진동이 많은 로봇 접촉에서 센서리스 렌치 추정을 위한 주파수 인식 분해 학습
Frequency-aware decomposition learning for sensorless wrench estimation in vibration-rich robotic contact
힘 및 토크(F/T) 센서는 반응형 피드백을 제공하여 접촉 인식 제어를 가능하게 하지만, 파손되기 쉽고 가격이 비싼 경우가 많습니다. 이러한 한계를 극복하기 위해 센서리스 방식은 로봇의 고유수용감각(proprioception)만으로 F/T 또는 렌치(wrench)를 추정하며, 파지(grasping)와 같은 저속 상호작용 작업에서 성공적인 결과를 보여주었습니다. 그러나 이러한 방식의 저주파 통과(low-pass) 특성은 연삭(grinding)과 같은 급격한 접촉 작업에서 중요한 고주파 신호 추정을 제한합니다. 또한 통신 지연으로 인해 실제 배포 중 추정값이 구식이 될 수 있지만, 이를 직접 다루는 방법은 거의 없습니다. 이러한 한계를 극복하기 위해, 본 연구에서는 다단계 미래 예측(multi-step-ahead) 방식으로 진동이 많은 렌치를 센서 없이 추정하는 주파수 인식 분해 네트워크(FDN)를 제안합니다. 고주파수 영역의 확률성을 고려하여, FDN은 렌치 구간(horizon)을 저주파 추세와 고주파 잔차로 스펙트럼 분해하고, 각각 포인트 단위 회귀와 학습된 조건부 분포를 통해 추정합니다. 주파수 인식 레이어는 출력에 대역 분해 사전확률을 부여하고 입력의 주파수 진폭을 적응적으로 향상시킵니다. FDN은 추정 과정에서 식별된 로봇 모델(identified robot model)이나 F/T 센서를 모두 필요로 하지 않습니다. 6자유도 유압 매니퓰레이터에서 수집한 실제 연삭 데이터를 바탕으로 한 실험에서, FDN은 가정한 지연 시간 조건하에 기준선(baseline) 대비 고주파 진폭 오차를 최대 47% 줄이면서도 경쟁력 있는 저주파 포인트 단위 정확도를 유지한 반면, 기준선 모델들은 이 둘 간의 균형을 맞추지 못했습니다. 또한 다단계 미래 예측 추정이 실현 가능함을 확인하였으며, FDN은 단일 CPU 스레드에서 11ms 이내에 1,000ms의 구간을 추정합니다. 절제 연구(ablation study)를 통해 세부 설계 요소들의 타당성을 추가로 입증했습니다. 탐색적 연구에서는 오픈소스 일상 조작 데이터셋에서 학습된 렌치 동역학을 전이함으로써 저주파 오차를 8% 줄인 반면, 고주파 동역학은 도메인에 특화된 것으로 나타났습니다.