연구진이 저비용 로봇 암이 모터 전류와 10분간의 자유 공간 움직임만으로 외부 힘을 감지할 수 있는 시스템을 개발했습니다. 이 방법인 NEXT는 전용 센서에 필적하는 토크 추정치를 생성하여 힘 피드백 원격 조작과 FIRST라는 훈련 기술을 가능하게 하며, 접촉이 많은 작업에서 성공률을 크게 향상시킵니다.
목차
연구진이 만든 것
연구팀은 FACTR 2를 도입했습니다. 이는 값비싼 힘-토크 센서 없이 상용 로봇 암에 힘 인식 기능을 제공하는 두 가지 구성 요소로 이루어진 시스템입니다. 첫 번째 구성 요소는 NEXT(Neural External Torque estimation)로, 10분 정도의 모션 데이터만으로 로봇의 자유 공간 동역학을 학습하여 외부 관절 토크를 추정하는 데이터 기반 방법입니다. 두 번째 구성 요소는 FIRST(Force Informed Re-Sampling Training)로, NEXT의 토크 신호를 활용하여 시연에서 가장 중요한 부분(접촉 직전 및 접촉 중)을 식별하고 강조하는 행동 복제 기술입니다.
이전 접근 방식은 전용 관절 토크 센서(30,000달러짜리 Franka Panda 같은 고급 암에만 있음)에 의존하거나 상세한 시스템 식별이 필요한 모델 기반 외란 관측기를 사용했습니다. NEXT는 처음부터 신경망을 학습하며, 10분의 자유 공간 궤적과 1분의 훈련만 필요합니다. FIRST는 추정된 토크를 사용하여 각 시연을 자유 공간, 접촉 전, 접촉 단계로 분할하고, 후자 두 단계를 과대 샘플링하여 정책이 일반적으로 실패가 발생하는 전환에서 학습하도록 강제합니다.
이 작업은 LEGO 조립, 벨트 조립, 핀 삽입, 도구 정리, 캡 나사 조이기 등 5가지 장기 접촉이 많은 작업에서 검증되었습니다. 이 접근 방식은 2,500달러 AgileX Piper부터 30,000달러 Franka Panda까지 다양한 암에서 일반화됩니다.
주요 결과
20명의 참가자를 대상으로 한 사용자 연구에서는 Franka 암에서 5가지 조건(피드백 없음, 외란 관측기, 위치-위치 피드백, 내장 토크 센서를 사용한 FACTR Teleop, NEXT 추정치를 사용한 FACTR Teleop)으로 힘 피드백 원격 조작을 비교했습니다. 참가자들은 일관되게 NEXT 기반 피드백을 사용하기 더 쉽다고 평가했으며, 점수는 센서 버전에 가까웠습니다. 저비용 Piper 암에서도 NEXT는 기준 피드백 방법보다 성능이 뛰어났습니다.
정책 학습의 경우, FIRST는 표준 ACT, 원시 토크 입력이 있는 ACT, FACTR(시각적 커리큘럼), TA-VLA(보조 토크 목표) 등 여러 기준선과 비교 평가되었습니다. 5가지 작업 모두에서 FIRST는 기본 정책보다 작업 진행률을 10~25% 포인트 향상시켰으며, 정밀한 정렬(예: NIST 삽입)과 제어된 접촉(예: 캡 나사 조이기)이 필요한 작업에서 가장 큰 개선을 보였습니다. 절제 연구에 따르면 적당한 과대 샘플링(가중치 ≈ 5)이 가장 효과적이며, 과도한 과대 샘플링은 훈련 분포를 자유 공간 운동에서 벗어나게 하여 성능을 저하시킵니다.
이 방법은 두 가지 행동 표현(ACT 및 flow-matching)으로 테스트되었으며 일관된 개선을 보여, 이러한 이점이 정책 아키텍처가 아닌 데이터 재샘플링 전략에서 비롯됨을 확인했습니다.
작동 원리
NEXT는 로봇의 자유 공간 역동역학을 학습하여 외부 관절 토크를 추정합니다. 먼저 사람이나 스크립트가 각 관절을 개별적으로 전체 범위로 움직인 다음, 다양한 속도로 다관절 데카르트 운동을 실행합니다(총 10분). 이 데이터는 자유 공간에서 명령된 궤적을 따르는 데 필요한 모터 토크를 예측하는 소형 LSTM(순환 신경망)을 훈련하는 데 사용됩니다. 배포 시, 측정된 모터 토크(모터 전류에서)에서 예측된 자유 공간 토크를 뺍니다. 나머지가 추정된 외부 토크입니다.
핵심 통찰은 학습된 모델이 로봇별 물리 모델링 없이 관절 마찰, 관성, 코리올리 효과를 포착한다는 것입니다. LSTM은 제어 주파수(일반적으로 100~500Hz)로 실행되며 각 관절에 대한 토크 추정치를 출력합니다.
FIRST는 NEXT 토크 신호를 사용하여 시연의 각 시간 단계에 레이블을 지정합니다. 토크가 낮은 임계값 아래면 자유 공간, 두 번째 임계값 위면 접촉, 그 사이는 접촉 전입니다. 훈련 중에는 모든 단계에서 동일하게 샘플링하여 정책 배치를 구성하며, 이는 더 짧은 접촉 전 및 접촉 단계를 효과적으로 과대 샘플링합니다. 이는 정책이 일반적으로 실패하는 순간(그리퍼가 대상에 정렬되거나 힘을 가할 때)을 학습하도록 강제합니다.
로봇 공학에서의 중요성
힘 감지는 제조, 물류, 연구에 사용되는 저렴한 로봇 암에서 중요한 누락 요소였습니다. 전용 토크 센서는 암당 수천 달러를 추가하고 복잡한 배선과 교정이 필요합니다. FACTR 2는 이 장벽을 제거합니다. 2,500달러 AgileX Piper가 이제 30,000달러 Franka만큼 접촉을 감지할 수 있습니다.
로봇 구매자와 통합업체에게 이는 핀 삽입, 나사 조이기, 스냅 피팅, 조립과 같은 접촉이 많은 작업이 저렴한 하드웨어에서 가능해짐을 의미합니다. 이러한 소프트웨어 전용 힘 감지의 혜택을 받을 수 있는 플랫폼을 보려면 Robot Overflow에서 휴머노이드 로봇 탐색 또는 중고 산업용 로봇 판매를 확인하세요. 이 접근 방식은 추가 센서 투자 없이 예기치 않은 충돌을 감지하여 보다 안전한 인간-로봇 협업을 가능하게 합니다.
FIRST 훈련 기술은 아키텍처에 구애받지 않으며 모든 모방 학습 파이프라인에 적용할 수 있어 기존의 많은 로봇 학습 워크플로우에 드롭인 개선을 제공합니다.
한계 및 미해결 질문
NEXT는 자유 공간 데이터 수집과 배포 간에 로봇의 동역학이 일관된다고 가정합니다. 페이로드 변경이나 관절 마모는 정확도를 저하시킬 수 있습니다. 10분 데이터 수집은 최소화되었지만 여전히 수동 단계로, 로봇 플릿으로 확장하기 어려울 수 있습니다. FIRST의 단계 분할을 위한 토크 임계값은 작업별로 조정이 필요할 수 있는 하이퍼파라미터입니다. 또한 이 방법은 강체 및 준정적 접촉에서만 테스트되었습니다. 매우 동적인 작업(예: 망치질)이나 매우 변형 가능한 물체(예: 천)는 토크 기반 분할에 어려움을 줄 수 있습니다.
마지막으로 사용자 연구는 제한된 수의 참가자로 실험실 환경에서 수행되었습니다. 장시간 교대 근무에서 실제 원격 조작 성능은 테스트되지 않았습니다.
자주 묻는 질문
NEXT를 사용하려면 특별한 하드웨어가 필요한가요? 아니요. NEXT는 대부분의 로봇 암에서 이미 사용 가능한 모터 전류 신호만 사용합니다. 힘-토크 센서나 외부 측정 장치가 필요하지 않습니다.
새 로봇 암에 NEXT를 설정하는 데 얼마나 걸리나요? 자유 공간 궤적 수집에 약 10분, 신경망 훈련에 1분이 소요됩니다. 모션 명령은 자동 생성되거나 한 번 기록된 후 재생될 수 있습니다.
FIRST는 모든 모방 학습 정책에 사용할 수 있나요? 네. 저자들은 ACT와 flow-matching 정책 모두에서 FIRST를 테스트했으며 두 경우 모두 성능이 향상되었습니다. 순차적 시연 데이터로 훈련하는 모든 정책이 재샘플링 접근 방식을 채택할 수 있습니다.
FACTR 2는 저렴한 암과 고가의 암 모두에서 작동하나요? 네. 이 방법은 저비용 AgileX Piper(2,500달러)와 YAM 암, 그리고 고급 Franka Panda(30,000달러)에서 검증되었습니다. 힘 추정치는 전용 센서 품질과 일치했습니다.
결론
FACTR 2는 최소한의 데이터와 추가 센서 없이도 상용 로봇 암에서 정확한 힘 감지가 가능함을 보여줍니다. 간단한 학습된 토크 추정기와 스마트한 훈련 재샘플링 기술을 결합함으로써, 이 시스템은 값비싼 센서 로봇과 저렴한 로봇 간의 격차를 줄입니다. 이는 실제 생산 라인과 서비스 로봇 공학에서 힘 인식 조작의 채택을 가속화할 수 있습니다.