인간 참여 파레토 최적화 보조 필요 훈련 및 성능 평가 트레이드오프 분석

본 연구는 물리적 인간‑로봇 상호작용(pHRI) 환경에서 과제 난이도와 수행 성능 사이에 존재하는 내재적 트레이드오프를 정량·정성적으로 동시에 측정하고, 이를 파레토 최적화 프레임워크를 통해 체계적으로 규명한다. 먼저 저자들은 기존 AAN(Assist‑as‑Needed) 제어가 보조 수준을 사전에 설정하거나 경험적 임계값에 의존하는 한계를 지적한다. 이러한 접근은 개인별 차이와 학습에 따른 인지·신체적 변화에 적절히 대응하지 못한다는 점에서 한계가 있다. 이를 해결하기 위해 연구팀은 두 가지 핵심 지표를 정의한다. 정량적 지표인 GP num은 사용자가 수행한 작업의 점수, 성공률, 시간 등을 기반으로 산출되며, 이는 전통적인 성능 평가와 동일한 형태이다. 반면 정성적 지표인 GP qual은 사용자가 느끼는 과제의 도전감, 피로도, 동기부여 등을 설문식 순위 선택과 쌍별 선호 질문을 통해 수집한다. 이 정성적 데이터는 베이지안 모델링을 통해 확률적 잠재 함수로 변환되어, 연속적인 값으로 활용된다. 다목적 베이지안 최적화는 이러한 하이브리드 모델을 기반으로, 보조 비율(0‑100 %)이라는 설계 변수를 탐색한다. 탐색 과정에서 사용자의 물리·정신적 제약을 만족하도록 제한을 두고, 획득 함수는 하이퍼볼륨 개선과 정보 이득을 동시에 고려한 래퍼 방식을 채택한다. 이로써 실험 횟수를 최소화하면서도 파레토 전선(비지배 해 집합)을 신속히 수렴시킨다. 실험은 건강한 피험자들을 대상으로 한 수동 기술 훈련 과제에서 수행되었다. 첫 번째 사용 사례에서는 파레토 전선에서 선택된 최적 보조 점들을 이용해 AAN 훈련 프로토콜을 설계하고, 기존의 적응 보조 프로토콜과 비교하였다. 파레토 기반 AAN은 초기 학습 단계에서 과도한 보조를 피하면서도 성공률을 유지해, 학습 효율성을 향상시켰다. 두 번째 사용 사례는 학습 전후 파레토 전선을 비교함으로써 개인 수준의 진행도를 평가한다. 전통적인 ‘보조 없이 수행’ 평가는 초기 단계에서 성공률이 낮아 의미 있는 변화를 포착하기 어렵지만, 파레토 전선 자체가 보조 수준에 관계없이 사용자의 잠재적 최고 성능을 나타내므로, 학습 진행을 정량적으로 추적할 수 있다. 세 번째 사용 사례는 서로 다른 피험자들의 파레토 전선을 겹쳐 비교함으로써, 보조 의존성을 배제한 공정한 성능 비교를 가능하게 한다. 이는 재활 클리닉에서 환자 간 혹은 환자와 정상인 간 운동 능력을 비교할 때, 보조 수준에 의해 왜곡되지 않은 순수한 능력 지표를 제공한다는 점에서 실용적이다. 논문의 주요 기여는 다음과 같다. (1) 정량·정성 하이브리드 모델을 이용한 HiL 파레토 최적화 프레임워크를 제안하고, 베이지안 다목적 최적화를 통해 샘플 효율성을 확보하였다. (2) 파레토 전선을 활용한 AAN 제어 설계, 학습 진행 평가, 사용자 간 공정 비교라는 세 가지 실제 적용 사례를 제시하였다. (3) 기존의 단일 목표 HiL 최적화와 달리, 다목적 파레토 접근이 보조 수준과 과제 난이도라는 상충 목표를 동시에 고려함으로써 보다 풍부한 설계·평가 정보를 제공한다는 점을 입증하였다. 결론적으로, 이 연구는 인간‑로봇 협업 시스템에서 보조 수준을 동적으로 조정하고, 학습·재활 효과를 다차원적으로 평가할 수 있는 방법론적 토대를 제공한다. 향후 연구에서는 환자군을 대상으로 한 임상 시험, 실시간 파레토 전선 업데이트를 통한 적응형 AAN 제어, 그리고 다른 형태의 정성적 피드백(예: 생리학적 신호)와의 통합을 통해 프레임워크를 확장할 수 있을 것으로 기대된다.