방법론
제안된 PSA-PPO 동작 제어기는 기존에 개발된 상추 절단 지점 위치 추정 인식 모듈 및 절단·고정 메커니즘과 통합되어 전체 파이프라인을 구성합니다. 정책은 전적으로 시뮬레이션에서 학습되며, 실제 환경에서 미세 조정 없이 실물 로봇으로 이전됩니다.
말단장치 통합
수확 도구는 기존에 개발된 상추 절단·고정 말단장치를 OnRobot 2FG7 그리퍼로 직접 구동하도록 개조했습니다. 재설계된 부품은 SolidWorks 2026 (Dassault Systèmes, Vélizy-Villacoublay, France)에서 모델링한 뒤, 폴리락트산(PLA) 필라멘트를 사용한 용융 적층 모델링(FDM) 방식으로 3D 프린팅했습니다.
기존 2FG7 핑거를 한 쌍의 지지 핑거와 전단 날이 달린 맞춤형 브래킷으로 교체하면서, 1종 지레 절단 원리는 유지했습니다. 따라서 그리퍼를 한 번 닫으면 전단 장치가 작동하는 동시에 분리된 상추를 붙잡아 이송할 수 있습니다.
실험 설정
PSA-PPO의 학습 및 시뮬레이션 평가는 RSL-RL 백엔드를 사용해 Isaac Sim 5.1.0의 NVIDIA Isaac Lab에서 수행했습니다. 학습에는 Ubuntu 22.04 LTS 워크스테이션의 GPU 병렬 시뮬레이션을 사용했습니다. 해당 워크스테이션에는 Intel Xeon Gold 프로세서 2개, 256 GB RAM, VRAM 48 GB의 NVIDIA RTX A6000 GPU가 탑재되었습니다.
후보 정책은 실물 로봇과 상호작용하지 않고 학습했습니다. 선정된 액터는 규정된 전방 작업 공간에 걸쳐 무작위로 생성된 목표들로 구성된 고정 세트에서 결정론적으로 평가했습니다. 구성 요소 제거 어블레이션도 동일한 목표 세트에서 평가하여, 완전한 PSA-PPO 구성과 목표별 짝지은 비교가 가능하도록 했습니다.
실물 실험에는 UR10e 매니퓰레이터(Universal Robots, Odense, Denmark), OnRobot 2FG7 그리퍼(OnRobot, Odense, Denmark), 그리고 공구 중심점 근처에 장착된 Intel RealSense D435i RGB-D 카메라를 갖춘 RB-VOGUI 모바일 플랫폼(Robotnik Automation, Paterna, Spain)을 사용했습니다.
개조한 말단장치는 2FG7에 직접 장착했습니다. 탑재된 Intel i7 기반 컴퓨터는 인식, 목표 좌표 변환, 수확 순서 제어, 결정론적 PSA-PPO 추론, ROS 1 통신 및 그리퍼 제어를 수행했습니다. 시뮬레이션에서 학습한 액터는 미세 조정 없이 이 플랫폼으로 이전했습니다.
운동학 및 비정형 궤적 진단
민감도 분석으로 선정된 세트에서 Cartesian+TOTG에는 방향 회전, 단일 관절 회전 또는 특이점 근접에 해당하는 중대 이벤트가 없었습니다. RRTConnect 선정 세트에는 방향 회전 이벤트 2건, 단일 관절 회전 이벤트 1건, 손목 특이점 근접 사례 3건, 팔꿈치 특이점 근접 사례 1건이 있었습니다. RRT 선정 세트에는 방향 회전 이벤트 4건, 단일 관절 회전 이벤트 3건, 손목 특이점 근접 사례 2건, 팔꿈치 특이점 근접 사례 1건이 있었습니다. 이 수치는 선정된 진단 하위 집합에 대한 것이며, 전체 목표 모집단*을 나타내지 않습니다.
우선순위가 가장 높은 선정 플래너 실행 결과를 동일한 목표에서 PSA-PPO와 함께 보여줍니다. 선정된 세트에 Cartesian 방식의 중대 이벤트가 없었으므로, Cartesian 사례는 중대 이벤트가 아닌 이상 사례 중 순위가 가장 높습니다. RRTConnect 및 RRT* 사례에는 사전 정의된 감사 규칙에 따른 중대 진단 이벤트가 포함됩니다. 이 사례들은 극단적인 동작 양상을 보여줄 뿐, 충돌 이벤트로 분류되지 않습니다.
코드 공개
소스 코드와 보조 자료는 논문 게재 후 저자들의 GitHub 저장소에서 공개될 예정입니다.
감사의 글
본 연구는 미국 농무부(USDA) 국립식량농업연구소(NIFA)의 Research Capacity Fund Hatch Program: TEX09954 (Accession No. 7002248) 및 Research Capacity Fund Multistate Hatch Program: TEX0-1-9916 (Accession No. 7008389)의 지원을 일부 받았습니다.
본 논문은 Texas A&M University Division of Research Targeted Proposal Teams (TPT) 지원 프로그램과 Texas A&M AgriLife Research의 지원도 받았습니다. 본 논문에 제시된 의견, 연구 결과, 결론 또는 권고 사항은 저자의 것이며, USDA 또는 미국 정부의 공식적인 판단이나 정책을 대변하는 것으로 해석해서는 안 됩니다.
자주 묻는 질문
PSA-PPO 정책은 어떻게 학습하고 배포하나요? 전적으로 시뮬레이션에서 학습한 뒤, 실제 환경에서 미세 조정하지 않고 실물 로봇으로 이전합니다.
실물 실험에는 어떤 로봇 플랫폼을 사용했나요? UR10e 매니퓰레이터, OnRobot 2FG7 그리퍼, Intel RealSense D435i 카메라를 갖춘 RB-VOGUI 모바일 플랫폼을 사용했습니다.
개조한 말단장치는 어떻게 상추를 절단하고 붙잡나요? 그리퍼를 한 번 닫으면 전단 장치가 작동하고, 한 쌍의 지지 핑거가 분리된 상추를 붙잡습니다.
진단 궤적 사례는 충돌로 분류되었나요? 아니요. 극단적인 동작 양상을 보여주는 사례이며 충돌 이벤트로 분류되지 않습니다.