[논문 리뷰] Adaptive and Resilient Soft Tensegrity Robots

John Rieffel, Jean-Baptiste Mouret|arXiv (Cornell University)|2017. 02. 10.

Structural Analysis and Optimization참고 문헌 37인용 수 5

한 줄 요약

이 논문은 진동 모터로 구동되는 부드러운 텐스그리티 로봇을 제시하며, 데이터 효율적인 베이지안 최적화를 통해 자율적으로 효율적인 이동 자세를 발견한다. 로봇은 물리적 손상에 뛰어난 내성을 보이며, 학습을 통해 신속히 자세를 적응시켜 최소한의 물리적 시도로 효과적인 이동을 달성한다.

ABSTRACT

Living organisms intertwine soft (e.g., muscle) and hard (e.g., bones) materials, giving them an intrinsic flexibility and resiliency often lacking in conventional rigid robots. The emerging field of soft robotics seeks to harness these same properties in order to create resilient machines. The nature of soft materials, however, presents considerable challenges to aspects of design, construction, and control -- and up until now, the vast majority of gaits for soft robots have been hand-designed through empirical trial-and-error. This manuscript describes an easy-to-assemble tensegrity-based soft robot capable of highly dynamic locomotive gaits and demonstrating structural and behavioral resilience in the face of physical damage. Enabling this is the use of a machine learning algorithm able to discover effective gaits with a minimal number of physical trials. These results lend further credence to soft-robotic approaches that seek to harness the interaction of complex material dynamics in order to generate a wealth of dynamical behaviors.

연구 동기 및 목표

• 물리적 손상 이후에도 자율적으로 자세를 발견하고 적응할 수 있는 부드럽고 내구성 있는 로봇을 개발하는 것.
• 기존 운동학적 방법으로는 제어하기 어려운 고차원적이고 유연한 부드러운 로봇을 제어하는 데 도전하는 것.
• 손으로 튜닝한 자세에 의존하는 것을 줄이고, 기계 학습을 통해 최소한의 물리적 실험으로 효과적인 이동 전략을 발견하도록 하는 것.
• 텐스그리티 구조와 진동 구동 방식이 동시에 구조적 내구성과 동적 적응 능력을 제공할 수 있음을 보여주는 것.

제안 방법

• 로봇은 탄성 스프링으로 예비 인장력을 가진 탄소섬유 기둥으로 연결된 텐스그리티 구조로 구성되며, 특정 기둥에 부착된 세 개의 진동 모터로 구동된다.
• 앞으로의 이동 거리를 최대화하는 최적의 모터 주파수 조합을 찾기 위해 가우시안 프로세스 사전 분포를 사용한 베이지안 최적화 알고리즘을 사용한다.
• 획득 함수는 상한 신뢰도 기반(Upper Confidence Bound, UCB)을 사용하여, 테스트하지 않은 주파수 조합의 탐색과 성능이 높은 조합의 활용 사이의 균형을 이룬다.
• 사전 분포는 9개의 수작업으로 선택한 주파수 조합(예: ±100%, 0%)과 그에 할당된 성능 점수로 정의되며, 이는 알고리즘이 검색 공간의 유망한 영역으로 향하도록 이끈다.
• 유사도를 모델링하기 위해 지수 커널을 사용하며, β = 0.15로 설정된다.
• 알고리즘은 예측된 성능와 불확실성에 기반해 새로운 주파수 조합을 반복적으로 선택하며, 각 물리적 시도 후 가우시안 프로세스 모델을 업데이트한다.

실험 결과

연구 질문

• RQ1 기계 학습을 통해 최소한의 물리적 시도로, 소프트 텐스그리티 로봇이 자율적으로 효과적인 이동 자세를 발견할 수 있는가?
• RQ2 로봇이 물리적으로 손상된 경우 성능이 얼마나 떨어지며, 적응형 학습을 통해 복구할 수 있는가?
• RQ3 전속도 주파수 조합을 기반으로 한 학습된 사전 분포가 자세 발견의 표본 효율성에 얼마나 기여하는가?
• RQ4 고차원적이고 비선형적인 동역학을 가진 텐스그리티 구조에서 진동 기반 구동 방식이 강력하고 동적 적응 가능한 이동을 가능하게 하는가?

주요 결과

• 10회의 학습 반복 후 로봇은 평균 이동 거리가 12.5 cm로, 5번째 백분율과 95번째 백분율은 각각 8.0 cm와 18.0 cm를 기록했다.
• 예를 들어 한 모터를 제거하거나 기둥을 파손시킨 물리적 손상 이후, 로봇은 15회의 추가 시도 이내에 기능적인 자세를 재학습하여 강력한 내구성을 입증했다.
• 수작업으로 구성한 사전 분포의 사용이 표본 효율성을 크게 향상시켰으며, 랜덤 검색보다 빠르게 고성능 자세로 수렴했다.
• 베이지안 최적화 프레임워크는 비대칭 모터 주파수 조합과 같은 직관적이지 않은 자세 패턴을 발견할 수 있었으며, 이는 대칭 또는 수작업 튜닝된 설정을 능가하는 성능을 보였다.
• 로봇은 변형 후에도 구조적 완전성을 유지하고 원래 형태로 복귀했으며, 이는 텐스그리티 설계의 본질적 내구성을 확인했다.
• 통계 분석 결과, 사전 지도된 탐색 전략과 랜덤 검색 전략 간의 성능 차이가 유의미하게 높았으며(p ≤ 0.01), 정보 기반 탐색의 유용성을 확인했다.