬 컴퓨팅 및 C 코드 컴파일을 통해 계산 효율성 극대화.

C. 실험 데이터 비교

• 18 명의 건강한 성인의 보행 데이터 (1.1 m/s) 와 비교.
• 관절 각도, 근전도 (EMG), 지면 반력 (GRF), 발 바닥 높이 (foot clearance), 체중 중심 (COM) 운동학 등을 분석.
• Uncontrolled Manifold (UCM) 분석: 관절 각도 변동성이 COM 위치 변동성에 미치는 영향을 평가 (UCM 에 평행한 변동성 vs 수직 변동성).

3. 주요 결과 (Results)

• 평균 운동학 (Mean Kinematics):
  • 감각 및 운동 노이즈 수준이 평균 운동학에는 미미한 영향을 미쳤습니다. 결정론적 시뮬레이션과 확률적 시뮬레이션의 평균 궤적은 매우 유사했습니다.
  • 다만, 매우 높은 노이즈 수준에서는 보행 중반 (스윙 단계) 의 고관절/슬관절 굴곡 및 발목 배굴곡이 증가하는 경향을 보였습니다.
• 변동성 (Variability):
  • 노이즈 수준은 운동학 변동성과 근 활동 변동성에 강한 영향을 미쳤습니다.
  • 비단조적 관계: 감각 노이즈가 중간 수준일 때 변동성이 가장 낮았으며, 낮거나 높은 수준에서는 변동성이 증가했습니다. 이는 과도한 피드백 제어가 오히려 불확실성을 증폭시킬 수 있음을 시사합니다.
  • 실험 데이터와 변동성의 구조 (pattern) 는 잘 일치했으나, 크기 (magnitude) 는 시뮬레이션이 실험값보다 과소평가되었습니다 (모델 단순화, 신경 - 근육 지연 부재 등 때문).
• 기대 노력 (Expected Effort):
  • 감각 노이즈 수준이 증가함에 따라 기대 노력은 단조 증가했습니다.
  • 노이즈가 높을수록 안정성을 유지하기 위해 더 많은 근육 활성화가 필요했습니다.
• 제어 전략의 우선순위:
  • 실험 결과와 일치하게, 시뮬레이션된 제어 정책은 개별 관절 각도의 변동성을 줄이는 것보다 체중 중심 (COM) 운동학과 스윙 발 바닥 높이 (swing foot clearance) 의 변동성을 제한하는 것을 우선시했습니다.
  • UCM 분석 결과: 보행 전환기 (step-to-step transition) 에 관절 각도 변동성이 COM 위치에 영향을 주지 않는 방향 (UCM) 으로 주로 정렬되었습니다. 이는 노력 최소화 (effort minimisation) 가 이러한 변동성 구조를 유도한다는 것을 시사합니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

1. 기술적 혁신:
   • 복잡한 근골격계 모델 (18 근육, 9 DOF) 에서 불확실성을 고려한 최적 제어 시뮬레이션을 성공적으로 수행한 최초의 연구 중 하나입니다.
   • Unscented Transform 과 Direct Collocation 을 결합하여 비선형 역학 하에서 상태 공분산을 효율적이고 정확하게 전파하는 새로운 수학적 프레임워크를 제시했습니다.
2. 이론적 통찰:
   • 노력 최소화 원리: 인간 보행에서 관찰되는 변동성의 구조 (COM 은 엄격히 제어되지만 관절은 유연하게 변동) 가 명시적인 COM 제어 목표가 아닌, 노력 (effort) 최소화라는 단일 목적 함수 하에서 자연스럽게 도출됨을 증명했습니다.
   • 노이즈의 영향: 노이즈 수준이 평균 궤적에는 큰 영향을 주지 않지만, 변동성과 에너지 소모에는 결정적인 영향을 미친다는 것을 규명했습니다.
3. 임상 및 연구적 의의:
   • 신경계 질환 (뇌졸중, 파킨슨병 등) 으로 인한 보행 불안정성의 기원을 연구하는 강력한 도구로 활용 가능.
   • 실험적으로 측정하기 어려운 내부 제어 전략 (피드백 게인 등) 을 시뮬레이션을 통해 추론할 수 있는 가능성을 제시.

5. 결론

이 연구는 불확실성을 고려한 고급 시뮬레이션 기법을 통해 인간 보행의 변동성이 단순한 무작위 오류가 아니라, 에너지 효율성과 안정성 사이의 최적 균형에서 비롯된 제어 전략의 결과임을 보여주었습니다. 비록 변동성의 절대적 크기는 모델 단순화로 인해 과소평가되었으나, 변동성의 구조적 특징을 잘 포착하여 향후 신경근육계 모델링 및 보행 제어 연구의 새로운 방향을 제시했습니다.