적응형 압축 촉각 서브샘플링: 로봇 피부의 고속 고해상도 구현

초록

ACTS는 촉각 배열의 읽기 속도를 18배 이상 향상시키는 적응형 압축 샘플링 기법이다. 공간적으로 희소한 접촉 정보를 우선적으로 측정하고, 사전 학습된 촉각 사전(dictionary)과 빠른 희소 복구 알고리즘(FastOMP)을 이용해 전체 프레임을 재구성한다. 32×32 센서 매트릭스에서 1 kHz 이상의 프레임 레이트와 99 % 이상의 물체 분류 정확도를 달성했으며, 로봇 손가락, 장갑, 인솔, 전신 스킨 등 다양한 형태에 적용 가능하다.

상세 분석

본 논문은 기존 촉각 매트릭스가 갖는 “읽기 병목”을 근본적으로 해결하고자 압축 센싱 이론을 촉각 분야에 맞게 재구성한 Adaptive Compressive Tactile Subsampling(ACTS)을 제안한다. 핵심 아이디어는 (1) 촉각 신호가 공간적으로 매우 희소하고 반복적인 패턴을 가진다는 사실을 이용해 사전 학습된 과잉 사전(dictionary, K≫N)으로 신호를 선형 결합 형태로 표현하고, (2) 전체 픽셀을 순차적으로 스캔하는 대신, 접촉이 발생한 영역을 빠르게 탐색하는 이진 탐색 기반 적응형 샘플링 전략을 적용한다. 적응형 샘플링은 행·열을 단계적으로 절반씩 나누어 압력이 감지되는 구역을 좁혀가며, 최소한의 측정(M≪N)만으로도 “활성” 영역을 정확히 포착한다.

측정 행렬 Φ는 1‑hot 형태의 이진 행렬이며, 하드웨어 구현이 간단하도록 설계되었다. MCU(Teensy 4.1)가 디지털 라인을 제어해 행·열 멀티플렉싱을 수행하고, ADC를 통해 전압을 샘플링한다. 측정값 y=Φx를 얻은 뒤, FastOMP라는 탐욕적 알고리즘으로 희소 계수 α를 추정하고, x̂=Ψα 로 전체 프레임을 복원한다. FastOMP는 연산량이 O(KM) 수준으로, 마이크로컨트롤러 실시간 처리에 충분히 빠르다.

실험에서는 32×32 저항성 압전 배열(Velostat 기반)을 사용했으며, M을 56256 사이로 변화시켰을 때 프레임 레이트는 550 Hz1 kHz에 달했다. 동일한 하드웨어에서 기존 래스터 스캔은 최대 55 Hz에 머물렀다. 재구성 정확도는 “지원 정확도”(support accuracy)와 물체 분류 정확도로 평가했으며, 적응형 샘플링이 특히 작은 접촉 영역(전체 픽셀의 <10 %)에서 우수했다. 30개의 일상 물체와 3D 프린트 형상에 대해 88 % 이상의 정확도로 20 ms 이내에 최초 접촉 순간부터 분류가 가능했다.

또한, ACTS를 이용한 폐쇄‑루프 제어 시연으로, 촉각 피드백만으로 금속 구를 손가락 궤적에 따라 움직이게 하거나, LEAP 로봇 손에 미끄럼 방지 및 날카로운 물체 회피 반사 동작을 구현했다. 이는 고속 촉각 인식이 실시간 제어 루프에 직접 연결될 수 있음을 증명한다.

한계점으로는 (i) 사전 학습 단계에서 다양한 접촉 패턴을 충분히 수집해야 한다는 점, (ii) 매우 복잡하거나 다중 접촉이 동시에 발생하는 경우 사전의 표현력이 부족할 수 있다는 점, (iii) 현재 구현은 1‑차원 전압 신호에 국한되므로, 온도·전류 등 다중 물리량을 동시에 다루려면 추가적인 사전 설계가 필요하다. 그럼에도 불구하고, 하드웨어 변경 없이 펌웨어 수준에서 성능을 10배 이상 끌어올릴 수 있다는 점은 로봇 촉각 분야에 혁신적인 전환점이 될 것으로 판단된다.