예측 기반 촉각 피드백으로 인공 팔 제어 향상

초록

본 연구는 실시간 TD(Temporal‑Difference) 학습을 이용해 로봇 팔의 서보 전류 부하를 예측하고, 그 예측값을 진동 피드백으로 사용자에게 전달한다. 5명의 정상 피험자를 대상으로 무피드백, 반응형 피드백, 예측형 피드백 세 조건을 비교한 결과, 예측형 피드백이 충돌 부하를 현저히 감소시켜 제어 정확도와 작업 효율을 향상시켰다.

상세 분석

이 논문은 기존 의수·보조기구가 겪는 ‘피드백 부족’과 ‘제어 채널 제한’이라는 두 가지 근본적인 문제를 동시에 해결하고자 한다. 저자는 4자유도 로봇 팔(XRM)을 착용형 플랫폼으로 사용하고, 관절별 서보 모터가 제공하는 전류 부하(Load) 신호를 실시간으로 수집한다. 부하 신호는 충돌 강도를 직접적으로 나타내는 지표이며, 이를 기반으로 TD 학습을 적용해 미래 부하를 0.6 초(≈12 스텝) 앞서 예측한다.

학습 구조는 32개의 각도 구간을 3가지 움직임 상태(시계, 반시계, 정지)와 결합해 96차원의 이진 특성 벡터(x)를 만든 뒤, 가중치 벡터(w)를 TD(γ=0.92, α=0.1)로 업데이트한다. 예측값 wᵀx가 사전 정의된 임계값(900)을 초과하면 어깨 부위 진동 모터가 작동해 사용자가 곧 충돌을 맞이함을 사전 경고한다.

실험은 네 단계로 구성되었다. ① 훈련 단계에서 피험자는 로봇 팔을 좌우로 움직이며 부하 데이터를 제공하고, 시스템은 이때만 가중치를 학습한다. ② 무피드백 단계에서는 시각·청각·촉각 정보를 차단하고, 피험자는 충돌 없이 벽에 접근하려 시도한다. ③ 반응형 피드백 단계에서는 부하가 420을 초과할 때 즉시 진동이 발생해 충돌 순간을 알려준다. ④ 예측형 피드백 단계에서는 학습된 예측값이 900을 초과할 때 진동이 발생한다.

결과는 세 가지 주요 지표에서 차이를 보였다. 첫째, 총합 부하(Load)의 평균값이 예측형 피드백에서 가장 낮았으며, 통계적으로 유의미한 차이가 있었다( p < 0.05). 둘째, 피드백이 없을 경우 피험자는 한쪽 벽으로 편향되는 ‘제어 드리프트’를 보였지만, 예측형 피드백에서는 중앙 영역에 머무르는 시간이 늘어나며 양쪽 벽에 균등하게 접근했다. 셋째, 각도 구간별 방문 빈도와 부하 분포를 분석한 결과, 예측형 피드백 사용 시 외곽 구간(11‑20번)의 방문이 현저히 감소하고, 중간 구간(13‑17번)에서 머무는 비중이 증가했다. 이는 사용자가 충돌 위험을 사전에 회피하고 보다 부드러운 움직임을 유지함을 의미한다.

이 연구는 ‘예측 기반 피드백’이 단순 반응형 피드백보다 사용자의 전신 모델(전방 예측)과 더 잘 맞물려 제어 효율을 높인다는 중요한 증거를 제공한다. 또한, 실시간 TD 학습이 비교적 적은 계산량으로도 개인화된 예측을 생성할 수 있음을 보여주어, 향후 실제 의수에 적용 가능한 경량 알고리즘으로서의 가능성을 시사한다. 다만, 현재는 정상 피험자를 대상으로 한 제한된 실험이며, 장기 사용 시 학습 지속성, 피드백 피로도, 그리고 실제 절단된 신체와의 통합 문제 등 추가 연구가 필요하다.