인핸드 매니퓰레이션을 위한 접촉 기반 궤적 최적화와 힘 제어 프레임워크

초록

본 논문은 소형 마그네틱 촉각 센서(MTS)를 장착한 Shadow 로봇 손을 이용해 물체를 굴리는 인핸드 매니퓰레이션을 구현한다. 비선형 프로그래밍(NLP) 기반 궤적 최적화를 통해 손가락의 접촉점이 손가락 표면을 따라 연속적으로 이동하도록 설계하고, 최적 궤적을 기반으로 오픈‑루프 롤링 제어를 구현한다. 이후 촉각 센서 기반 상태 추정과 손가락 힘 제어를 추가해 접촉력과 손가락의 텐던 컴플라이언스를 보상한다. 실험 결과, 힘 제어를 적용한 경우 롤링 성공률이 오픈‑루프 대비 30 % 향상되었으며, 자세 추정 오차도 크게 감소하였다.

상세 분석

이 연구는 인핸드 매니퓰레이션에서 가장 기본적인 프리미티브인 두 손가락 사이의 롤링 동작을 고차원 로봇 손에 적용하기 위해 세 가지 핵심 기술을 결합한다. 첫 번째는 접촉점이 손가락 표면을 따라 연속적으로 이동하도록 하는 비선형 궤적 최적화이다. 기존 연구들은 주로 고정된 접촉점이나 점 접촉을 가정했지만, 저자는 가상 프리즘 조인트를 도입해 접촉점 B가 손가락 길이를 따라 슬라이드하도록 제약(식 4)을 추가함으로써 실제 손가락 곡률을 반영한다. 이는 롤링 중 물체가 손가락 표면을 따라 자연스럽게 이동하도록 보장한다.

두 번째는 마그네틱 촉각 센서(MTS)를 활용한 실시간 상태 추정이다. MTS는 압력 변화를 전자기 신호로 변환하므로 이미지 기반 처리와 달리 복잡한 비전 파이프라인이 필요 없다. 저자는 센서 출력의 크기와 위치 정보를 가중 평균 방식(식 9)으로 결합해 접촉점 좌표를 추정하고, 이를 물체 중심 및 회전각 추정에 활용한다. 노이즈가 존재함에도 불구하고, 다수의 센서를 이용한 근접 이웃 평균은 추정 정확도를 크게 향상시킨다.

세 번째는 손가락 힘 제어와 텐던 컴플라이언스 보상이다. Shadow Hand은 텐던 구동 구조로 인해 관절 간 결합이 존재하고, 외부 힘에 의해 비선형 변형이 발생한다. 저자는 각 손가락에 대해 Jacobian 기반 속도 제어와 PID 기반 위치·속도 피드백을 결합한 계층형 제어기를 설계하고, 힘 제어 루프를 추가해 접촉력 오류를 최소화한다. 또한, 텐던 강성을 실험적으로 추정해 제한된 관절 변위(ε) 내에서 목표 관절 속도를 최적화하는 선형 최소제곱 문제(식 14)를 해결한다.

실험에서는 동일한 롤링 과제를 오픈‑루프, 오픈‑루프+힘 제어, 그리고 전체 프레임워크(힘 제어+상태 추정) 세 가지 설정으로 비교하였다. 결과는 힘 제어를 적용했을 때 물체 회전 오차가 평균 0.8 rad에서 0.3 rad으로 감소하고, 성공률이 70 %에서 100 %에 가까워지는 등 눈에 띄는 개선을 보여준다. 특히, 컴플라이언스 보상 없이 순수 PID 제어만 사용할 경우 관절 과도 진동과 접촉력 급변으로 인해 물체가 미끄러지는 현상이 빈번히 발생한다.

이 논문의 주요 기여는 (1) 접촉점 연속 이동을 고려한 비선형 궤적 최적화 모델, (2) 소형 MTS 기반 실시간 접촉점·물체 자세 추정 알고리즘, (3) 텐던 컴플라이언스를 포함한 힘 제어 설계이며, 이를 통해 소형 인간형 로봇 손에서도 인간 수준의 정밀 인핸드 매니퓰레이션이 가능함을 실증하였다. 향후 연구에서는 3‑D 물체와 다중 손가락(세 손가락 이상) 상황으로 확장하고, 학습 기반 모델과 결합해 비정형 접촉 환경에서도 강인한 제어를 구현하는 방향이 기대된다.