변형과 취약 물체 조작을 위한 잠재 변형형 엔드 이펙터 공동 설계

초록

본 논문은 변형·취약 물체를 안전하게 다루기 위해 엔드 이펙터 형상과 조작 제어를 동시에 최적화하는 공동 설계 프레임워크를 제안한다. 차원 축소된 잠재 변형(라티스 디퓨오모픽) 파라미터화와 스트레스 기반 이중 레벨 최적화를 결합하고, 시뮬레이션에서 얻은 특권 신호를 이용해 포인트클라우드 기반 확산 정책으로 교사‑학생 증류를 수행한다. 식품 조작 실험에서 설계된 그리퍼와 제어가 기존 대비 파손을 크게 감소시켰다.

상세 분석

이 연구는 변형·취약 물체 조작(DFOM) 분야에서 하드웨어와 소프트웨어를 별도로 최적화하던 기존 패러다임을 깨고, 엔드 이펙터 형상과 제어 정책을 공동 설계(co‑design)하는 새로운 접근법을 제시한다. 핵심 기여는 네 가지로 요약된다. 첫째, ‘Latent Diffeomorphic Morphology(LDM)’이라 명명한 잠재 변형 파라미터화 기법이다. 기본 메쉬에 정적 속도장(SVF)을 적용해 매끄럽고 위상 보존이 가능한 변형을 생성하고, 이를 RBF 커널 기반으로 72 차원 원시 파라미터화한다. 이후 대규모 디자인 데이터셋을 수집해 PCA를 수행, 10~15 차원의 저차원 잠재 공간을 구축함으로써 고표현력과 최적화 효율성을 동시에 확보한다. 둘째, 이중 레벨 최적화 구조이다. 하위 레벨에서는 설계‑조건부 제어 전략을 설계한다. 사전 접촉(pre‑contact) 구성을 CMA‑ES로 탐색하고, 접촉 전후를 연결하는 모션 프리미티브를 닫힌‑루프 Cartesian 제어로 구현한다. 여기서는 시뮬레이터에서 제공되는 물체 내부 응력(stress)과 중심 이동 정보를 ‘특권 신호’로 활용해 단계 전이를 판단한다. 상위 레벨에서는 설계 공간을 CMA‑ES로 탐색해, 설계‑조건부 제어와 결합된 전체 성능 지표 J(d,π*)를 최대화한다. 세 번째 기여는 시뮬‑투‑리얼 전이 전략이다. 특권 정책(teacher)으로부터 포인트클라우드 관측을 수집하고, 확산 기반 정책(student)으로 증류한다. 이렇게 학습된 정책은 실제 로봇에서 별도 센서(촉각 등) 없이도 포인트클라우드만으로 부드러운 조작을 수행한다. 마지막으로, 식품 조작(젤리 그립, 필레 스쿠핑 등) 실험을 통해 설계된 그리퍼가 기존 강체·소프트 그리퍼 대비 파손률을 70 % 이상 감소시키고, 성공률을 15 % 이상 향상시킴을 실증한다. 전체 파이프라인은 ‘디자인 → 제어 → 증류 → 실세계’ 순환 구조를 갖으며, 각 단계가 서로의 피드백을 활용해 최적화를 진행한다는 점에서 높은 통합성을 보여준다. 특히, 고차원 연속형 디자인 공간을 저차원 잠재 변수로 압축하고, 비미분 가능한 물리 시뮬레이션을 CMA‑ES로 대체한 설계 탐색 방식은 샘플 효율성을 크게 높인다. 또한, 특권 신호를 활용한 제어 설계는 강화학습 기반 정책보다 데이터 요구량이 적고, 물체 손상을 직접 최소화하는 목표 함수를 명시적으로 포함한다는 점에서 실용적이다. 전체적으로 이 논문은 변형·취약 물체 조작에 필요한 ‘형상‑제어 상호작용’을 수학적·공학적으로 정형화하고, 실제 로봇 시스템에 적용 가능한 엔드‑투‑엔드 프레임워크를 제공한다는 점에서 학술적·산업적 의의가 크다.