인간‑로봇 공동조작을 위한 인간 운동 제어 모델 기반 경로 계획

초록

본 논문은 인간의 속도‑정밀도와 비용‑편익 트레이드오프를 수학적 최적화 목표로 삼아, 인간의 운동 제어 모델을 로봇 협동 계획에 직접 통합한다. 인간의 움직임을 두 단계(탄도‑보정)로 분리하고, 이를 연속시간 동역학과 가우시안 잡음 모델에 이산화하여 수치 최적화 문제로 변환한다. 실험에서는 목표 불확실성 및 권한 전환 상황에서 인간‑로봇 공동조작을 수행하며, 제안 모델이 피스 법칙과 인간과 유사한 속도 프로파일을 재현함을 확인하였다.

상세 분석

이 연구는 인간‑로봇 협업에서 로봇이 인간의 의도와 행동을 실시간으로 예측·보조할 수 있도록, 인간 운동 제어 이론을 로봇 경로 계획에 직접 삽입한 최초의 시도 중 하나이다. 핵심은 두 가지 인간‑운동 제어 원리를 수식화한 것이다. 첫 번째는 속도‑정밀도 트레이드오프(Fitts’ law)와 비용‑편익 트레이드오프를 결합한 목적함수 J(τ(t))=∫e^{‑t/γ}R(q,g)−ν‖τ(t)‖²dt 로 정의하고, 여기서 R은 목표 반경 W 안에 도달했는지를 나타내는 확률적 보상으로 변형하였다. 두 번째는 인간이 목표에 도달할 때 보이는 다단계(탄도‑보정) 움직임을 모델링하여, 전 단계와 후 단계에 서로 다른 γ, ν 파라미터를 할당함으로써 초기 고속·저정밀 단계와 최종 저속·고정밀 단계의 전환점을 예측한다. 전환점은 목표 거리와 폭에 따라 가우시안 프로세스 회귀로 학습된 함수로 구현하였다.

동역학 모델은 관절 토크 τ와 관절 위치·속도(q, ˙q)를 연결하는 연속식 M(q)¨q+D(˙q)+G(q)=τ(I+ε) 를 전방 오일러와 선형화 과정을 거쳐 이산 상태 전이식 s_{k+1}=A s_k + B τ_k 로 변환한다. 여기서 ε∼N(0,κ) 는 신경 잡음을 나타내며, 상태 s는 평균 µ와 공분산 Σ를 갖는 가우시안으로 전파된다. 보상 함수 R(x) 를 가우시안 상태에 대한 기대값으로 닫힌 형태로 계산함으로써, 최적화 문제는 연속적인 미분 가능성을 유지한다.

최적화 목표는 J(τ_{0:H})=∑_{i=0}^{H}γ^{‑i}R(µ_i,Σ_i)+ν‖τ_i‖² 를 최소화하는 토크 시퀀스를 찾는 것이며, 이는 표준 비선형 프로그래밍 솔버로 해결 가능하다. 실험에서는 2D 평면 모델과 실제 로봇(프랙투얼 로봇 팔)에서 목표 폭(0.020.05 m)과 거리(0.20.8 arm‑length)를 변동시키며, 모델이 예측한 이동 시간과 속도 프로파일이 피스 법칙과 인간 실험 데이터와 높은 일치도를 보였다. 또한 목표 불확실성이 큰 경우 로봇이 인간의 초기 탄도 움직임을 보조하고, 목표에 가까워질수록 인간이 보정 단계로 전환하도록 권한을 넘겨주는 ‘authority handover’ 시나리오를 구현했다.

이 접근법의 장점은 (1) 대규모 데이터 수집 없이도 인간의 기본 운동 원리를 활용해 일반화 가능한 행동 예측이 가능하고, (2) 목표 불확실성, 인간‑로봇 역할 전환 등 복합적인 협업 상황을 제약조건으로 쉽게 추가할 수 있다는 점이다. 반면, 모델은 선형 가우시안 가정과 단순한 토크‑관절 동역학에 의존하므로, 복잡한 관절·다관절 협동 작업이나 비선형 근육‑골격 상호작용을 완전히 포착하기는 어렵다. 향후 연구에서는 비선형 확장, 실시간 감지 기반 파라미터 업데이트, 그리고 다중 인간 파트너와의 협업에 대한 확장이 기대된다.