로봇이 힘을 제어하는 조작 작업을 학습하는 것은 여전히 주요 도전 과제입니다. 본 연구는 근육 활동으로부터 손끝 힘을 추정하는 저비용 웨어러블 sEMG 손목밴드인 ForceBand를 소개하며, 인간 시연으로부터 운동 및 힘 궤적을 모두 예측하여 접촉이 많은 작업을 수행할 수 있는 힘 인식 정책 학습 접근법을 결합합니다.
웨어러블 힘 감지 설계
sEMG 밴드는 섬세한 손가락 제어와 관련된 손목 근육 활동을 정확하게 포착하도록 설계되었습니다. 설계는 감지 정확도, 저비용 및 재현성 간의 균형을 맞추며 두 가지 특정 목표를 대상으로 합니다.
접근성: 저비용 및 쉬운 제조. ForceBand 하드웨어는 상용 부품과 표준 프로토타이핑 워크플로에 의존하여 저비용으로 유지하고 재현하기 쉽습니다. 기계적 구조는 상용 3D 프린터와 같은 일반 도구로 제작할 수 있으며, 전자 부품은 모듈식이며 readily available 부품에서 조달됩니다. 총 비용은 공급업체에 따라 최저 300달러까지 가능합니다. 전체 부품 목록은 오픈소스로 제공됩니다.
성능: 근육 인식 및 고정밀. 밴드는 근육 인식 전극 배치와 바이폴라 설계를 결합하여 고품질 데이터를 수집합니다. 이 성능은 세 가지 하드웨어 선택, 즉 저잡음 생체전위 획득, 바이폴라 차동 감지 및 해부학적으로 안내된 전극 배치에 의해 뒷받침됩니다.
근육 인식 sEMG 손목밴드 설계
sEMG 모듈 설계는 세 가지 설계 선택, 즉 고품질 의료용 생체전위 측정 칩, 바이폴라 전극 설계 및 근육 인식 전극 배치를 통해 손목에서 미세한 전위를 기록하도록 최적화되었습니다.
인간 시연으로부터의 힘 인식 정책 학습
힘 정보가 포함된 인간 시연을 로봇 실행 가능 정책으로 변환하기 위해, 접근법은 플로우 매칭 트랜스포머 정책을 확장하여 힘을 관찰 측과 행동 측 모두에 추가 채널로 입력합니다. 파이프라인은 동기화된 인간 비디오와 추정된 손끝 힘을 입력으로 사용하고, 인간 손 동작을 로봇 형체로 리타겟팅하며, 운동 및 힘 궤적을 모두 예측하는 플로우 매칭 정책을 훈련합니다. 이를 통해 로봇은 접촉이 많은 조작 중에 어디로 움직일지뿐만 아니라 얼마나 많은 힘을 가해야 하는지도 학습할 수 있습니다.
전극 배치에 대한 절제 연구
1채널, 2채널 및 4채널 설정의 경우, 공개된 데이터셋이 사용되며 사용되지 않은 채널은 마스킹됩니다. 균일 배치와 근육 인식 배치를 비교하기 위해 각 배치에 대해 별도의 30분 데이터셋이 수집되었습니다. 두 데이터셋 모두 동일한 프로토콜(10개 물체, 2손가락, 3손가락, 5손가락 잡기, 물체당 5회 반복)을 사용합니다.
채널 수를 늘리면 힘 예측 오차가 지속적으로 감소합니다. 일치된 30분 프로토콜에서 근육 인식 배치는 균일한 8채널 배치에 비해 18% 더 나은 성능을 보였습니다. 이 결과는 해부학적으로 안내된 배치가 균일한 손목 커버리지보다 더 유용한 EMG 신호를 제공함을 보여줍니다.
참고: 왼쪽과 오른쪽 하위 표는 서로 다른 데이터를 사용하므로 직접 비교해서는 안 됩니다.
한계 및 논의
절대 힘 정확도. sEMG로부터의 힘 예측은 직접적인 힘 감지만큼 정확하지는 않지만, 현재 정확도는 많은 힘 조작 작업에 충분합니다. 인간 데이터로부터 학습된 힘 사전 정보는 정책이 언제, 얼마나 세게 힘을 가해야 하는지 이해하는 데 도움이 되며, 잔여 오차는 제한된 로봇 상호작용 데이터나 로봇 자체의 힘 피드백을 사용한 강화 학습을 통해 추가로 줄일 수 있습니다.
사용자 간 일반화. 근육 신호는 사용자마다 다르므로 현재 파이프라인은 4명의 사용자를 대상으로 하며 사용자별 보정을 적용합니다. 이 한계는 데이터 수집을 확장함으로써 완화될 수 있습니다. 대규모 sEMG 데이터셋은 강력한 사용자 간 일반화를 보여주었고, 관련 손목 sEMG 컨트롤러는 이제 보정 없이도 다양한 사용자에서 작동합니다. 더 큰 EMG2Force 데이터셋은 사용자별 보정의 필요성을 줄이거나 없앨 것으로 예상됩니다.
보정에는 여전히 손끝 힘 센서가 필요함. 현재 보정은 참값을 위해 손끝 힘 센서에 의존하므로 설정이 아직 완전히 센서가 없지는 않습니다. 이 요구 사항은 EMG2Force를 더 크고 다양한 사용자 집단으로 확장하거나, 보정된 물체나 고정물을 사용한 표준화된 잡기 상호작용을 기반으로 한 센서 없는 보정 프로토콜을 개발함으로써 줄일 수 있습니다.
자주 묻는 질문
기존 sEMG 손목밴드와 ForceBand 설계의 차이점은 무엇인가요? ForceBand는 손목 해부학을 기반으로 한 근육 인식 전극 배치를 바이폴라 차동 감지 설계와 결합하여 균일한 전극 배치에 비해 힘 예측 오차를 18% 낮춥니다.
로봇은 인간 시연으로부터 힘 기반 조작을 어떻게 학습하나요? 인간 비디오와 추정된 손끝 힘이 동시에 기록된 후, 플로우 매칭 트랜스포머 정책이 운동 및 힘 궤적을 모두 예측하도록 훈련되어 로봇이 적절한 힘 적용으로 접촉이 많은 작업을 학습할 수 있게 합니다.
로봇 공학에서 힘 예측을 위해 sEMG를 사용할 때의 주요 한계는 무엇인가요? 절대 힘 정확도가 직접적인 힘 감지보다 낮고, 사용자 간 일반화를 위해 사용자별 보정이 필요하며, 보정 과정이 여전히 참값 데이터를 위해 손끝 힘 센서에 의존합니다.
ForceBand는 사용자별 보정 없이 작동할 수 있나요? 현재 데이터셋으로는 아직 불가능하지만, 저자들은 더 큰 EMG2Force 데이터셋이 관련 상용 손목 sEMG 컨트롤러에서 볼 수 있듯이 사용자별 보정의 필요성을 줄이거나 없앨 수 있을 것으로 기대합니다.