기술 요약: 미지의 툴 부착물을 가진 산업용 로봇의 데이터 기반 힘 감지 자가 교정

1. 문제 정의

조립, 원격 제어(teleoperation), 수술 보조와 같이 접촉이 빈번한 작업을 수행하는 산업용 로봇에게 정확한 힘 인지는 매우 중요하다. 그러나 로봇 엔드 이펙터에 장착된 힘/토크(F/T) 센서는 알 수 없거나 교체 가능한 툴이 부착되었을 때 편향된 측정값을 생성할 수 있다. 이러한 편향은 툴의 질량, 무게 중심 및 관성 특성으로부터 발생하는 중력 및 동적 오프셋에서 기인한다.

전통적인 교정 방법은 툴의 질량 분포와 관성에 대한 정밀한 사전 지식을 요구하는 해석적 모델에 의존한다. 이러한 접근 방식은 자주 변경되거나 맞춤 설계된 엔드 이펙터를 사용하는 시스템의 경우, 반복적인 수동 교정과 하드웨어 수정이 필요하기 때문에 비실용적이다. 또한, 기존의 데이터 기반 방법들은 정적 상태에 집중하거나 표준 상용 설정에는 존재하지 않는 임베디드 센서(예: IMU)를 필요로 하는 경우가 많다. 따라서 툴의 물리적 특성에 대한 지식 없이도 준정적(quasi-static) 및 동적 조건 모두에서 힘 센서를 자가 교정할 수 있는 소프트웨어 기반의 데이터 기반 프레임워크가 필요하다.

2. 방법론

본 연구는 ATI Gamma 6축 힘/토크 센서가 장착된 KUKA KR 600 산업용 로봇에 구현된 2단계 데이터 기반 자가 교정 프레임워크를 제안한다. 이 프레임워크는 툴의 질량, 무게 중심 또는 관성에 대한 사전 지식 없이 작동한다.

2.1 실험 설정

데이터는 수술용 포셉(forceps)과 구동 메커니즘이 포함된 커스텀 제작 툴 홀더가 로봇 엔드 이펙터에 부착된 상태로 수집되었다. 이 설정을 통해 로봇 운동학 데이터(관절 인코더, 엔드 이펙터 위치, 방향 및 가속도)와 함께 로우(raw) F/T 센서 판독값을 수집할 수 있었다.

2.2 준정적 교정 (Quasi-Static Calibration)

중력 유도 오프셋을 해결하기 위해 다음과 같은 준정적 교정 전략이 개발되었다:

• 데이터 수집: 가속도 효과를 제거하기 위해 로봇을 다양한 방향으로 배치하고 정지 상태로 유지하였다.
• 특징 선택 (Feature Selection): 두 가지 입력 모델을 비교하였다: 하나는 관절 각도에 기반한 모델이고, 다른 하나는 엔드 이펙터 방향(roll, pitch, yaw)에 기반한 모델이다. 방향 기반 모델이 더 우수한 결과를 나타냈다.
• 모델: 정적 중력 오프셋($\hat{w}_{qs}$)을 추정하기 위해 방향 벡터를 입력으로 사용하는 3차 다항 회귀 모델을 학습시켰다.
• 프로세스: 추정된 정적 오프셋을 로우 센서 판독값에서 차감하여 잔여 동적 성분을 분리한다.

2.3 동적 교정 (Dynamic Calibration)

운동 유도 관성력을 보상하기 위해 동적 교정 프레임로가 개발되었다:

• 데이터 수집: 다양한 위치, 방향 및 속도를 포함하는 무작위 로봇 움직임 동안 80,000개 이상의 운동 샘플이 수집되었다.
• 특징 선택: 9차원 입력 벡터($x_d$)를 구성하였으며, 이는 엔드 이펙터 위치($x, y, z$), 방향($\phi, \theta, \psi$), 그리고 데카르트 선가속도($a_x, a_y, a_z$)로 이루어진다. 관절 공간 변수(각속도/각가속도)도 테스트되었으나, 데카르트 특징에 비해 힘 데이터와의 상관관계가 약한 것으로 나타났다.
• 모델링 접근 방식:
  1. 다항 회귀 (Polynomial Regression): 정확도와 복잡성 사이의 최적의 절충안으로 2차 다항 모델이 선택되었다. 더 높은 차수(3차 및 4차)는 과적합(overfitting) 현상을 보였다.
  2. 다층 퍼셉트론 (MLP): 세 개의 은닉층(64, 128, 64 뉴런), ReLU 활성화 함수, 배치 정규화(batch normalization), 드롭아웃(0.2)을 갖춘 피드포워드 신경망이 복잡한 비선형성을 포착하기 위해 학습되었다.
• 프로세스: 동적 모델은 준정적으로 교정된 데이터로부터 잔여 동적 오프셋($\hat{w}_{dyn}$)을 추정한다. 최종 보정된 렌치($w_{comp}$)는 로우 판독값에서 정적 및 동적 추정치를 모두 차감하여 계산된다.

3. 주요 기여

1. 툴 불가지론적(Tool-Agnostic) 준정적 교정: 엔드 이펙터의 방향만을 사용하여 툴의 질량이나 무게 중심 파라미터 없이 중력 유도 오프셋을 보상하는 데이터 기반 전략을 제공한다.
2. 동적 보상 프레임워크: 실제 작동 조건에서 해석 가능한 다항 회귀와 딥러닝(MLP)을 모두 사용하여 운동 유도 힘 교란을 모델링하는 포괄적인 접근 방식을 제공한다.
3. 물리적 검증: 제안된 방법은 표준 상용 F/T 센서를 갖춘 물리적 산업용 로봇(KUKA KR 600)에서 입증되었으며, 교체 가능한 툴과 최소한의 수동 개입이 필요한 환경으로의 확장성을 보여준다.

4. 결과

모델의 성능은 테스트 세트 및 독립적인 벤치마크 데이터셋에 대해 평균 제곱 오차(MSE), 평균 절대 오차(MAE), 루트 평균 제곱 오차(RMSE)를 사용하여 평가되었다.

4.1 준정적 성능

• 모델: 3차 다항 회귀.
• 지표: 테스트 세트 MSE 0.005 및 벤치마크 RMSE 0.036 N을 달성하였다.
• 정확도: 최대 절대 오차는 X축 0.13 N, Y축 0.06 N, Z축 0.11 N이었으며, 이는 전체 스케일 출력(FSO)의 0.03% 미만에 해당한다.

4.2 동적 성능

• 다항 회귀 (2차):
  • 벤치마크 RMSE: 0.0458 N.
  • 최대 총 힘 크기 오차: 0.54 N (0.108% FSO).
• MLP 모델:
  • 테스트 세트 RMSE: 0.041 N; 벤치마크 RMSE: 0.049 N.
  • 최대 총 힘 크기 오차: 0.53 N (0.106% FSO).
• 비교: MLP 모델은 다항 모델에 비해 고도로 동적이고 비선형적인 동작을 포착하는 데 있어 우수한 능력을 보여주었으나, 두 모델 모두 ATI Gamma 센서의 실용적인 정확도 한계 내에서 작동하였다.

4.3 상관관계 분석

상관관계 분석 결과, 개별 가속도 성분과 힘 판독값 사이의 단순 쌍별 선형 관계는 약한 것으로 나타났다. 이는 동적 힘 오프셋이 다변수이며 비선형적임을 확인해주며, 단순 선형 회귀보다는 9차원 입력 벡터와 복잡한 모델(MLP)을 사용하는 것이 타당함을 입증한다.

5. 의의 및 주장

본 논문은 제안된 프레임워크가 미지 또는 변경되는 툴 부착물을 사용하는 로봇의 힘 인지 신뢰성을 크게 향상시킨다고 주장한다. 주요 의의는 다음과 같다:

• 수동 모델링의 제거: 이 방법은 툴의 특성(질량, 관성)에 대한 사전 지식이나 하드웨어 수정(예: IMU 추가) 없이도 정확한 힘 보상을 가능하게 한다.
• 동적 조건에서의 강건성: 툴로 인한 교란을 실제 상호작용 힘으로부터 분리함으로써, 시스템은 동적 환경에서 더 신뢰할 수 있는 접촉 감지 및 제어를 지원한다.
• 실용적 적용 가능성: 결과는 제안된 방법이 센서의 노이즈 플로어(noise floor)에 가깝게 작동함을 나타내며, 이는 정확한 힘 피드백이 안전과 작업 수행에 필수적인 자율, 햅틱 및 원격 제어 로봇 시스템에 통합되기에 적합함을 의미한다.
• 확장성: 데이터 기반 접근 방식 덕분에 이 방법은 물리적 모델을 다시 도출할 필요 없이 다양한 툴 구성 및 운동 프로파일로 확장될 수 있다.

저자들은 교정 성능은 강력하지만, 본 연구가 센싱 레벨에서 평가되었음을 언급하였다. 향ate 작업으로 접촉이 빈번한 조작 작업에 대한 직접적인 영향을 평가하기 위해, 교정된 추정치를 폐루프 제어 실험에 통합하는 후속 연구를 제안하였다.