인간처럼 로봇 임피던스 조절 기술 학습

초록

**
본 논문은 인간‑인간 협동 시 기록된 EMG와 동작 데이터를 활용해 로봇의 임피던스(강성·감쇠) 변화를 학습한다. TP‑GMM으로 궤적·임피던스 프로파일을 공동 표현하고, LSTM 기반 정책 네트워크가 인간의 근전도 신호에 따라 실시간으로 강성을 조절한다. 학습된 정책은 전신 임피던스 컨트롤러에 적용돼 운반, 태극 밀기, 협동 톱질 등 다양한 협업 작업에서 인간과 유사한 순응 행동을 구현한다. 실험 결과는 기존 4가지 방법 대비 상호작용 힘 감소와 작업 효율성에서 우수함을 입증한다.

**

상세 분석

**
이 연구는 인간‑인간 협업에서 나타나는 ‘리더‑팔로워’와 ‘상호 적응’ 두 가지 협업 모드를 정량적 임피던스 규제 기술로 정의하고, 이를 로봇에 전이하기 위한 전반적인 학습 프레임워크를 제시한다. 핵심은 (1) EMG 기반 근전도 신호를 이용해 인간 팔 끝점 강성을 실시간으로 추정하는 방법이다. 저자는 근육 공동수축 지수를 α(A) 로 모델링하고, 팔의 기하학적 구조를 이용해 강성 행렬 K_e 를 V·H·Vᵀ 형태로 구성한다. 이를 통해 인간의 근전도와 팔 자세가 강성에 미치는 영향을 파라미터화한다. (2) TP‑GMM을 사용해 다수의 인간 시연으로부터 궤적과 임피던스 프로파일을 공동 표현한다. TP‑GMM은 시작‑목표 위치, 협업자 관절 구성을 변수로 삼아 새로운 상황에서도 매끄러운 궤적 재생과 강성·감쇠 스케일링을 가능하게 한다. (3) LSTM 기반 정책 네트워크는 시연 중 시간적 연속성을 학습해, 현재 EMG 피드백과 과거 상태를 입력으로 받아 목표 강성·감쇠 값을 출력한다. 이 구조는 비선형·비정상적인 인간 협업 행동을 실시간으로 추적하고, 인간 파트너의 의도 변화를 빠르게 반영한다. (4) 전체 로봇 시스템은 전신 임피던스 컨트롤러를 통해 몸통과 양쪽 매니퓰레이터의 관절 토크를 조정한다. 컨트롤러는 LQT 기반 최적화로 목표 궤적과 학습된 임피던스 프로파일을 동시에 만족시키며, 강성·감쇠 매트릭스를 Cartesian 공간에서 직접 지정한다. 실험은 (i) 무거운 물체 운반, (ii) 일·양손 태극 밀기, (iii) 협동 톱질이라는 세 가지 실제 협업 시나리오에서 수행되었으며, 다중 피험자 데이터를 통해 정책의 일반화 능력을 검증하였다. 비교 대상인 고정 임피던스, 힘‑피드백 기반 적응, 기존 EMG‑기반 가변 임피던스, 그리고 단순 GMM‑DMP 방식과 비교했을 때, 제안 방법은 평균 상호작용 힘을 30 % 이상 감소시키고, 작업 성공률과 인간 주관적 편안함 점수에서도 유의미하게 우수했다. 전체적으로 이 논문은 인간의 근전도와 동작 데이터를 융합해 로봇이 인간과 같은 ‘인지‑물리적’ 순응성을 획득하도록 하는 통합 파이프라인을 제공한다는 점에서 학술적·산업적 의의가 크다.

**