불확실 환경에서 안전한 로봇 팔 궤적 생성: 위험 보장과 실시간 검증

초록

본 논문은 움직임 및 환경 불확실성을 동시에 고려한 로봇 팔의 위험 보장 궤적 생성 프레임워크를 제안한다. 딥 스토캐스틱 쿠프만 연산자(RM‑DeSKO) 기반 상태 분포 예측, 병렬 물리 시뮬레이션과 SOS 프로그래밍을 결합한 계층적 검증, 그리고 이진 충돌 정보를 활용한 MPPI 제어기를 통합한다. 시뮬레이션 및 실제 인간‑로봇 협업 실험을 통해 실시간(6 Hz) 안전성 보장과 효율적인 궤적 생성이 입증된다.

상세 분석

이 연구는 로봇 매니퓰레이터가 고차원 자유도와 복잡한 비볼록 장애물, 그리고 비가우시안 형태의 불확실성을 동시에 마주할 때 발생하는 안전성·효율성 딜레마를 체계적으로 해결한다. 핵심은 두 단계로 나뉜 위험 보장 파이프라인이다. 첫 번째 단계에서는 RM‑DeSKO 모델이 관절 속도 명령과 현재 상태를 입력으로 받아, 관측 가능한 변수들을 고차원 선형 공간(리프트 스페이스)으로 매핑하고, 학습된 쿠프만 연산자(A, B)를 통해 확률적 상태 전이를 선형적으로 전파한다. 이 과정에서 각 관측값은 평균·공분산 파라미터화된 가우시안으로 표현되며, 엔코더‑디코더 구조가 비선형 원래 공간으로 복귀한다. 결과적으로 수천 개의 샘플 궤적을 저비용으로 동시에 생성할 수 있어 MPPI의 샘플 효율성을 크게 향상시킨다.

두 번째 단계는 위험 검증이다. 논문은 위험 등고선 맵(M)이라는 연속적인 안전 서브스페이스를 정의하고, Cantelli 부등식을 이용해 임의의 확률분포에 대해 보수적인 위험 상한을 계산한다. 여기서 각 장애물은 다항식 형태 o_i(p, ω_i)≤0 로 기술되며, ω_i는 임의의 분포(예: 균등, 베타)일 수 있다. 위험 등고선은 1차·2차 모멘트를 이용한 다항식 P₁_i, P₂_i 로 근사되며, 이는 SOS(합의 제곱) 프로그래밍을 통해 형식적으로 검증된다. 논문은 “튜브(E(L(t)))”가 위험 등고선 내부에 포함되는지를 확인하는 정리를 제시하고, 이를 위해 SOS 제약식(σ_j_i 다항식)과 양정정 행렬 Q를 활용한다. 이 검증은 병렬 물리 시뮬레이션과 결합돼, 후보 궤적 중 위험을 초과하는 경우 즉시 배제하고, 안전한 궤적만 MPPI 정책 업데이트에 사용한다.

MPPI 제어기는 기존의 샘플 기반 경로 최적화에 이진 충돌 정보를 피드백함으로써, 위험을 최소화하면서도 목표 비용을 감소시킨다. 정책 파라미터(평균·공분산)는 중요도 가중치 w_i에 따라 샘플 궤적의 성능에 기반해 업데이트되며, 위험 검증을 통과한 궤적만이 가중치 계산에 기여한다. 결과적으로 제어기는 “위험을 피하면서도 목표에 빠르게 수렴”하는 특성을 갖는다.

실험에서는 두 종류의 6‑DOF 매니퓰레이터를 사용해, 복잡한 비볼록 장애물과 인간 손동작이 존재하는 협업 시나리오를 구현했다. 시뮬레이션에서 평균 6 Hz의 재계획 속도를 유지했으며, 실제 로봇에 적용했을 때도 시뮬‑투‑리얼 전이 손실이 미미했다. 위험 허용도 Δ를 0.05로 설정했을 때 충돌 발생률이 0 %에 수렴했으며, 기존 Gaussian 기반 확률적 플래너 대비 경로 길이와 실행 시간에서 15‑20 % 개선을 보였다.

이와 같이 논문은 (1) 비가우시안·비볼록 환경을 정량적 위험 한계로 다루는 이론적 프레임워크, (2) 딥 쿠프만 연산자를 이용한 고속 확률적 상태 예측, (3) SOS 기반 형식 검증과 MPPI의 효율적 결합이라는 세 축을 제시함으로써, 실시간 인간‑로봇 협업에 적합한 안전 보장 궤적 생성 기술을 제공한다.