[논문 리뷰] Data-driven Methods Applied to Soft Robot Modeling and Control: A Review

Zixi Chen, Federico Renda외 7명|arXiv (Cornell University)|2023. 05. 20.

Cardiovascular Health and Disease PreventionMedicine인용 수 3

한 줄 요약

이 리뷰는 소프트 로봇의 데이터 기반 모델링 및 제어 방법을 종합적으로 분석하며, 다섯 가지 유형—자이로스키안, 분석적, 통계적, 신경망, 강화 학습—으로 분류하여 데이터 요구량, 제어 성능, 작업 적합성 측면에서 비교한다. 연구는 향후 소프트 로봇 제어에서 모델 복잡성, 계산 속도, 로봇 노화 및 변동성에 대한 적응성 간의 상충 관계를 감안할 때 하이브리드 오프라인-온라인 학습 접근 방식이 지배적일 것으로 예측한다.

ABSTRACT

Soft robots show compliance and have infinite degrees of freedom. Thanks to these properties, such robots can be leveraged for surgery, rehabilitation, biomimetics, unstructured environment exploring, and industrial grippers. In this case, they attract scholars from a variety of areas. However, nonlinearity and hysteresis effects also bring a burden to robot modeling. Moreover, following their flexibility and adaptation, soft robot control is more challenging than rigid robot control. In order to model and control soft robots, a large number of data-driven methods are utilized in pairs or separately. This review first briefly introduces two foundations for data-driven approaches, which are physical models and the Jacobian matrix, then summarizes three kinds of data-driven approaches, which are statistical method, neural network, and reinforcement learning. This review compares the modeling and controller features, e.g., model dynamics, data requirement, and target task, within and among these categories. Finally, we summarize the features of each method. A discussion about the advantages and limitations of the existing modeling and control approaches is presented, and we forecast the future of data-driven approaches in soft robots. A website (https://sites.google.com/view/23zcb) is built for this review and will be updated frequently.

연구 동기 및 목표

• 데이터 기반 모델을 소프트 로봇 모델링 및 제어에 활용하는 데 있어 체계적으로 분류하고 비교하기.
• 자이로스키안, 분석적, 통계적, 신경망, 강화 학습의 다섯 가지 주요 데이터 모델 유형의 강점, 한계, 상충 관계를 규명하기.
• 소프트 로봇 분야에서의 모델 이식성, 로봇 노화, 데이터 신뢰성 문제 해결하기.
• 모델 드리프트와 로봇 변동성에 대응하기 위해 오프라인 학습된 모델과 온라인 학습 기반 제어기를 융합한 향후 방향 제안하기.
• 의료용 소프트 로봇 공학에 응용할 때 딥 러닝 및 강화 학습의 안전성과 해석 가능성 격차를 부각하기.

제안 방법

• 수학적 및 계산 기반 기초에 따라 기존 소프트 로봇 모델링 및 제어 접근 방식을 다섯 가지 데이터 모델 유형으로 분류하기.
• 데이터 요구량, 제어 주파수, 동적 능력, 온라인 업데이트 지원 여부 등의 기준을 활용해 각 모델 유형 분석하기.
• 2019년 이후의 최신 문헌을 조사하여 로봇 설계, 센서, 작업 유형에 따른 모델 응용 사례 맵핑하기.
• 제어 정확도, 계산 부담, 실시간 응용 가능성 등을 비교 분석하여 모델 성능 평가하기.
• 오프라인 학습된 모델과 온라인 적응 기능을 융합한 하이브리드 제어 프레임워크 제안하여 모델 드리프트 및 로봇 변동성 문제 해결하기.
• 실시간 생체 내 탐색이 불가능하므로 강화 학습 에이전트 훈련에 시뮬레이션 및 물리적 시뮬레이터의 역할 강조하기.

실험 결과

연구 질문

• RQ1 자이로스키안, 분석적, 통계적, 신경망, 강화 학습 등의 다양한 데이터 기반 모델은 소프트 로봇의 데이터 요구량, 제어 주파수, 모델링 정확도 측면에서 어떻게 비교될 수 있는가?
• RQ2 현재의 데이터 기반 모델이 소프트 로봇 제어에서 겪는 주요 한계는 무엇인가? 특히 모델 이식성과 장기적 신뢰성 측면에서.
• RQ3 왜 신경망과 강화 학습을 의료용 소프트 로봇 공학에 적용할 때 해석 가능성 문제가 주요 장벽이 되는가?
• RQ4 온라인 학습은 소프트 로봇의 재료 노화와 제조 변동성으로 인한 성능 저하를 어떻게 보완할 수 있는가?
• RQ5 실시간 소프트 로봇 제어를 위해 모델 복잡성과 계산 효율성 사이의 최적 균형은 무엇인가?

주요 결과

• 신경망과 강화 학습은 비선형적이고 복잡한 변형에 대해 높은 성능을 달성하지만, 대규모 데이터셋이 필요하고 계산 복잡도로 인해 온라인 훈련에 부적합하다.
• 자이로스키안 및 통계 모델(예: GPR, KF)은 온라인 학습과 높은 제어 주파수를 지원하여 낮은 모델링 정확도에도 불구하고 실시간 응용에 더 실용적이다.
• 유한요소법(FEM) 및 상태공간 표현과 같은 분석 모델은 물리적 설명을 상세히 제공하지만, 온라인 적응이나 실시간 제어에는 적합하지 않다.
• 오프라인 학습된 모델과 온라인 학습 구성 요소를 융합한 조합이 로봇의 노화 및 로봇 간 변동성에 대한 저항력 향상으로 인해 향후 주요 제어 전략이 될 것으로 예측된다.
• 강화 학습은 생체 내에서 훈련이 불가능하므로 시뮬레이션에 의존해야 하며, 이는 고급 작업 능력이 있음에도 불구하고 임상적 적용을 제한한다.
• 해석 가능성과 안전성 문제로 인해 딥 러닝 및 강화 학습의 의료 응용에 있어 주요 장벽이 남아 있으며, 이를 해결하기 위해 다학제적 협력이 필요하다.