새로 개발된 방법에 의한 학습 임피던스 제어 파라미터의 흐름도 / 사진. 파나소닉 홀딩스 코퍼레이션
파나소닉 홀딩스 코퍼레이션(이하 파나소닉 HD)은 로봇 제어에서 환경(문, 테이블 등)과의 접촉을 포함하는 작업을 로봇에게 가르칠 때 ‘안전’의 균형을 맞추는 제어 매개변수에 관한 학습 기술을 개발했다고 밝혔다.
산업용 로봇의 사용이 증가함에 따라 로봇의 움직임을 효율적으로 프로그래밍하는 기술이 점점 더 중요해지고 있다. 특히 사람이나 사물과의 접촉이 수반되는 환경에서는 접촉의 위험을 줄이면서 정확한 작업을 수행할 필요가 있으며, 이 둘의 균형을 맞추는 로봇 제어는 매우 어려운 것으로 알려져 있다. 파나소닉 HD는 스프링처럼 유연하게 행동하는 로봇을 가정하고, 인간이 로봇에게 가르쳐준 움직임을 분할해 제어 파라미터를 결정하는 방법과 다목적 베이지안 최적화를 고안해 기존 방법보다 효율적으로 로봇을 프로그래밍하는 방법을 개발했다.
사람이 로봇의 움직임을 가르치는 직접 교육은 비교적 단순하다는 점에 의해서 범용으로 활용되고 있다. 그러나 로봇이 교육받은 동작을 재현하는 경우, 사물과 접촉하는 환경이나 사람과 다른 로봇이 협업하고 분담하는 환경에서 예상치 못한 위험(사람, 사물, 로봇 자체에 피해를 줄 위험)에 대응할 필요가 있어 다양한 작업을 전개하는 것이 어렵다는 문제가 지적돼 왔다.
로봇을 부드럽게 움직이게 하는 제어 기술로서, 가상 스프링 시스템을 모방해 로봇에게 스프링과 같은 유연성을 부여하는 임피던스 제어 기술이 주목을 받는다. 적절한 스프링 시스템 파라미터(임피던스 게인)를 설정할 수 있으면 배운 작업을 정확하게 수행하면서 접촉 위험을 줄일 수 있다. 그러나, 임피던스 제어에 있어서 일반적으로 안전성과 동작 정확도 사이에 트레이드 오프가 존재하며, 동시에 둘 다 최적화하기 위해 임피던스 이득을 설정하는 것은 어려운 것으로 알려져 있다. 또한, 작업을 수행하기 위해서는 여러 번의 연속 이동(예를 들어, 도어의 경우 (1) 문고리에 접근, (2) 문고리 돌리기, (3) 도어 개방)을 정확하게 수행할 필요가 있지만, 최적의 임피던스 이득은 조작마다 다를 수 있다.
따라서 우선 파라미터 최적화를 용이하게 하기 위해 학습된 일련의 연산을 분할하고 다목적 베이지안 최적화를 통해 각 세그먼트의 최적 임피던스 이득을 얻기 위한 단계 방법을 파나소닉 HD 측은 고안했다. 이번에 개발된 분할 방법 IC-SLD(Impedance Control-aware Switching Linear Dynamics)는 임피던스 제어에 의해 가정된 스프링 시스템 운동 방정식의 다중 조합으로 학습된 일련의 연산이 구현돼 있다. IC-SLD는 예측된 궤적과 실제 티칭 궤적 사이의 오차를 최소화해 방정식에서 알려지지 않은 임피던스 이득과 방정식의 스위칭 시간을 추론 과정을 해결했다.
개발된 방법의 시뮬레이션과 실제 장치에서 임피던스 이득의 학습 결과 / 사진. 파나소닉 홀딩스 코퍼레이션
임피던스 이득은 사전 지식에 기반한 베이지안 최적화에 의해 검색된다. IC-SLD는 추정된 임피던스 이득을 출력하기 때문에 이를 솔루션 후보로 활용해 간소화한다. 사전 지식으로 활용할 수 있는 베이지안 최적화π-BO(Hvarfner+,ICLR2022)를 적용함으로써 로봇의 작동 시험을 반복하고 작업 수행 지수와 안전 지수를 동시에 최적화하는 최상의 임피던스 이점을 찾는 방식이다.
파나소닉 HD 측은 실제 기계의 시뮬레이션 및 평가에서 기존 방법보다 짧은 시간에 임피던스 이득을 학습할 수 있음을 확인했다.
파나소닉 HD 측은 이번에 개발된 로봇 티칭 기술이 지금까지 어려웠던 인간과 로봇이 협업하는 환경에서 로봇의 활용을 가속화하는 기술이라며 AI 및 로봇 공학의 사회적 구현을 지속적으로 가속화하고 고객의 삶과 직장의 유용성에 기여하는 AI 기술의 연구 개발을 촉진할 계획이라고 전했다.
