비전 기반 관성 추정과 사후 적응을 통한 드론 매니퓰레이터 제어

초록

본 논문은 드론에 장착된 매니퓰레이터의 급변하는 관성 파라미터를 실시간으로 추정·보정하는 온보드 프레임워크를 제안한다. RGB‑D 영상과 자연어 입력을 이용해 물체의 크기·형상·밀도를 사전 예측하고, 착착 후 힘 센서 기반 교란 관측기를 통해 질량·관성 모멘트를 빠르게 업데이트한다. 추정된 관성을 이용해 이득 스케줄링 기반 적응 제어기를 설계하고, 주파수 영역 식별을 통해 로버스트성을 검증하였다. 실험 결과, 기존 사후 추정 방식보다 10배 이상 빠른 응답과 높은 추정 정확도를 달성함을 보였다.

상세 분석

FlyAware는 인간이 물체를 시각적으로 예측하고 접촉 후 촉각으로 보정하는 두 단계 전략을 드론 매니퓰레이터에 그대로 적용한다. 첫 번째 단계인 ‘프리‑센싱’에서는 Grounded‑SAM을 이용해 텍스트 프롬프트로 물체를 세그멘테이션하고, IST‑Net을 통해 9 DoF(위치·회전·크기) 정보를 얻는다. 여기서 얻은 바운딩 박스는 물체의 실제 부피를 과대평가하므로, GPT‑4 기반 멀티모달 프롬프트를 사용해 ‘볼륨 스케일 팩터 β’와 ‘관성 스케일 행렬 α’를 추론한다. 이 과정은 물체의 재질·내부 구조(예: 캔 내부에 액체가 있는지)까지 고려해 평균 밀도 ρ̂를 출력한다. 이렇게 얻은 ρ̂·β·V̂ 로부터 질량 m̂와 관성 모멘트 Ĵ를 계산함으로써, 사전 추정 단계에서 이미 유의미한 관성 정보를 확보한다.

두 번째 단계인 ‘포스트‑그라스프 적응’에서는 착착 순간 DOB(Disturbance Observer)를 통해 외부 힘을 감지하고, 일정 시간 이상 지속되는 힘을 ‘착착 이벤트’로 판단한다. 이후 실시간 힘·토크 피드백을 이용해 질량 추정값을 선형 보정하고, 관성 모멘트는 α 스케일을 그대로 적용한다. 이 적응 루프는 0.5 s 이내에 수렴하도록 설계돼, 기존 10 s 이상 걸리던 관성 파라미터 식별에 비해 획기적인 속도 향상을 제공한다.

제어 측면에서는 전체 관성 텐서 Jₜ(θ) 를 실시간으로 업데이트하고, 이를 기반으로 이득 스케줄링(Gain‑Scheduled, GS) 적응 제어기를 구현한다. 구체적으로, 선형 속도 제어와 비선형 각속도 제어에 각각 고유의 이득 Kₚ(·), K_d(·) 를 관성 값에 비례하도록 매핑한다. 이렇게 하면 질량·CoM·MoI 변화에 즉각 대응하면서도, 노이즈에 민감한 전통적인 오류 기반 GS 제어의 단점을 완화한다. 제어기의 로버스트성은 주파수 응답 분석을 통해 검증했으며, 다양한 payload(0.2 kg~1.2 kg)와 매니퓰레이터 구성 변화에 대해 3 dB 이하의 이득 변동을 보였다.

실험에서는 8종류의 일상 물체(캔, 상자, 스프라이트 등)를 대상으로 사전 추정 정확도 90.6 %(크기)와 85 %(밀도) 수준을 기록했으며, 포스트‑그라스프 적응 후 질량 오차는 평균 3 % 이하로 감소했다. 제어 성능은 착착 전후 트래젝터리 오차가 5 cm 이하, 자세 오차가 2° 이하로 유지돼, 복합 작업(물체 이동·배치)에서도 안정적인 비행을 입증했다.

핵심 기여는 (1) 비전·언어 모델을 활용한 실시간 관성 사전 추정 파이프라인, (2) DOB 기반 초고속 포스트‑그라스프 보정 메커니즘, (3) 관성 변화를 직접 반영하는 이득 스케줄링 적응 제어기이다. 제한점으로는 GPT‑API 의 네트워크 의존성, 복잡한 형상의 물체에 대한 스케일 팩터 추정 정확도 저하, 그리고 현재는 3‑DOF delta 매니퓰레이터에만 적용 가능하다는 점을 들 수 있다. 향후 연구에서는 온보드 LLM 배포, 비구형 물체에 대한 물리 기반 보정, 그리고 다관절 매니퓰레이터 확장 등을 목표로 한다.