휘어지는 도구로 표면을 문질러 시료를 채취하는 로봇에서, 도구 끝에 센서를 달지 않고도 접촉력을 추정하는 학습 기반 방법이 제안됐다. 연구진은 도구가 표면에 눌리는 순간의 팁 접촉력을 정확히 아는 것이 일관된 채취 성능의 핵심이라고 짚었다. 관련 논문은 동료심사를 거치기 전 arXiv에 공개된 사전공개본으로, 저자는 시아바시 마무디 등이다.
문제는 도구가 물러서 잘 휜다는 점이다. 이런 변형성 도구는 눌릴 때 비선형적인 점탄성 이력 현상을 보여, 손목 부위에 달린 힘 센서가 읽는 값과 실제 팁에서 발생하는 접촉력 사이의 관계가 어긋난다. 그렇다고 도구 끝에 센서를 심는 방법은 위생과 일회용이라는 제약 때문에 현장 배치에 적합하지 않다고 연구진은 설명했다. 결국 도구 바깥에서 얻을 수 있는 정보만으로 팁의 힘을 역으로 추정해야 하는 셈이다.
연구진이 택한 방식은 로봇 자체의 고유수용 감각, 즉 관절 위치나 속도 같은 내부 상태 정보를 활용하는 데이터 기반 틀이다. 명시적인 물리 모델을 세우거나 팁에 영구 센서를 박지 않고도 접촉력을 추정하는 것이 목표다. 여러 시계열 모델을 비교한 결과, 크기가 작은 LSTM 구조가 추정 오차가 가장 낮으면서 밀리초 미만의 추론 지연을 달성했다고 밝혔다.
새로운 환경에 대한 일반화를 높이기 위해 연구진은 매개변수 격리형 소량 적응 기법을 도입했다. 이미 학습이 끝나 고정된 순환 신경망 골격에, 저차원 맥락 임베딩을 특징별 선형 변조(FiLM) 방식으로 덧붙이는 구조다. 이렇게 하면 여러 환경이 공유하는 변형 이력 동역학과 특정 환경에만 해당하는 조건을 분리할 수 있다. UR5e 로봇 팔로 아홉 가지 도구-표면 상호작용 조건에서 실험한 결과, 사전 학습에 없던 조건에서의 오차를 최대 63퍼센트까지 줄이면서도 기존 성능을 잃거나 이전 학습을 망각하는 현상 없이 견고함을 유지했다고 연구진은 전했다. 원문 초록 보기
