뇌신경망 기반 스파이킹 로봇 제어 프레임워크 CBMC‑V3

초록

**
CBMC‑V3는 인간 중추신경계 구조를 모방한 5개 모듈(대뇌피질, 소뇌, 시상, 뇌간, 척수)과 3단계 계층 제어, 상승·하강 경로를 전부 스파이킹 뉴럴 네트워크(SNN)로 구현한다. 시뮬레이션 및 상용 7‑DOF 로봇팔 실험에서 기존 모델 기반·ANN 기반 제어에 비해 정밀도·적응성·복원력·에너지 효율성 모두에서 우수한 민첩한 조작 성능을 보였다.

**

상세 분석

**
본 논문은 인간의 운동 제어 메커니즘을 세밀히 분석하고, 이를 로봇 제어에 적용하기 위해 5개의 신경학적 모듈을 SNN으로 구현하였다. 대뇌피질 모듈은 사전 계획된 궤적(위치·속도)을 저장·재생하는 역할을 하며, 저주파에서 동작한다. 소뇌 모듈은 중력 보상 토크 패턴을 사전 학습해 다중 질량에 대한 토크 행렬 T_cb(q)를 제공한다. 시상 모듈은 실시간 힘 센서 피드백(F_ef)을 이용해 강화학습(RL) 기반 가중치 w(F_ef)를 학습, T_cb를 가중합해 상황에 맞는 중력 보상 토크 τ_g를 생성한다. 뇌간 모듈은 동일히 RL을 통해 비례·미분 계수 K_P, K_V를 동적으로 조정한다. 척수 모듈은 가장 고주파에서 PD‑형 피드백 τ_fb와 시상에서 전달된 τ_g를 합산해 최종 구동 토크 τ를 산출한다. 이렇게 3계층(1차·2차·3차)과 상승·하강 경로를 명시적으로 구분함으로써, 각 모듈이 담당하는 시간·주파수 스케일을 최적화하고, 전통적인 모델 기반 제어가 갖는 비선형·코리올리·외란에 대한 취약성을 완화한다. 또한, SNN의 이벤트 기반 연산 특성으로 전력 소모를 크게 낮추면서도, 스파이크 타이밍 의존 가소성(STDP)과 정책 기반 RL을 결합해 학습 안정성을 확보한다. 실험에서는 7‑DOF 로봇팔이 다양한 질량·형상의 물체를 잡고 이동, 궤적 변형, 외란 회복 등을 수행했으며, 기존 MPC·WBC 및 ANN 기반 대비 평균 궤적 오차 30 % 감소, 회복 시간 40 % 단축, 전력 소모 25 % 절감 효과를 기록했다.

**