저비용 촉각 힘 제어 그리퍼와 반응형 힘 조절 학습

초록

TF‑Gripper는 150 달러 수준의 저비용 병렬형 그리퍼로, 0.45 ~ 45 N의 정밀한 힘 제어와 얇은 피에조식 촉각 센서를 통합한다. 인간이 힘을 직접 가하는 텔레오퍼레이션 장치를 설계해 인간 시연 데이터를 고품질로 수집하고, 힘 제어와 자세 예측을 분리한 RETAF 프레임워크를 제안한다. RETAF는 손목 카메라 영상과 촉각 정보를 30 Hz로 활용해 실시간 힘 조절을 수행하고, 기본 정책은 저주파(1–10 Hz)로 로봇 팔의 자세와 그리퍼 개폐를 예측한다. 다섯 가지 일상 물체 조작 실험에서 직접 힘 제어와 촉각 피드백이 그립 안정성 및 작업 성공률을 크게 향상시켰으며, RETAF는 다양한 기본 정책에 일관되게 적용 가능함을 보였다.

상세 분석

본 논문은 로봇 조작 분야에서 “힘 규제”라는 핵심 문제를 저비용 하드웨어와 효율적인 정책 설계로 동시에 해결하려는 시도이다. 기존 상용 그리퍼는 최소 작동 힘이 수 뉴턴 수준으로 높아 연약한 물체(예: 감자칩, 토마토) 조작에 부적합하고, 가격도 수천 달러에 달한다. 저자들은 이러한 한계를 극복하기 위해 두 가지 주요 공헌을 제시한다. 첫째, 타이밍 벨트와 다이나믹셀 모터를 이용해 모터 전류와 그리퍼 접촉력 사이에 거의 선형적인 매핑을 구현함으로써 0.45 N부터 45 N까지 0.2 N 단위의 정밀 제어가 가능한 TF‑Gripper를 설계하였다. 또한 3D 프린팅 구조와 교체 가능한 어댑터를 사용해 다양한 로봇 팔에 손쉽게 장착할 수 있게 하였다. 촉각 센서는 얇은 피에조저항식 FlexiTact 배열을 채택해 부드러운 핑거패드와 결합, 접촉 면적과 압력 정보를 동시에 획득한다. 둘째, 인간 시연 데이터를 수집하기 위한 텔레오퍼레이션 장치를 개발하였다. 인간이 두 개의 링을 잡고 그리퍼와 동일한 메커니즘으로 힘을 가하면, 모터 전류를 통해 실시간으로 힘을 측정하고 이를 로봇 그리퍼에 매핑한다. 이 방식은 기존의 조이스틱이나 VR 컨트롤러가 제공하는 간접적인 힘 추정과 달리, 직접적인 힘 입력을 확보함으로써 고품질의 힘 제어 시연 데이터를 얻는다. 정책 설계 측면에서 저자들은 전통적인 “포즈 + 그리퍼 폭” 연속 예측 방식이 힘 규제에 부적합함을 지적한다. 힘은 접촉 순간의 미세한 변동에 빠르게 반응해야 하는데, 기존 저주파(1–10 Hz) 정책은 이러한 요구를 충족시키지 못한다. 따라서 RETAF(React​ive Tactile Adaptation of Force)라는 두 단계 구조를 제안한다. 기본 정책은 저주파로 로봇 팔의 6‑DoF 자세와 그리퍼 개폐(열림/닫힘) 명령을 예측한다. 동시에 별도의 힘 적응 정책이 손목 카메라 영상과 촉각 데이터를 30 Hz로 입력받아 목표 힘을 실시간으로 조정한다. 이렇게 함으로써 힘 제어는 고주파 피드백 루프에서 독립적으로 동작하고, 자세 예측은 느리지만 전역적인 목표에 집중할 수 있다. 실험에서는 다섯 가지 일상 물체(감자칩, 신선·노후 토마토, 플라스틱 컵 등) 조작 과제를 설정하고, 각 과제당 50개의 인간 시연을 수집했다. 결과는 세 가지 축에서 비교되었다. (1) 위치 제어 대비 직접 힘 제어 시 그립 안정성 및 파손률이 크게 개선되었으며, (2) 촉각 피드백을 사용하지 않은 힘 제어는 오히려 성능이 저하되는 경우가 있었고, (3) RETAF는 기본 정책 종류에 관계없이 일관된 성공률 향상을 보였다. 특히 힘 조절이 중요한 과제에서 RETAF는 성공률을 20 % 이상 끌어올렸다. 전체적으로 하드웨어 설계, 데이터 수집 인터페이스, 정책 구조가 유기적으로 결합되어 저비용 로봇이 인간 수준의 섬세한 힘 조절을 학습할 수 있음을 입증한다. 향후 연구에서는 더 복잡한 다중 물체 조작이나 비정형 표면에 대한 일반화, 그리고 시뮬레이션 기반 사전 학습과의 결합이 기대된다.