데이터로 찾은 해석 가능한 로봇의 움직임 법칙

초록

이 연구는 로봇 팔의 정확한 동작을 예측하는 새로운 방법을 제시합니다. 기존의 물리 법칙 기반 모델에 데이터에서 학습한 ‘보정 항’을 추가하는 하이브리드 방식을 사용하며, 심볼릭 회귀 분석을 통해 이 보정 항을 사람이 이해할 수 있는 간결한 수학 공식으로 찾아냅니다. 시뮬레이션과 실제 로봇 실험에서 이 방법은 복잡한 신경망보다 더 정확하고, 새로운 동작에 대한 예측력도 뛰어나며, 로봇의 물리적 특성을 설명하는 통찰을 제공했습니다.

상세 분석

이 논문의 기술적 핵심은 ‘해석 가능성’과 ‘하이브리드 모델링’에 있습니다. 먼저, 로봇 동역학을 τ_m = τ_rbd + ε 로 모델링합니다. 여기서 τ_rbd는 뉴턴 역학으로 유도된 기존 강체 동역학 모델이며, ε은 마찰, 액추에이터 비선형성, 제조 오차 등 복잡하고 알려지지 않은 모든 효과를 포괄하는 잔여 항입니다. 문제는 이 ε을 정확하면서도 이해할 수 있는 형태로 근사하는 것입니다.

연구팀은 ε을 학습하는 두 가지 해석 가능한 기법, 즉 심볼릭 회귀(Symbolic Regression)와 SINDy(Sparse Identification of Nonlinear Dynamics)를 적용합니다. 심볼릭 회귀는 사칙연산, 삼각함수 등 기본 연산자와 입력 변수(관절 위치, 속도 등)를 조합해 가능한 모든 수학 표현식 후보를 탐색하며, 정확도와 표현식의 간결함(복잡도)을 동시에 고려해 최적의 공식을 찾아냅니다. SINDy는 사전에 정의된 다항식, 삼각함수 등의 basis 함수 라이브러리를 구성하고, 목표값(잔여 토크)을 이 basis들의 ‘희소한’ 선형 결합으로 표현하는 계수를 찾습니다. 두 방법 모두 최종 출력이 ‘수학 공식’이라는 점에서 블랙박스인 신경망과 근본적으로 다릅니다.

주요 실험 결과에서 드러난 통찰은 다음과 같습니다.

1. 시뮬레이션 검증(프랑카 암): 알고 있는 동역학 모델을 가진 시뮬레이션에서, 학습된 잔여 모델 ε은 관성, 코리올리, 중력, 점성 효과를 정확하게 재발견했으며, 상대 오차가 매우 작았습니다. 이는 제안된 방법론이 기본 물리 법칙을 데이터로부터 복원할 수 있음을 입증합니다.
2. 일반화 성능의 차이: 실제 WAM 로봇 데이터에서 심볼릭 회귀는 SINDy나 신경망(MLP) 대비 훨씬 우수한 외부 표본 일반화 성능을 보였습니다. SINDy와 신경망은 학습 데이터에 과적합되는 경향이 강했는데, 이는 심볼릭 회귀의 탐색 공간이 더 유연하고 복잡도 패널티가 과적합을 억제하는 데 효과적이기 때문으로 해석됩니다.
3. 물리적 통찰 도출: 실제 로봇 실험에서 심볼릭 회귀는 단순한 보정을 넘어, 기존 명목 모델에 포함되지 않았을 수 있는 새로운 후보 공식(예: 특정 관절 속도에 대한 비선형 마찰 항)을 제안했습니다. 이는 데이터를 통해 로봇의 미세한 물리적 특성을 발견하고 공식화할 수 있는 가능성을 보여줍니다.
4. VLA/RL과의 시너지 가능성: 논문은 이 접근법이 대규모 비전-언어-행동 모델이나 강화학습에 미치는 영향을 강조합니다. 해석 가능한 토크 추정 모델은 값비싼 힘/토크 센서 없이도 로봇 군단에 ‘가상 힘 센서’를 제공하여, 접촉이 풍부한 조작 데이터의 대규모 수집을 가능하게 하고, 학습 시 물리적으로 근거 있는 보조 신호로 활용될 수 있습니다.

결론적으로, 이 연구는 정확성만을 좇는 블랙박스 모델에서 한 걸음 나아가, 정확성과 일반화 성능, 그리고 인간의 이해와 신뢰를 보장하는 ‘해석 가능성’을 동시에 확보한 모델링 패러다임의 중요성을 성공적으로 입증했습니다.