불확실성 인식 적응 동역학을 활용한 수중 차량‑조작기 로봇 모델링

초록

본 논문은 수중 차량‑조작기 시스템(UVMS)의 동역학 파라미터가 수중 환경에 따라 시시각각 변하는 문제를 해결하고자, 선형 회귀 형태의 통합 파라미터 레그레서와 물리적 일관성 제약을 포함한 이동 호라이즌 추정(MHE) 프레임워크를 제안한다. 실험에서는 BlueROV2 Heavy와 4‑DOF 매니퓰레이터를 이용해 빠른 수렴과 캘리브레이션된 불확실성 추정이 가능함을 입증했으며, 차량·조작기 각각에 대해 R² 0.88‑0.98, 평균 업데이트 시간 0.023 s를 기록하였다.

상세 분석

이 연구는 수중 로봇 공학에서 가장 난제 중 하나인 유동체와의 복합 상호작용으로 인한 파라미터 변동성을 정량화하고, 실시간 제어에 바로 활용할 수 있는 모델을 제공한다는 점에서 큰 의의를 가진다. 먼저 차량과 조작기의 동역학을 각각 M·ν̈ + C·ν̇ + D·ν + g 형태로 표현하고, 이를 파라미터 벡터 π에 대해 선형 레그레서 Y·π 형태로 재구성한다. 차량 파라미터는 관성·추가 질량, 선형·이차 항 항력, 복원력(무게·부력·중심오프셋)으로 구분되며, 조작기 파라미터는 각 링크의 질량·관성·중심·마찰·수중 항력 등을 포함하는 12 n 차원의 벡터로 정의된다. 이렇게 구성된 레그레서는 차량·조작기 간 결합 토크 τ_mv를 자연스럽게 포함해 전체 시스템을 하나의 블록 구조 레그레서 Y(ζ, ζ̇, ζ̈)·π 로 통합한다.

핵심 기법은 이동 호라이즌 추정(MHE)이다. 일정 길이의 데이터 윈도우를 스택하여 τ_t = Y_t π_t + v_t 형태의 과잉식으로 만든 뒤, 파라미터 변화 w_t와 잔차 v_t에 대해 Huber 손실을 적용한 2‑노름 최소화 문제를 풀어 π_t 를 업데이트한다. 여기서 물리적 일관성 제약은 차량 관성 행렬의 양의 정부호성, 조작기 의사관성 행렬의 양의 정부호성, 마찰·항력 계수의 부호 제한, 무게 범위 제한 등으로 정의되며, 모든 제약이 선형·볼록 형태이므로 표준 이차계획법(QP) 솔버로 실시간 해결이 가능하다.

불확실성 정량화는 파라미터 변화 w_t 의 지수 가중 평균·공분산을 추적함으로써 수행된다. 파라미터 스케일 차이를 보정하기 위해 정규화된 변화 ˜w_t 를 사용하고, 중요도 계수 α 를 통해 최신 데이터에 가중치를 부여한다. 최종 파라미터 공분산 Σ_π,t 은 스케일 복원 후 L≈2/α−1 로 보정해 추정된 파라미터의 신뢰구간을 제공한다. 이렇게 얻은 Σ_π,t 은 전방·역방향 동역학에 전파되어 토크·가속도 예측의 신뢰구간을 계산할 수 있다.

실험에서는 50 m² 풀에서 BlueROV2 Heavy(6 DOF)와 Reach Alpha 5(4 DOF) 매니퓰레이터를 사용했다. 센서는 깊이·압력, DVL, IMU, 관절 각·속도 등을 포함했으며, 실시간으로 가속도를 추정해 MHE에 입력하였다. 결과는 다음과 같다. (1) 파라미터 수렴이 510 s 내에 이루어졌으며, 추정된 파라미터는 물리적 제한을 모두 만족했다. (2) 조작기 관절 토크 예측은 R² 0.880.98, 기울기≈1.0을 달성해 높은 정확도를 보였다. (3) 차량의 surge, heave, roll에 대한 힘·모멘트 예측도 잡음이 큰 상황에서도 유의미한 피팅을 보여줬다. (4) 평균 솔버 시간은 0.023 s로, 50 Hz 이상의 제어 루프에 충분히 실시간으로 적용 가능했다. (5) 고정 파라미터 모델과 비교했을 때 모든 자유도에서 MAE·RMSE가 일관되게 감소했으며, 추정된 신뢰구간은 95 %~100 % 커버리지를 기록했다.

이러한 결과는 (i) 물리적 일관성을 보장하면서도 파라미터를 빠르게 적응시킬 수 있는 MHE 기반 프레임워크가 실용적임을, (ii) 불확실성 추정이 제어·시뮬레이션 단계에서 신뢰성 있는 피드포워드 입력으로 활용될 수 있음을, (iii) 차량‑조작기 결합 시스템에서도 레그레서 기반 선형화가 유지되어 기존 로봇 제어 이론을 그대로 적용할 수 있음을 시사한다. 향후 연구에서는 더 긴 호라이즌, 비선형 제약(예: 유체 흐름에 따른 비선형 항력), 그리고 다중 로봇 협업 상황에 대한 확장이 기대된다.