[논문 리뷰] Learning Compliance Adaptation in Contact-Rich Manipulation

Jianfeng Gao, You Zhou외 1명|arXiv (Cornell University)|2020. 05. 01.

Robot Manipulation and Learning참고 문헌 10인용 수 4

한 줄 요약

이 논문은 접촉이 풍부한 조작에서 힘 프로파일을 예측하기 위한 이방향 GRU 기반 예측 모델을 제안하며, 실시간 이상 탐지 및 적응형 임피던스 제어를 가능하게 한다. 시스템은 정상 작동 중 높은 힘 추적 정확도를 확보하고 외부 간섭에 대해 빠르게 유연성(탄성)을 조절하며, 이상 사건을 70ms 이내로 탐지한다.

ABSTRACT

Compliant robot behavior is crucial for the realization of contact-rich manipulation tasks. In such tasks, it is important to ensure a high stiffness and force tracking accuracy during normal task execution as well as rapid adaptation and complaint behavior to react to abnormal situations and changes. In this paper, we propose a novel approach for learning predictive models of force profiles required for contact-rich tasks. Such models allow detecting unexpected situations and facilitates better adaptive control. The approach combines an anomaly detection based on Bidirectional Gated Recurrent Units (Bi-GRU) and an adaptive force/impedance controller. We evaluated the approach in simulated and real world experiments on a humanoid robot.The results show that the approach allow simultaneous high tracking accuracy of desired motions and force profile as well as the adaptation to force perturbations due to physical human interaction.

연구 동기 및 목표

• 정상적인 접촉이 풍부한 조작 작업 중 높은 스티프니스(stiffness)와 정밀한 힘 추적을 유지할 수 있도록 하는 것.
• 충돌, 인간 간섭 또는 접촉 상실과 같은 이상 사건을 예측적 힘 모델링을 통해 탐지하는 것.
• 이상 탐지에 대응해 탄성(유연성)을 동적으로 조절하면서도 안정적인 복구를 보장하는 것.
• 모의 환경과 실제 인간형 로봇 실험 모두에서 실시간, 저지연 적응을 가능하게 하는 것.
• 예측적 힘 모델링과 적응형 임피던스 제어를 융합하여 강건하고 안전한 인간-로봇 상호작용을 실현하는 것.

제안 방법

• 정상 작업 수행 중 기록된 힘 및 운동 데이터를 기반으로 이중 가중치 순환 단위(Bi-GRU) 네트워크를 훈련시켜 예상 힘 프로파일의 예측 모델을 학습한다.
• 예측 모델은 평균 힘 추정치와 3-시그마 신뢰구간을 출력하여 불확실성을 정량화한다.
• 실제 힘 측정값이 예측된 신뢰구간을 벗어날 경우 이상 탐지가 발생하며, 이에 따라 이상성 점수가 생성된다.
• 임계값 기반 이상 탐지 메커니즘(예: −1000)이 70ms 이내에 탄성 조절을 유도한다.
• 이상 탐지 시 300ms 이내로 스티프니스를 정상 값의 2%로 감소시켜 간섭 상황에서 탄성 행동을 가능하게 하는 적응형 임피던스 제어기 작동.
• 이상 사건 이후 제어 파라미터를 점진적으로 정상 값으로 복구시켜 불안정성을 방지하고, 고스티프니스 작동 재개를 안전하게 보장한다.

실험 결과

연구 질문

• RQ1 Bi-GRU 기반의 예측적 힘 모델이 접촉이 풍부한 조작 중 예상 힘 프로파일에서의 이탈을 효과적으로 탐지할 수 있는가?
• RQ2 충돌이나 인간 간섭과 같은 이상 사건을 시스템이 얼마나 빨리 탐지하고 반응할 수 있는가?
• RQ3 정상 작업 수행 중 힘 추적 정확도를 희생시키지 않고도 적응형 탄성을 달성할 수 있는가?
• RQ4 이상 사건 이후 시스템은 불안정성을 유발하지 않으면서도 안정적이고 안전한 복구를 어떻게 보장하는가?
• RQ5 제안된 방법은 다양한 표면 기하학적 형태와 동적 상호작용 시나리오에 일반화될 수 있는가?

주요 결과

• 시스템은 충돌, 간섭, 인간 상호작용과 같은 이상 사건을 발생 후 70ms 이내로 탐지하였다.
• 평탄한, 기울어진, 곡면 형태의 표면에서 정상 작동 중 루트 평균 제곱 오차(RMSE)는 1.047N로 나타나 힘 조절 정확도가 매우 높음을 보였다.
• 예측된 힘 프로파일은 실제 측정값과 밀도 높은 유사성을 보였으며, 3-시그마 규칙에 따라 99.7%의 데이터가 신뢰구간 내에 포함되었다.
• 이상 탐지 후 300ms 이내로 스티프니스가 정상 값의 2%로 감소하여 간섭 상황에서 탄성 행동이 가능해졌다.
• 제어 파라미터의 복구 과정이 점진적으로 이루어져 진동과 불안정성을 방지하였으며, 특히 연속적인 이상 사건 발생 상황에서도 유리하였다.
• 이 방법은 다양한 표면 유형에서 모의 환경과 실제 실험 모두에서 ARMAR-6 인간형 로봇에서 성공적으로 검증되었다.