서울대학교2022#034제어·MPC논문

데이터 기반 모델 역변환을 통한 로봇화 산업용 유압 굴착기 정밀 운동 제어

Precision Motion Control of Robotized Industrial Hydraulic Excavators via Data-Driven Model Inversion

Minhyeong Lee, Hyelim Choi, ChangU Kim, Jihyun Moon, Dongmok Kim, Dongjun Lee · IEEE Robotics and Automation Letters (RA-L)

한줄 요약 — 조인트 자세·실린더 및 펌프 압력·추정 외력을 입력으로 받는 구간선형 정적 맵, IIR 지연 모델과 MLP 속도 모델을 각각 학습한 뒤 해석적 의사역·역필터·신경망 역모델을 직렬로 구성하여, 실제 38톤 굴착기의 굴착과 grading에서 비슷한 작업 속도를 유지하면서 버킷 팁 경로 RMSE를 각각 1.99 cm와 1.83 cm로 낮췄다.

1.연구 배경 및 동기

대형 유압 굴착기의 지연·dead zone·하중 변화를 역모델로 보상하는 정밀 제어

대형 유압 굴착기의 조이스틱 명령과 실제 링크 운동 사이에는 밸브 dead zone, 유량 포화, 방향별 비대칭, 유체 압축성에 따른 지연과 토양 접촉 하중이 존재한다. 제조사 제어기는 안정성과 범용성을 우선한 PI 구조를 사용하기 때문에 빠른 굴착과 정밀한 grading에서 동일한 추종 성능을 내기 어렵다. 모든 현상을 하나의 거대한 신경망으로 학습하면 많은 파라미터와 학습시간이 필요하고, 어떤 요소가 지연이나 비선형을 보상하는지 해석하기도 어렵다.

논문은 유압 plant를 물리적 역할이 구분되는 세 모듈로 분해하고, 각 모듈을 역순으로 뒤집어 feedforward 제어기를 만드는 physics-inspired data-driven 접근을 제안한다. 구간선형 맵은 조이스틱 dead zone과 방향 비대칭을, 대각 IIR 필터는 조인트별 유압 지연을, MLP는 자세·압력·외력에 따른 각속도를 학습한다. 수집된 260만 시점의 실제 작업 데이터로 오프라인 학습하고, 역모델 출력에 단순한 비례 피드백을 더해 모델 오차와 외란을 억제한다.

원문 Figure 1, PDF 2쪽
원문 Figure 1 · PDF p.2 — Fig. 1. Doosan DX380LC, a commercial 38-ton class industrial hydraulic excavator. The excavator is customized with IMUs, pressure sensors, and a Velodyne Puck VLP-16 LiDAR. The IMUs are attached to each link, and the pressure sensors are located in all pumps and cylinders.
원문 Figure 2, PDF 2쪽
원문 Figure 2 · PDF p.2 — Fig. 2. Joint configuration of the excavator. The bucket tip position is observed in the frame {B} attached to the base of the excavator.
선행 연구의 한계
이 연구의 기여

2.방법론 및 시스템 구성

plant 모델의 첫 모듈은 조이스틱 명령을 유효 밸브 입력으로 바꾸는 조인트별 8구간 piecewise-linear 맵이다. 두 번째 모듈은 boom, arm, bucket 축에 독립적인 3차 대각 IIR 전달함수를 적용해 유압 응답 지연과 완만한 상승을 표현한다. 세 번째 모듈은 세 조인트 각도, 여섯 실린더 챔버 압력, 두 펌프 압력과 두 성분의 추정 외력을 합친 13차원 작업 상태와 지연된 입력으로 각속도를 예측하는 MLP다. 이 분해는 메모리 효과를 IIR에 맡기고 MLP가 상태·부하 의존 성분에 집중하도록 한다.

제어기에서는 순서를 뒤집는다. 먼저 목표 각속도와 현재 상태를 입력하는 역 MLP가 지연 모듈의 필요한 출력을 계산한다. 이어 안정한 인과적 보상필터가 IIR의 지연을 부분적으로 상쇄하고, 마지막으로 piecewise-linear 맵의 해석적 의사역이 조이스틱 명령을 생성한다. 완전한 역변환이 어려운 dead zone과 비최소위상 지연 때문에 feedforward만으로 정확도를 보장하지 않고, 조인트 각도 오차에 K=1.5I 비례 피드백을 추가한다. 논문은 각속도 추종 오차가 유계이면 각도 오차도 궁극적으로 유계가 됨을 정리로 제시한다.

처리 파이프라인

1

실운전 데이터 수집

DX380LC가 여러 깊이와 속도로 굴착·grading을 수행하도록 하고, 0.25~0.5 Hz와 진폭 0.3~0.5의 sinusoidal 조이스틱 명령도 추가한다. 100 Hz CAN·센서 데이터를 동기화해 조인트 자세, 챔버·펌프 압력, 외력 추정치, 조이스틱과 각속도를 기록한다.

2

모듈형 plant 식별

조인트별 8-segment 구간선형 맵, 대각 3차 IIR 필터, hidden size 256의 ReLU MLP를 순차 학습한다. IIR이 시간 지연을 명시적으로 담당하므로 MLP가 긴 시계열 기억을 자체적으로 학습할 필요가 줄어든다.

3

역모델 구성

상태와 목표 각속도에서 필요한 내부 입력을 예측하는 tanh MLP, 극점 0.82가 중복된 인과 보상필터, 구간선형 맵의 분석적 의사역을 연결한다. distal learning으로 역 MLP를 학습하고 plant 예측을 통과한 출력이 목표 속도와 맞도록 한다.

4

비례 피드백 결합

역모델의 조이스틱 feedforward에 조인트 각도 오차 기반 P 보정을 추가해 학습 오차와 외란 누적을 줄인다. 실험에서는 세 축에 동일한 K=1.5를 적용한다.

5

경로 추종 실기 평가

전문가 작업 패턴을 경로 길이에 맞게 스케일링해 굴착 및 grading 기준 궤적을 만들고, 제안 제어기와 제조사 PI 제어기를 동일 장비에서 비교한다. 시작 후 1초의 과도 구간은 RMSE 계산에서 제외한다.

원문 수식과 의미

모듈형 plant

q˙^k=hΓk ⁣(P(z)fΓk(uk))\hat{\dot q}_k=h_{\Gamma_k}\!\left(P(z)f_{\Gamma_k}(u_k)\right)

상태 의존 piecewise-linear 정적 맵 f, 조인트별 IIR 동역학 P(z), 상태 의존 속도 MLP h를 직렬 연결한 식 (1)~(3)의 핵심 관계다. 상태 Γ에는 자세, 압력과 외력 정보가 포함된다.

데이터 기반 역모델

uk=gf ⁣(CP(z)gh,Γk(q˙kdes))u_k=g_f\!\left(C_P(z)g_{h,\Gamma_k}(\dot q_k^{\mathrm{des}})\right)

목표 각속도를 역 MLP g_h, 인과적 지연 보상필터 C_P, 정적 맵 의사역 g_f에 통과시켜 조이스틱 명령으로 변환하는 식 (4)~(6)의 구조다.

비례 피드백이 포함된 명령

q˙kdes=q˙kref+K(qkref−qk)\dot q_k^{\mathrm{des}}=\dot q_k^{\mathrm{ref}}+K(q_k^{\mathrm{ref}}-q_k)

기준 각속도에 조인트 각도 오차의 비례항을 더하는 식 (8)이다. 역모델의 feedforward 오차와 외부 하중 변화를 폐루프로 보정한다.

원문 Figure 3, PDF 3쪽
원문 Figure 3 · PDF p.3 — Fig. 3. Framework of the data-driven model inversion and its offline learning schema. First, the excavator plant model (right) is proposed to approximate the excavator dynamics. Then, the inversion control (left) of the excavator plant model, constructed in a modular manner, compensates for the excavator dynamics including the input delays, the state-dependent dead-zones, and the soil interactions.

3.핵심 기술

정적 비선형·지연·상태 의존성을 분리한 plant 모델

하나의 네트워크로 유압계를 근사하는 대신 각 현상을 적합한 모델에 배분한 것이 핵심이다. 밸브 dead zone과 양·음 방향의 다른 이득은 구간선형 함수로 직접 나타내고, 링크별 상승시간은 IIR 필터로 표현한다. 원문에서 식별된 settling time은 boom 0.41초, arm 0.33초, bucket 0.26초로 서로 달라 단일 지연값으로 처리하기 어렵다.

상태 의존 MLP는 링크 각도뿐 아니라 여섯 챔버와 두 펌프의 압력, 운동량 관측기로 추정한 두 축 외력을 받는다. 따라서 동일한 조이스틱 명령이라도 자세와 토양 하중에 따라 달라지는 속도를 표현할 수 있다. IIR을 제거한 모델은 폐루프에서 치명적인 진동을 보였다는 관찰도, 유압 지연을 독립 모듈로 식별하는 필요성을 뒷받침한다.

  • 상태 벡터 Γ는 3개 조인트 각도, 6개 실린더 챔버 압력, 2개 펌프 압력과 2개 외력 성분의 13차원이다.
  • 정적 맵은 조인트별 8개 선형 구간과 hidden size 64의 보조 네트워크로 구성된다.
  • 동역학 모듈은 세 축이 대각으로 분리된 3차 IIR 필터다.
  • 속도 예측 MLP의 hidden size는 256이고 ReLU 활성화를 사용한다.
  • test 각속도 RMSE는 boom 0.51, arm 0.66, bucket 1.16 deg/s였다.

학습 모델을 직접 뒤집는 경량 feedforward 제어

역모델은 plant의 모듈성을 그대로 이용한다. piecewise-linear dead zone은 구간별 기울기로 해석적 의사역을 만들 수 있고, 지연은 안정한 인과 필터로 제한적으로 보상하며, 남은 상태 의존 변환만 작은 MLP가 학습한다. 역 MLP는 hidden size 256의 tanh 구조이고 학습시간은 5분 미만으로 보고됐다.

이 방식은 57,476개 파라미터와 약 10시간 학습을 사용한 비교 단일 신경망에 비해 9,160개 파라미터와 약 2시간 plant 학습으로 구성된다. 더 많은 260만 시점을 사용하면서도 모듈 구조 덕분에 학습 부담을 제한했고, 최종 P 피드백은 exact inversion이 불가능한 dead zone과 지연의 잔차를 안정적으로 줄인다.

  • 보상필터 C_P의 극점은 0.82이며 중복도 2로 설정됐다.
  • 정적 맵 역변환은 학습망이 아니라 구간별 분석적 pseudo-inverse로 계산한다.
  • 역 MLP는 distal learning으로 학습해 plant 모델을 통과한 속도가 목표값과 일치하도록 한다.
  • 폐루프 이득은 K=1.5I3으로 굴착과 grading에 동일하게 적용됐다.
원문 Figure 4, PDF 6쪽
원문 Figure 4 · PDF p.6 — Fig. 4. Visualization of the pre-delay map fΓt (left) and the delaying system P(z) (right). The PL map landscape visualizes the state-dependent pre-delay map for the bucket joystick signal during a trial of grading operation. The IIR step response shows the input delays of the boom, arm, and bucket, with settling times to within 5% are (0.41, 0.33, 0.26) [s].
원문 Figure 5, PDF 7쪽
원문 Figure 5 · PDF p.7 — Fig. 5. Prediction of the joint angular rate (top) and reconstruction of the joystick signal (bottom) for the digging (left) and grading (right) data within the test set. The predicted joint angular rate ˆωt is computed using the excavator plant model given the same joystick signal ut. The reconstructed joystick signal ˇut is the output of the model inversion taking the measured joint angular rate ωt as the inversion input. About the discrepancies between the recorded/reconstructed joystick signals, we would like to note that: 1) there is no exact inverse of the dead-zones, that is, different joystick signals in the dead-zones can lead to the same excavator response; and 2) perfect tracking control of the non-minimum phase delays does not exist.

4.실험 결과

실험 환경·장비·데이터

실험 프로토콜

비교 기준

평가 지표

원문 Figure 6, PDF 7쪽
원문 Figure 6 · PDF p.7 — Fig. 6. Bucket tip position (top-left), external force (bottom-left), and performance evaluation (right) during the digging operations. Repeated experiments are visualized as thin lines where the reference trajectories are planned for every repetition considering the current/target terrain and the hardware limit. The bold lines are the averages of the trials, and the shaded bucket plots are the average bucket configuration for every 2 [s]. Histograms of the path following and trajectory RMSEs are also provided for the performance comparison.

핵심 결과 해석

굴착 작업에서 제조사 PI 제어기의 버킷 팁 path RMSE는 5.79 cm였으나 제안법은 1.99 cm를 기록했다. 시간까지 정렬한 trajectory RMSE는 25.0 cm에서 5.21 cm로 감소했다. 두 제어기의 RMS 작업 속도는 각각 66.2 cm/s와 66.3 cm/s로 거의 같아, 오차 감소가 단순한 저속 운전에서 나온 결과는 아니다. 제안법의 RMS 외력은 6.41×10^4 N으로 PI의 4.31×10^4 N보다 컸으며, 더 큰 접촉 하중에서도 궤적을 유지한 실험으로 해석할 수 있다.

grading에서는 PI의 path RMSE 5.28 cm와 trajectory RMSE 15.1 cm가 제안법에서 각각 1.83 cm와 3.17 cm로 줄었다. RMS 속도는 87.2 cm/s와 87.3 cm/s로 같았고, RMS 외력은 제안법이 2.23×10^4 N, PI가 2.69×10^4 N이었다. 따라서 두 작업에서 모두 비슷한 생산 속도를 유지하면서 약 2 cm 이하의 공간 경로 정확도를 달성했다.

plant test 데이터에서 각속도 예측 RMSE는 boom 0.51 deg/s, arm 0.66 deg/s, bucket 1.16 deg/s였다. 명시적 IIR 지연 모듈 없이 제어했을 때 치명적인 진동이 발생한 반면, 제안 모듈 구조는 실제 폐루프 동작을 안정적으로 유지했다. 다만 실험은 시상면 세 축에 한정되고 제조사 PI 외의 최신 제어기와 동등한 조건의 비교는 없다.

정량 결과

평가 항목정량 결과조건·맥락원문 근거
plant 모델 파라미터 수9,160제안 모듈형 모델; 비교 단일 신경망은 57,476PDF p.2
plant 학습시간약 2 h260만 시점 데이터; 비교 단일 신경망은 약 10 hPDF p.2
조인트 각속도 test RMSE0.51 / 0.66 / 1.16 deg/sboom / arm / bucket 순서PDF p.6
굴착 path RMSE1.99 cm제안법; 제조사 PI는 5.79 cmPDF p.7
굴착 trajectory RMSE5.21 cm제안법; 제조사 PI는 25.0 cmPDF p.7
굴착 RMS 속도66.3 cm/s제안법; 제조사 PI는 66.2 cm/sPDF p.7
grading path RMSE1.83 cm제안법; 제조사 PI는 5.28 cmPDF p.7
grading trajectory RMSE3.17 cm제안법; 제조사 PI는 15.1 cmPDF p.7
grading RMS 속도87.3 cm/s제안법; 제조사 PI는 87.2 cm/sPDF p.7
실패 사례와 경계조건
원문 Figure 7, PDF 8쪽
원문 Figure 7 · PDF p.8 — Fig. 7. Experimental results of the repeated grading operations which is to level the ground surface after the digging operations shown in Fig. 6.

5.한계 및 향후 연구

현재 한계

  • boom·arm·bucket의 시상면 운동만 다루며 cabin swing과 3차원 작업은 모델과 실험에서 제외했다.
  • 260만 시점의 데이터가 특정 DX380LC 한 대에서 수집돼 장비 노후도와 다른 유압 회로에 대한 전이성이 검증되지 않았다.
  • 지연을 선형 시불변 IIR로 나타내므로 온도, 유량 공유와 하중에 따라 지연 자체가 변하는 현상은 제한적으로만 표현한다.
  • 실험 작업이 굴착과 grading에 집중돼 dumping, 적재 운반, 경사면과 복합 접촉으로의 일반화가 확인되지 않았다.
  • 비교 baseline은 제조사 PI가 중심이며 다른 모델예측제어, 적응제어, 강화학습 제어와의 엄밀한 비교가 없다.

향후 연구

  • 상태 의존 지연 모델을 도입해 온도·압력·동시 구동에 따른 유압 응답 변화를 표현한다.
  • swing 축과 3차원 버킷 자세를 포함하는 전체 장비 역모델로 확장한다.
  • 전문가 경로 생성에 의존하지 않고 작업 목표에서 기준 궤적을 만드는 자율 계획기와 통합한다.
  • 장비별 데이터 재수집 부담을 줄이기 위해 online adaptation이나 over-the-air 모델 갱신을 적용한다.
  • 다른 정밀 제어기와 동일 작업·속도·토질에서 반복 비교하고 장기 운전에 따른 모델 drift를 평가한다.

6.한마디로 정리

핵심 방법은?

유압계의 dead zone, 지연과 상태·하중 의존성을 구간선형 맵, IIR, MLP로 분리 학습하고 역순 모듈과 P 피드백으로 조이스틱 명령을 생성했다.

핵심 결과는?

실제 38톤 굴착기에서 비슷한 RMS 속도를 유지하면서 굴착 1.99 cm, grading 1.83 cm의 path RMSE를 달성했다.

한계는?

특정 장비의 오프라인 데이터와 2차원 세 축 작업에 의존하며, 상태 의존 지연·장비 간 전이·다른 최신 제어법과의 비교가 남아 있다.

#제어·MPC#학습·RL·IL·VLA#시스템통합·현장실증#모듈식 신경망 플랜트 모델#데이터 기반 역모델#dead-zone 보상#지연 모델링#P 피드백

나의 의견 / 우리 연구와의 연관성

필드로봇 시스템에서는 상위 작업계획이 정교해도 하위 유압 구동의 dead zone과 지연을 보상하지 못하면 현장 품질이 나오지 않는다. 이 논문은 센서와 압력·외력 데이터를 이용해 장비 고유의 actuator inverse를 학습하는 실용적 경로를 보여준다. 대시보드에는 조인트별 settling time, 역모델 잔차, 압력·외력 분포와 경로 RMSE를 함께 표시해 모델 drift를 감시할 수 있다.

맥락지능 기반 작업 로봇에서는 이 제어기를 숙련자 궤적 복제에만 쓰기보다, 상위 계획기나 학습 정책이 출력한 속도 목표를 실제 유압 명령으로 변환하는 embodiment 계층으로 배치할 수 있다. 다만 장비 상태와 작업 맥락이 학습 분포를 벗어날 때를 탐지하고 안전한 제조사 제어기로 전환하는 보호 논리가 필요하다.

7.전체 그림·표

섹션별 원문 근거 페이지

원문·기존 요약·관련 자료

추출·교차검증 근거