로봇 모방 학습: 인코더 없는 궤적

로봇 조작기의 모방 학습: 인코더 없이 궤적 생성하기

MG996R 서보 모터를 사용하는 서보 구동 로봇 조작기는 내장 인코더가 없어 백래시, 기계 마모, 위치 정확도 저하 문제가 발생합니다. 복잡한 운동학적 캘리브레이션을 수행하는 대신, 모방 학습(imitation learning)을 적용합니다: 조작기를 사람이 직접 원하는 궤적을 따라 움직이게 하고, 외부 포텐셔미터가 관절 각도를 실시간으로 기록합니다. 이렇게 인간이 시범으로 보여준 궤적 데이터를 바탕으로 신경망을 훈련시켜, 단계별로 동일한 움직임을 재현하도록 합니다.

기계 설계는 회전 베이스(Z축), 3개의 관절 연결 링크, 그리고 말단 실행기 그립퍼로 구성됩니다. 4개 관절 각각에 장착된 10kΩ 포텐셔미터가 아두이노 미니로 매 10ms마다 아날로그 신호를 전송합니다. 서보 제어는 PCA9685PW PWM 드라이버가 담당하며, 모든 궤적 데이터는 오프라인 처리를 위해 CSV 파일로 저장됩니다.

하드웨어 구성 및 작동 모드

아두이노는 포텐셔미터 값을 읽고 노이즈 억제를 위해 평활화 처리를 수행합니다: 새로운 측정값은 이전 값과 가중 평균 방식으로 갱신됩니다. 원시 ADC 값(0–1023)은 실제 측정 중에는 변환하지 않고, 이후 PC에서 관절 각도로 변환합니다—이는 측정 도중 서보 진동을 방지하기 위함입니다.

시스템은 두 가지 독립적인 작동 모드로 구동됩니다:

• 궤적 기록 모드: 포텐셔미터 피드백을 활용해 인간이 직접 조작한 경로를 저장합니다.
• 재생 및 서보 작동 모드: 학습된 동작을 자동으로 실행합니다.

서보는 별도의 전원 공급 장치에서 전력을 공급받아 전압 강하를 방지합니다. 로봇의 실용적 작업 공간은 체스판처럼 배열된 34개의 목표 지점으로 제한됩니다. 이 그리드 상단에 하나의 홈 위치(home position)를 설정해 모든 이동의 중간 경유지로 활용합니다: 홈 → 목표 → 홈.

이 방식은 데이터 양을 크게 줄입니다: 34개 지점 간 모든 쌍 조합을 기록하는 대신, 단 68개의 왕복 궤적(34×2)만으로 충분합니다.

모방 학습의 단계

궤적 기록

조작기를 홈 위치에서 목표 지점으로 이동시킨 후 다시 홈으로 되돌리는 과정을 사람이 직접 수행합니다. 아두이노는 매 10ms마다 관절 각도를 기록합니다. 원시 기록 데이터는 기계적 백래시로 인해 노이즈와 드리프트가 포함되어 있습니다.

목표 캘리브레이션

최종 관절 각도를 세밀하게 조정해 말단 위치의 정확도를 확보합니다. 기록된 궤적의 종단점을 보정하여 누적 오차를 상쇄합니다—반복 가능한 물체 집기나 배치 작업에서는 특히 중요합니다.

신경망 훈련

모델은 현재 관절 상태와 목표 좌표를 입력으로 받아, 다음 순간의 관절 각도 변화량(delta)을 예측합니다. 입력: 현재 관절 각도 + (x, y) 목표 위치. 출력: 4차원 델타 벡터. 마지막 10% 구간에서는 ‘조준 보정(aiming correction)’ 단계를 통해 보정된 목표 위치로 정밀하게 접근합니다.

조작기의 PyBullet URDF 모델은 시각화 용도로만 사용되며, 시뮬레이션이나 물리 기반 훈련에는 사용되지 않습니다. 따라서 실제 환경의 백래시나 유연성은 모델링되지 않습니다.

데이터 전처리

궤적은 고정 길이 시퀀스로 정규화 및 보간됩니다. 각 홈–목표 쌍에 대해 여러 차례 시범을 수집하고 평균화해 견고성을 높입니다.

전처리 단계는 다음과 같습니다:

• 이동 평균 필터링을 통한 노이즈 제거.
• 관절 각도를 [0, 1] 범위로 정규화.
• 각 궤적을 100–200 타임스텝으로 선형 보간.
• (x, y) 목표 좌표를 네트워크의 조건 입력(conditioning input)으로 결합.

신경망 아키텍처

다층 퍼셉트론(MLP)을 사용합니다:

• 입력: 4차원(정규화된 관절 각도),
• 목표 x/y 좌표에 대한 2개의 학습 가능 임베딩,
• 시간 단계 진행 상황을 인코딩하는 추가 시간 임베딩.
• 은닉층: 256 → 128 → 64 뉴런, ReLU 활성화 함수, 드롭아웃(p = 0.1).
• 출력: 4차원 각도 델타 예측값.

훈련은 델타 값에 대한 평균 제곱 오차(MSE) 손실 함수, Adam 옵티마이저(학습률 = 1e−3), 배치 크기 = 32, 에포크 수 = 500으로 수행합니다. 데이터 분할 비율은 80/10/10(훈련/검증/테스트)입니다.

오차 보정: 각 궤적의 마지막 10%는 보정된 목표 위치로 직접 선형 보간으로 대체하여, 말단 위치 정확도를 극대화합니다.

결과 및 일반화 성능

훈련된 네트워크는 관절 각도 오차 5° 이내, 목표 위치 정확도 ±2mm 이내로 궤적을 재현합니다. 훈련 그리드 점 사이에 위치한 미확인 셀 중심(보간 지점)에 대해서도 ±4mm 이내의 일반화 성능을 유지합니다.

방법 비교:

| 방법 | 관절 각도 오차 | 목표 위치 정확도(mm) |

|------|----------------|------------------------|

| 개루프 운동학 모델 | 12° | ±8 |

| 순수 모방 학습 | 4° | ±2 |

| 모방 학습 + 조준 보정 | 2° | ±1 |

본 접근법은 센서가 부족한 저가형 조작기로의 확장성이 뛰어납니다.

핵심 요약

• 모방 학습은 인코더와 정확한 운동학 모델 없이도 동작을 학습할 수 있습니다.
• 외부 포텐셔미터는 신뢰할 수 있는 ‘지상 진실(ground truth)’ 궤적 데이터를 제공합니다.
• 신경망은 목표 좌표에 조건화된, 목적 지향적 움직임 단계를 생성하며, 최종 조준 보정을 추가합니다.
• 단 68개의 수동 기록 궤적만으로도 새로운 목표 지점에 대한 강력한 일반화가 가능합니다.
• 예산 제약이 있는 하드웨어에서도 2mm 미만의 말단 위치 정확도를 달성할 수 있습니다.

— Editorial Team