SC-DMPs, 상호작용 강성 기반 기저 재배치로 정밀 궤적 재현을 개선

작업 단계별 정밀 요구가 다른 로봇 궤적 학습에서 시범 데이터로부터 단계 중요도를 추론하고 이를 DMP 기저함수 배치에 반영해 재현과 일반화 정확도를 높일 수 있는가?

고전 DMP는 기저함수를 정규 위상 변수에 균일하게 배치해 정밀 삽입, 좁은 공차 조립처럼 국소 구간의 오차 허용이 작은 작업에서 중요 구간에 표현 용량을 집중하지 못한다. 곡률이나 분산 등 기존 표현 정제 기준은 궤적 기하나 정보량을 나타내지만 작업이 부과하는 공차와 항상 일치하지 않는다.

DMP는 강제항을 미리 배치한 가우시안 기저로 근사한다. ProMPs, ProDMP, GP-MP, KMP는 확률 분포나 커널로 궤적과 불확실성을 표현하지만 공분산 구조와 하이퍼파라미터를 조절할 뿐 단계별 정밀 요구를 명시적으로 반영하지 않는다. 기존 기저 재배치 연구는 곡률, 분산, 시간 구조, 상호정보량 기반 가중치를 사용하지만 작업 공차를 직접 나타내지 못하는 한계가 있다.

시연 중 작업자-로봇 상호작용 강성(축별 대각 강성)과 다중 시범의 작업공간 궤적 변동성을 결합해 단계 중요도 지수를 만든다. 강성과 역변동성을 시그모이드로 융합한 사전값을 만든 뒤, STR-Net이라는 경량 시간 정제 네트워크로 국소 잡음을 줄여 차원별 점수를 얻고 평균해 스칼라 중요도를 산출한다. 이 중요도의 누적값을 균등 분할해 역누적 방식으로 정규화 시간상 기저 중심을 재배치하고 위상 영역으로 매핑하며, 인접 중심 간격으로 기준 대역폭을 정한 뒤 후보 스케일 집합에서 순환 좌표 하강으로 강제항 재구성 오차를 줄이도록 대역폭을 조정한다.

필기 글자 Z와 M 실험에서 SC-DMPs는 5, 10, 15, 20, 25, 30개 기저 조건과 4개 지표를 조합한 48개 비교 중 45개에서 DMPs보다 낮은 오차를 보였다. DMPs 대비 평균 오차 감소율은 RMSE 21.42%, W-RMSE 21.92%, 기하 중요 구간 RMSE-Geo 32.50%, MaxE 24.67%였고, 모든 95% 신뢰구간이 0을 제외했다. 끝점 일반화에서는 36개 비교 중 34개에서 평균 오차가 낮았고, 20개 이상 기저에서 RMSE-Geo 감소율이 23.74%에서 47.32%였다. 최신 방법 비교에서 글자 Z의 RMSE 0.5927mm, RMSE-Geo 0.6637mm로 비교 모델 중 가장 낮았고, 글자 M에서도 RMSE 0.5041mm, RMSE-Geo 0.8094mm를 기록했다. 실물 KUKA iiwa 로봇의 플러그 삽입, 제거, 순차 디핑, 곡면 닦기 3개 과제에서는 DMPs 대비 RMSE를 5.83%~17.51%, 중요 구간 RMSE-TCR을 19.93%~23.86% 줄였고, MaxE-TCR은 비교한 6개 방법 중 가장 낮았다. 온라인 모델 크기는 약 1kB, 끝점 적응 시간은 4.71~4.86ms였다.

현재 공식은 정밀 지향 작업, 즉 상호작용 강성과 궤적 일관성으로 중요 구간이 드러나는 경우를 대상으로 한다. 저자는 저강성 중요 구간이나 컴플라이언트 동작, 동역학, 환경 맥락이 중요한 작업에는 힘, 비전, 물체 동역학, 상황 신호가 필요하다고 밝혔다. 대역폭 최적화는 이산 후보 집합의 좌표별 지역해를 찾아 전역 최적을 보장하지 않는다. 실물 로봇 실험은 과제당 시범 4회로 규모가 작고 단일 KUKA iiwa 플랫폼에서 수행됐다. STR-Net은 일부 과제에서 중요 구간 오차를 소폭 높였고, 글자 Z에서는 중심 재배치만 적용한 SC-DMPs-C보다 대역폭만 정제한 DMPs-BW가 더 낮은 오차를 보여 기하 특성에 따라 효과가 달라졌다. 코드 공개 여부는 논문에 보고되지 않았다.