⚡ electrical engineering

Toward generic control for soft robotic systems

이 논문은 정밀한 동작 생성에서 행동의 경계를 규제하는 방식으로 전환함으로써, 특정 모델에 의존하지 않고도 다양한 시스템 전반에 걸쳐 강건하고 전이 가능한 운동 지능을 가능하게 하는 소프트 로보틱스를 위한 새로운 제어 프레임워크를 제안한다.

원저자: Yu Sun, Yaosheng Deng, Wenjie Mei, Xiaogang Xiong, Yang Bai, Qiyi Wang, Masaki Ogura, Zeyu Zhou, Mir Feroskhan, Michael Yu Wang, Qiyang Zuo, Yao Li, Yunjiang Lou

게시일 2026-09-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yu Sun, Yaosheng Deng, Wenjie Mei, Xiaogang Xiong, Yang Bai, Qiyi Wang, Masaki Ogura, Zeyu Zhou, Mir Feroskhan, Michael Yu Wang, Qiyang Zuo, Yao Li, Yunjiang Lou

원본 논문은 CC BY 4.0 (https://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

수십 년 동안 기계를 움직이게 만드는 표준적인 방식은 단순하고 경직된 아이디어에 의존해 왔습니다. 즉, 로봇을 제어하려면 먼저 그 로봇이 어떻게 작동하는지 정확히 알아야 한다는 것입니다. 엔지니어들은 기계의 신체에 대한 정밀한 수학적 지도를 구축하여 모든 관절, 무게, 힘을 계산한 다음, 기계가 특정 경로를 따르도록 정확한 명령을 내리는 컴퓨터 프로그램을 작성합니다. 이 접근 방식은 부품이 예측 가능하게 움직이고 휘어지지 않는 금속과 기어로 만들어진 강성 로봇에는 매우 효과적입니다. 하지만 유연한 재료인 실리콘이나 고무로 만들어져 복잡하게 뒤틀리고 늘어나며 찌그러지는 소프트 로봇에 적용될 때는 한계에 부착합니다. 소프트 바디는 끊임없이 형태가 변하고 예측할 수 없는 방식으로 세상과 상호작용하기 때문에, 그 움직임을 완벽한 지도로 그려내는 것은 거의 불가능합니다. 엔지니어들이 기존의 정밀한 제어 방식을 이러한 유연한 기계에 강제로 적용하려 할 때, 로봇은 종종 실패하며 취약해지고 새로운 상황에 적응하지 못하게 됩니다.

이러한 어려움은 연구자들에게 근본적인 질문을 던지게 했습니다. 제어의 목표가 기계에게 정확히 무엇을 할지 말해주는 것인가, 아니면 기계가 움직이는 방법을 스스로 찾아내는 동안 안전하게 보호하는 것인가 하는 점입니다. 한 새로운 연구는 소프트 로봇의 경우, 답이 두 번째 접근 방식에 있다고 제안합니다. 모든 미세한 움직임을 미리 계산하려고 노력하는 대신, 시스템에 광범위한 의도를 부여하고 위험한 행동을 하지 않도록 보호하는 것이 핵심이라고 제안합니다. 구체적인 단계를 규정하기보다 안전한 행동의 경계를 정의하는 데 집중함으로써, 로봇은 자신의 유연성을 활용하여 경직된 컴퓨터 프로그램이 결코 계산할 수 없는 해결책을 찾으며 환경과 자연스럽게 상호작용할 수 있습니다.

하얼빈 공업대학교와 난양 공과대학교를 포함한 기관의 연구진은 각기 다른 유형의 소프트 로봇에 맞춤형 설계 없이도 작동할 수 있도록 설계된 새로운 제어 프레임워크를 개발했습니다. 이 시스템은 인간이 근육의 힘을 의식적으로 계산하지 않고 움직이는 방식을 모방하여 세 개의 층이 함께 작동하도록 구축되었습니다. 첫째, 학습 모듈은 로보트를 관찰하고 로봇의 움직임에 대한 대략적이고 적응 가능한 그림을 구축합니다. 이는 아이가 물리 방정식을 풀기보다는 균형을 느끼며 걷는 법을 배우는 것과 유사합니다. 둘째, 계획 모듈은 어떤 움직임이 유망해 보이는지 확인하기 위해 많은 가능한 짧은 움직임들을 빠르게 테스트합니다. 마지막으로, 안전 필터는 반사 신경처럼 작용하여 충돌이나 낙사로 이어질 수 있는 모든 움직임을 즉각적으로 차단하는 동시에, 안전할 때는 로봇이 자유롭게 움직일 수 있도록 허용합니다. 이러한 구조를 통해 로봇은 자신의 몸에 대한 완벽한 모델 없이도 빠르고 적응력 있는 결정을 내릴 수 있습니다.

이 아이디어가 효과적임을 증[]명하기 위해 연구팀은 독특한 형태와 움직임 방식을 가진 완전히 다른 세 가지 기계에 이 컨트롤러를 테스트했습니다. 첫 번째는 케이블이 당겨질 때 휘어지는 유연한 튜브로 만들어진 소프트 로봇 팔이었습니다. 두 번째는 물속에서 헤엄치기 위해 꼬리를 흔드는 소프트 로봇 물고기였습니다. 세 번째는 작은 전자 배낭을 메고 움직임을 조절하는 전기 신호를 보내는 살아있는 사이보그 바퀴벌레였습니다. 플라스틱 팔, 헤엄치는 물고기, 살아있는 곤충이라는 거대한 차이에도 불구하고, 동일한 제어 소프트웨어가 이 세 가지를 모두 성공적으로 안내했습니다. 소프트 팔은 장애물을 치지 않고 사각형 경로를 따라 움직였고, 물고기는 수조 안에서 장애물을 피해 숫자 '8'자 패턴으로 헤엄쳤으며, 바퀴벌레는 필요한 경우에만 방향을 틀어 안전한 통로 내에서 직선으로 걸었습니다.

실험 결과, 이 방법은 다재다능할 뿐만 아니라 시간이 흐름에 따라 발생하는 불가피한 변화에도 견고하다는 것이 밝혀졌습니다. 장기 테스트에서 소프트 팔은 동일한 움직임을 3,000번 이상 반복하도록 요청받았습니다. 재료가 피로해지고 로봇의 행동이 약간씩 변함에 따라 전통적인 컨트롤러라면 실패하여 팔을 충돌시켰을 것입니다. 그러나 새로운 시스템은 이러한 변화를 감지하고 실시간으로 안전 경계를 조정하여, 재프로그래밍 없이도 팔이 경로를 유지하도록 했습니다. 또한 시스템은 물리적 한계를 효과적으로 처리했습니다. 로봇 물고기가 좁은 공간에서 급격한 회전을 해야 할 때, 컨트롤러는 모터가 너무 과하게 작동하지 않도록 하여 손상을 방지하면서도 기동을 완료했습니다. 더욱이, 시스템은 실시간으로 움직이는 목표물을 따라갈 수 있을 만큼 빠르게 작동하여 역동적인 환경에서도 대응할 수 있음을 입증했습니다.

이 연구의 핵심 발견은 컨트롤러가 작동하기 위해 로봇의 정확한 물리학을 알 필요가 없다는 것입니다. 이 시스템은 로봇의 행동에 대한 '거친(coarse)' 이해에 의존하며, 이는 안전한 움직임을 생성하기에 충분합니다. 연구진이 이 방식과 바퀴벌레가 경로를 유지하도록 지속적으로 전기 신호를 가하는 전략을 비교했을 때, 그들의 접근 방식이 훨씬 우수하다는 것을 발견했습니다. 지속적인 자극은 곤충의 반응성을 떨어뜨려 시간이 지날수록 경로에서 더 크게 벗어나게 만들었습니다. 반면, 새로운 시스템은 바퀴벌로가 안전 구역을 벗어나려 할 때만 개입했기에, 더 적은 신호로 훨씬 더 곧은 경로를 만들어냈습니다. 이는 로봇의 자연스러운 움직임 능력을 신뢰하고 위험을 방지하기 위해서만 개입함으로써, 더 적은 노력으로 더 나은 결과를 얻을 수 있음을 보여줍니다.

이 연구는 기계 지능을 생각하는 방식의 변화를 시사합니다. 소프트 로봇에게 있어 정밀도는 가장 중요한 요소가 아닙니다. 대신, 안전한 행동의 경계를 조절하는 능력이 더 유연하고 탄력적인 제어를 가능하게 합니다. 로봇에게 정확한 지시를 내려야 한다는 생각에서 벗어남으로써, 이 프레임워크는 새로운 형태, 새로운 환경, 새로운 작업에 완전히 다시 설계할 필요 없이 적응할 수 있는 기계의 문을 열어줍니다. 결과는 단일한 범용 제어 전략이 소프트 로보틱스의 복잡성을 다룰 수 있음을 보여주며, 우리가 흔히 모방하는 살아있는 생명체만큼이나 적응력이 뛰어나고 안전한 기계로 나아가는 길을 제시합니다.

기술 요약: 소프트 로봇 시스템을 위한 범용 제어를 향하여

문제 정의
전통적인 로보틱스는 정밀한 동작의 생성이 정확한 시스템 모델로부터 도출된 정교한 동작의 실행과 동일하다고 간주한다. 이는 잘 정의된 역학을 가진 강체 로봇에게는 성공적이지만, 소프트 로봇 시스템에는 적용되지 않는 패러다임이다. 소프트 로봇은 그들의 유연한 구조와 환경과의 지속적인 물리적 상호작용으로 인해 고차원적이고, 시간 가변적이며, 강력한 비선형 역학을 나타낸다. 결과적으로 정확한 모델링은 실질적으로 불가능한 경우가 많으며, 모델 기반 제어기는 취약하고, 오차에 민감하며, 서로 다른 형태나 작업 전반에 걸쳐 일반화될 수 없다. 저자들은 근본적인 문제가 문제 공식화의 불일치에 있다고 주장한다. 즉, 소프트 시스템에서 상세한 저수준 동작 명령을 규정하려는 시도는 현실적이지도 않고 필요하지도 않다는 것이다. 대신, 제어는 특정 궤적을 생성하는 것이 아니라 행동 가능성의 경계를 조절하는 데 집중해야 한다.

방법론
본 논문은 제어 패러다임을 "동작 생성"에서 "행동 조절"로 전환하는 범용 제어 프레임워크를 제안한다. 신경계가 거친 의도를 생성하고 주로 안전하지 않은 행동을 억제하기 위해 개입하는 인간의 운동 제어에서 영감을 얻은 이 프레임워크는, 시스템 특유의 모델이나 상세한 제어 구조에 의존하지 않고 작동한다. 이는 다음과 같은 세 가지 협력 계층으로 구성된다:

학습 기반 모델 (Neural ODE):
- 분석적인 물리학을 도출하는 대신, 시스템은 Neural Ordinary Differential Equation (Neural ODE)를 사용하여 데이터로부터 로봇-환경 상호작용에 대한 거칠고 물리적으로 일관된 표현을 학습한다.
- 이 모델은 동작의 잠재적 결과를 예측하고, 훈련 분포 너머의 동적 영역을 탐색하여 정확한 데이터 샘플보다는 기저의 물리적 규칙성을 포착한다.
- 이는 최종 제어 명령이 아닌, 고수준의 움직임 경향(예: "팔을 앞으로 뻗기")을 나타내는 "대리 동작(surrogate action)"을 제공한다.
샘플링 기반 플래너 (SBMPC):
- 이 모듈은 인간의 경로 계획과 유사하게 단계별 의사결정을 수행한다. 중요도 샘플링(importance sampling)을 통해 대규모의 후보 동작 시퀀스를 생성한다.
- 이 시퀀스들은 Neural ODE를 통해 전파되어 결과를 예측한다.
- 궤적은 비용 함수(추적 오차 및 안전성)를 기준으로 평가되고 지수적으로 가중치가 부여된다. 최적의 시퀀스가 선택되지만, 첫 번째 동작만 실행된 후 사이클이 반복되어 환경 변화에 빠르게 적응할 수 있도록 한다.
적응형 안전 필터 (CBF):
- 거친 모델의 불확실성과 환경적 변화를 해결하기 위해, 적응형 제어 장벽 함수(Adaptive Control Barrier Function, CBF)가 반사 신경과 같은 안전 필터 역할을 한다.
- 이는 증명 가능한 안전 영역을 정의한다. 플래너의 최적 예측( $f_{optimal}$ )이 이 영역 내에 있으면 통과시킨다. 만약 안전 경계에 접근하거나 경계를 넘어서면, 필터가 즉각적으로 개입한다.
- 필터는 후보 세트에서 가장 가까운 안전한 예측( $f_{safe}$ )을 선택하며, 시스템이 허용된 집합 내에 머물도록 보장함으로써 정밀한 동적 모델 없이도 안전하지 않은 경향을 효과적으로 수정한다.
상호 매핑 (Reciprocal Mapping):
- "대리 동작" 수준(플래닝과 안전이 발생하는 지점)과 실행 가능한 제어 입력 수준 사이의 간극을 메우는 핵심적인 구조적 구성 요소이다.
- Neural ODE는 블랙박스이고 전통적인 CBF는 명시적인 역학을 필요로 하기 때문에, 이 모듈은 샘플링된 후보 제어 입력( $u$ )과 그에 대응하는 예측 동작( $f$ ) 사이의 양방향 매핑을 구축한다.
- 안전한 동작 $f_{safe}$ 가 선택되면, 매핑은 해당 동작을 생성한 특정 제어 입력 $u_{safe}$ 를 검색하여 학습된 역학과 실행된 명령 사이의 일관성을 보장한다.

주요 기여

패러다임 전환: 본 논문은 정밀 중심의 제어(정확한 동작 생성)에서 실행 가능성 중심의 제어(행동 경계 조절)로의 전환을 제안하며, 복잡한 소프트 시스템에서의 지능은 상세한 내용을 규정하는 것이 아니라 안전하지 않은 행동을 제한하는 데서 발생한다고 주장한다.
모델 불가지론적 프레임워크: 이 프레임워크는 시스템 특유의 모델링이나 제어 튜닝 없이도 다양한 소프트 로봇 플랫폼(텐던 구동 암, 소프트 물고기, 사이보그 곤충)에 걸쳐 일반화를 달 수 있다.
학습과 안전의 통합: 데이터 기반의 거친 입도 모델과 형식적 안전 보장(적응형 CBF를 통해)을 성공적으로 결합하여, 블랙박스 모델과 전통적인 안전 필수 제어 간의 불합치 문제를 극복했다.
상호 매핑 메커니즘: 상호 매핑 블록의 도입은 학습, 계획, 안전 모듈이 공유된 중간 표현을 통해 조정될 수 있도록 하여, 고수준의 경향성을 저수준 명령으로 번역할 수 있게 한다.

실험 결과
이 프레임워크는 다양한 형태, 구동 방식, 환경을 가진 세 가지 서로 다른 플랫폼에서 검증되었다:

텐던 구동 소프트 암 (Tendon-driven Soft Arm): 평면 작업 공간에서 사각형 궤적을 성공적으로 추적하고 고정된 장애물을 회피했다. 시스템은 10회의 시험 전반에 걸쳐 최소 추적 안전 함수(TSF) 값 0.70을 유지하며 고도의 유연성을 가진 시스템에서의 견고성을 입증했다.
소프트 바디 로봇 물고기 (Soft-bodied Robotic Fish): 제한된 수중 환경에서 자율적인 장애물 회피를 수행하며 두 개의 구형 장애물을 우회했다. 물고기는 각 장애물에 대해 각각 0.33m와 0.16m의 안전 거리를 유지하며, 최소한의 입력 변조로 안정적인 방향 제어를 달 수 있었다.
사이보그 바퀴벌레 (Cyborg Cockroach): 살아있는 마다가스카르 휘파람 바퀴벌레를 좁은 안전 통로( $\pm 0.05$ m)를 따라 직선 경로로 유도했다. 제어기는 필요할 때만 개입하여 연속 자극 전략에 비해 적은 자극 횟수로 높은 안전 비율을 유지함으로써 생물학적 개체의 순응 위험을 줄였다.

견고성 및 적응성:

장기 성능: 3000 사이클 실험에서, 프레임워크는 적응형 CBF를 사용하여 실시간으로 안전 제약 조건을 업데이트함으로써 모델 저하(재료 피로로 인한)를 보상하였고, 비적응형 제어기가 실패한 지점에서도 성능을 유지했다.
물리적 제약: 로봇 물고기가 엄격한 입력 제한 하에서도 타이트한 회전을 성공적으로 수행하도록 했으며, 적분 윈드업(integral windup)이나 포화 문제를 겪은 PID 제어기보다 뛰어난 성능을 보였다.
실시간 제어: 샘플링 기반 아키텍처는 병렬화 가능한 궤적 샘플링을 통해 솔루션 공간을 효율적으로 탐색함으로써, 전통적인 MPC의 계산 병목 현상을 피하고 움직이는 목표물(최대 0.32 m/s)을 실시간으로 추적할 수 있게 했다.

의의 및 주장
저자들은 본 연구가 소프트 로보틱스의 근본적인 격차, 즉 형태 특화적 설계를 넘어 일반화할 수 있는 통일된 제어 원리의 부재를 해결한다고 주장한다. 제어 로직을 특정 구동 레이아웃으로부터 분리하고 고수준의 행동 경향에 집중함으로써, 이 프레임워크는 이질적인 시스템 전반에 걸쳐 일관된 성능을 낼 수 있는 원리적인 설명을 제공한다.

본 논문은 소프트 로봇이 각 개별 시스템을 위한 고도로 맞춤화된 제어 설계가 필요하지 않다고 단언한다. 대신, 내재된 유연성을 명시적으로 활용하고 행동 경계를 조절함으로써 더 강력한 일반화 능력을 갖춘 제어 전략을 얻을 수 있다. 이러한 관점은 이 분야를 시스템 특화된 공학적 솔루션에서 보다 통일되고 전이 가능한 소프트 로보틱스 과학으로 발전시키는 것을 목표로 한다. 저자들은 본 프레임워크를 주요 클래스의 소프트 로봇들에 대해 검증했으나, 가능한 모든 형태에 대한 철저한 평가는 향후 과제로 남겨두고 있다.

기술 요약: 소프트 로봇 시스템을 위한 범용 제어를 향하여

유사한 논문