보수적 가치 기반 실패 인식 양손 원격조작 보조

초록

본 논문은 오프라인 텔레오퍼레이션 데이터(성공·실패 모두)를 활용해 보수적 성공 점수를 학습하고, 이를 실시간으로 위험도에 따라 조절되는 임피던스 기반 햅틱 보조로 변환한다. 인간 조작자는 지속적으로 권한을 유지하면서도, 실패 위험이 높은 상황에서는 로봇이 제시하는 보정 방향과 힘을 통해 안전한 궤도로 유도된다. 실험 결과, 기존 텔레오퍼레이션 및 공유 자율성 방식에 비해 작업 성공률이 상승하고 작업자 부담이 감소함을 확인하였다.

상세 분석

이 연구는 텔레오퍼레이션의 핵심 문제인 “부분 관측성·복합 접촉·통신 지연”으로 인한 사전 실패 예측의 어려움을 보수적 가치 학습(Conservative Value Learning, CVL)으로 해결한다는 점에서 혁신적이다. CVL은 오프라인 데이터셋에 포함된 성공·실패 라벨을 이용해 Q‑값을 보수적으로 추정한다. 기존 오프라인 강화학습이 과도하게 낙관적인 Q값을 제공해 OOD(Out‑of‑Distribution) 상황에서 불안정해지는 반면, 보수적 학습은 Q값을 하향 제한함으로써 위험이 과소평가되지 않도록 설계된다.

학습된 성공 점수 (Q_c(s,a))는 “성공 가능성”을 연속적인 스칼라 값으로 반환한다. 이 값이 사전 정의된 임계값 (\tau) 이하이면, 시스템은 (\lambda_t\in