Carnegie Mellon University1995#079작업·궤적계획박사학위논문

로봇 굴착을 위한 전술 계획 합성

Synthesis of Tactical Plans for Robotic Excavation

Sanjiv Singh · Carnegie Mellon University PhD thesis in Robotics

한줄 요약 — 토양 상태를 완전 모델링하는 대신 굴착 행동공간을 정의하고, 기하 제약과 실험 데이터로 학습한 저항력·관절토크 제약 아래 한 단계 계획을 최적화하여 유압 로봇이 지형을 다시 측정하며 목표 트렌치를 만드는 폐루프 전술계획의 기초를 제시했다. 동시에 실행 중 지반 오차를 수정할 반응제어의 필요성도 확인했다.

1.연구 배경 및 동기

변형 토양의 상태폭발을 피해 ‘다음 한 번의 굴착’을 계획하다

굴착은 단순한 로봇 팔 경로추종 문제가 아니다. 토양은 도구가 통과할 때 전단되고 밀리며 다시 쌓이므로 작은 작업영역도 모든 입자나 격자 높이로 표현하면 상태차원이 급격히 커진다. 논문은 3 m×3 m 지면을 10 cm 격자로만 이산화해도 900개의 지형 변수가 필요하다는 예를 들며, 전통적인 상태공간 탐색이 당시의 계산능력으로는 실용적이지 않다고 설명한다. 더구나 토양 반응은 조성·수분·입도뿐 아니라 과거 압밀과 교란 이력에도 좌우되어, 한 번의 굴착 결과를 정확히 예측하는 해석모델조차 만들기 어렵다.

저자는 전체 작업을 전략계획, 전술 굴착계획, 저수준 제어의 세 층으로 나눈다. 상위 전략계획은 넓은 작업장을 장비가 접근할 수 있는 패치와 버킷 폭의 트렌치로 분할하고 순서를 정한다. 이 논문의 핵심인 전술계획은 현재 지형에서 어디를 어떤 자세와 깊이로 한 번 굴착할지 결정한다. 저수준 제어는 계획한 궤적을 실제 토질에 맞춰 수정해야 하지만, 시험장비의 점대점 인터페이스 때문에 본 연구에서는 위치제어에 머물렀다. 따라서 논문의 기여와 한계가 처음부터 명확히 분리된다.

장기 행동열을 전역 최적화하지 않은 것은 단순한 계산 절약이 아니다. 부정확한 토양모델로 여러 굴착 뒤의 상태를 전개하면 오차가 누적되어 전역 최적이라는 주장 자체가 의미를 잃는다. 그래서 매 굴착 뒤 지형을 다시 측정하고, 현재 상태에서 실행 가능한 원형 행동 가운데 단기 효용이 큰 하나를 선택하는 탐욕적 폐루프를 택한다. 이는 완전한 물리모델 대신 감지와 재계획을 반복하는 현대 필드로봇의 receding-horizon 관점과 맞닿아 있다.

선행 연구의 한계
이 연구의 기여

2.방법론 및 시스템 구성

행동공간은 로봇의 모든 관절궤적을 직접 탐색하지 않고 사람이 실제로 사용하는 굴착 패턴을 원형 행동으로 제한한다. 트렌칭 행동은 침투, 수평 끌기, 말아올리기의 세 구간으로 구성되며 처음에는 시작위치 k, 침투각 α, 침투거리 d1, 끌기거리 d2, 말아올리기 거리 d3, 회전반경 r, 버킷 경사각 ρ의 7개 변수로 기술된다. 접촉기하와 단조성 분석으로 종속변수를 제거해 실제 탐색공간은 독립변수 (k, α, d1)의 3차원 공간으로 축소한다.

각 후보 행동은 목표 경계를 넘지 않는 shaping 제약, 로봇 작업공간 안에 머무는 reachability 제약, 버킷 용량을 과도하게 넘지 않는 volume 제약, 예측 저항력을 관절토크로 변환했을 때 장비 한계를 넘지 않는 force 제약을 순서대로 통과해야 한다. 실행 가능한 후보에는 일차 효용인 굴착 체적과 보조 효용인 최대 또는 누적 관절토크를 부여한다. 구현은 이산화한 공간의 전수검색을 사용하되, 한 축에서 feasible에서 infeasible로 전환되면 이후 셀을 생략하고 계산비용이 싼 제약부터 검사해 탐색량을 줄인다.

저항력 모델은 해석 쐐기모델을 그대로 쓰지 않고, 그 모델이 알려주는 깊이 제곱·버킷 경사·전방 지형·이동 체적 같은 물리적 변수를 기저함수로 사용한다. 같은 입력 표현에 대해 전역 선형회귀, 최근접·국소가중회귀, 단일 은닉층 신경망을 비교하며, 힘 예측값은 매니퓰레이터 자코비안으로 관절토크로 변환된다. 한 번의 행동을 실행한 뒤에는 레이저로 지형을 재구성해 다음 계획을 다시 계산한다.

처리 파이프라인

1

목표와 현재 지형 입력

목표 트렌치 경계를 고도 프로파일로 지정하고, 레이저 거리영상 10장을 픽셀별 중앙값 필터링한 뒤 5 cm 격자의 단일고도 지도로 변환한다.

2

원형 굴착행동 생성

침투-끌기-말아올리기 패턴을 (k, α, d1)로 이산화한다. 버킷 경사와 회전반경은 접촉점에서 벗어나는 순간회전중심 조건과 기구학 도달성으로 계산한다.

3

기하 제약 평가

후보가 목표 경계를 침범하지 않는지, 모든 버킷 자세가 로봇 작업공간에 있는지, 필요할 경우 쓸어낸 체적이 버킷 용량에 맞는지 검사한다.

4

학습 저항력과 토크 제약

과거 굴착의 지형·행동·6축 힘 데이터를 이용해 궤적별 저항력을 예측하고, 자코비안과 중력항으로 관절토크를 산출해 설정 한계와 비교한다.

5

제약 최적화와 행동 선택

실행 가능한 후보 중 최소 굴착량 임계치를 만족시키면서 굴착 체적을 최대화하고 최대 또는 누적 토크를 줄이는 후보를 전수검색 또는 모의담금질로 고른다.

6

실행·재측정·반복

점대점 명령열로 선택 행동을 실행하고 힘을 기록한다. 새 지형을 다시 스캔해 목표 형상 또는 최소 효용 종료조건까지 계획 주기를 반복한다.

원문 수식과 의미

학습 저항력의 선형 기저모델

G1k1+⋯+Gnkn=FG_1k_1+\cdots+G_nk_n=F

행동과 전방 지형을 나타내는 물리 기반 기저함수 G와 데이터에서 추정한 계수 k로 버킷 저항력 F를 근사한다.

관절 요구토크 분해

τ=τtip+τgrav\tau=\tau_{tip}+\tau_{grav}

후보 궤적의 관절토크를 버킷 끝 저항력에 의한 토크와 로봇 자체 중력에 의한 토크로 분해한다.

끝단 힘의 관절토크 변환

τtip=JmTF\tau_{tip}=J_m^T F

학습 모델이 예측한 버킷 좌표계 힘을 좌표변환한 뒤 매니퓰레이터 자코비안 전치로 관절토크 제약에 연결한다.

원문 Figure 92, PDF 129쪽
원문 Figure 92 · PDF p.129 — Figure 92 Subsets of the control space. After figure in [Kirk70].

3.핵심 기술

작업을 직접 부호화하는 3차원 행동공간

핵심 설계 원칙은 기구가 아니라 작업을 부호화하는 것이다. 동일한 트렌칭 패턴을 수행할 수 있다면 관절구성이 다른 장비도 같은 행동공간을 공유하고, 차이는 도달성·토크 제약 함수에만 반영된다. 이는 장비별 관절궤적 데이터베이스보다 이식성이 높은 표현이다.

인간 작업자의 패턴을 무비판적으로 복제하지 않고 접촉분석으로 버킷 자세를 다듬는다. 침투 시 버킷 뒷면이 토양을 누르지 않도록 시험대에서는 이동각보다 약 10° 큰 경사 오프셋을 사용하고, 끌기 단계의 회전율은 50°/m로 설정한다. 말아올리기는 접촉면에서 벗어나는 최소 회전반경과 도달 가능한 종료자세를 함께 만족시킨다.

  • 트렌칭 탐색변수: 시작위치 k, 침투각 α, 침투거리 d1
  • 원래 7개 변수 중 끌기거리·버킷 경사·회전반경·말아올리기 거리는 분석적으로 결정
  • 행동공간은 로봇 기구와 독립되고 기구 특성은 제약으로 주입
  • 한 단계 계획이므로 부정확한 장기 토양상태 예측을 피함

기하·힘 제약의 통합

목표형상 제약은 구조적 안전을 위해 과굴착을 금지하고, 도달성 제약은 위치뿐 아니라 버킷 경사까지 포함한다. 체적 제약은 힘 모델이 없을 때 지나치게 큰 굴착을 막지만, 쓸어낸 체적과 실제 적재량이 느슨한 토양과 점착성 토양에서 다르게 나타나므로 절대적인 지표가 아니다.

힘 제약은 후보 행동의 전 구간에 대해 저항력을 예측하고 관절토크로 바꾸어 장비 한계를 넘는 후보를 제거한다. 시험대에서는 손목 관절이 가장 먼저 정지하므로 이 관절의 접촉·중력 토크만 검사하는 단순화도 사용했다. 이 구조 덕분에 힘 모델은 경로 생성기의 사후 검사기가 아니라 행동 가능성을 정의하는 계획요소가 된다.

  • shaping·reachability·volume·force 제약을 동일 후보에 순차 적용
  • 계산이 싼 도달성 표 조회를 먼저, 비싼 궤적 힘 예측을 마지막에 수행
  • 쓸어낸 체적을 일차 효용, 최대·누적 토크를 보조 효용으로 설정
  • 힘 제약이 신뢰할 만하면 부정확하고 비싼 체적 제약을 생략할 수 있음

토공역학으로 구조화한 데이터 기반 힘 예측

저자는 쐐기모델이 정밀 예측에는 부족하지만 어떤 변수가 중요한지 알려주는 귀중한 사전지식이라고 본다. 따라서 깊이의 제곱, 버킷 경사, 절삭면 앞·옆의 지형 높이, 이동 체적을 학습 입력으로 사용한다. 순수 기하 입력보다 이 물리 기반 표현이 다섯 비교조건 중 세 조건에서 예측오차를 뚜렷하게 줄였다.

학습법 자체보다 운용조건에 맞는 선택이 중요하다. 전역회귀는 빠르고 작지만 국소 비선형성을 놓치고, 국소가중회귀는 새 경험을 즉시 넣기 쉽지만 모든 데이터를 저장하며 질의가 느리다. 신경망은 예측이 빠르고 표현이 작지만 은닉노드 수와 반복학습을 시행착오로 정해야 한다. 논문은 정확도만으로 단일 승자를 선언하지 않는다.

  • 약 30회 굴착의 약 4,000개 힘 측정으로 예측법 비교
  • 10-fold 교차검증과 평균절대오차 사용
  • 전역회귀, 최근접, LWR, MARS 가중 LWR, 30-은닉유닛 신경망 비교
  • 새 토질에 빠르게 적응할 때는 메모리 기반법, 고정 학습세트가 있으면 신경망이 유리

재감지를 포함한 전술 폐루프

시스템은 한 번 계획하고 끝나지 않는다. 각 굴착 뒤 레이저 스캔으로 고도지도를 갱신하고, 새 지형에서 후보를 다시 평가한다. 이 반복은 토사 붕괴와 적재량 차이처럼 모델이 놓친 변화를 다음 행동에 반영하는 장치다.

그러나 한 행동 안에서는 점대점 제어가 개방루프이므로 스캔 오차나 예상보다 단단한 토질에 즉시 반응하지 못한다. 논문이 최종적으로 강조하는 두 번째 힘 계층, 즉 실행 중 힘에 따라 명목 궤적을 바꾸는 반응형 제어는 후속 연구로 남는다.

  • 감지-후보생성-제약검사-선택-실행을 목표 달성까지 반복
  • 고도지도는 5 cm 셀의 2.5D 표현
  • 힘센서는 모델 학습과 초기 접촉 검출에 사용
  • 전술계획과 저수준 힘 순응의 이중 안전구조 필요
원문 Figure 65, PDF 93쪽
원문 Figure 65 · PDF p.93 — Figure 65 Encoding a trenching action and the state of the terrain. Here we encode an atomic dig with the same variables used to span the action space (α, d1, d2). The world state is represented by a sub- sampled elevation profile along the trench to be excavated (li) and across the trench (ci).
원문 Figure 93, PDF 133쪽
원문 Figure 93 · PDF p.133 — Figure 93 The excavation testbed consists of a hydraulic manipulator, soil box, force sensor and scanning laser scanner.
원문 Figure 107, PDF 144쪽
원문 Figure 107 · PDF p.144 — Figure 107 shows the cycle used by the excavation system.

4.실험 결과

실험 환경·장비·데이터

실험 프로토콜

비교 기준

평가 지표

원문 Figure 103, PDF 140쪽
원문 Figure 103 · PDF p.140 — Figure 103 6 axis force torque sensor mounted on the excavator bucket.
원문 Figure 107, PDF 144쪽
원문 Figure 107 · PDF p.144 — Figure 107 The excavation cycle. The planner selects one digging action at a time. In case of simulation, a settlement model is used to relax the terrain into a stable state after soil has been removed.

핵심 결과 해석

물리 기반 기저함수는 순수 기하 입력보다 안정적인 힘 예측을 제공했다. 10-fold 교차검증에서 mechanics-based 입력을 사용한 MARS 가중 LWR의 평균절대오차는 62.92 N이었고, 기본 LWR과 30-은닉유닛 신경망도 각각 65.37 N과 64.67 N으로 비슷했다. 반면 쐐기모델은 최적 파라미터를 찾기 위해 수일의 전수탐색이 필요하고도 대략 100 N의 평균절대오차에 머물렀다. 정확도 차이가 압도적이지 않으므로 저자는 새 데이터 반영 용이성, 예측시간, 메모리 사용량까지 함께 보아야 한다고 정리한다.

적재 시뮬레이션은 힘 제한이 생산성에 직접 연결됨을 보였다. 기하만 고려한 전면로더는 용량 48 단위에서 13회 굴착으로 작업을 끝내고 행동당 평균 46.4 단위를 제거했다. 힘 제약을 추가하면 평균 처리량은 32.3 단위, 효율은 약 95%에서 67%로 낮아졌다. 이는 힘을 무시한 계획이 기하적으로는 매력적이어도 실제 장비에는 실행 불가능할 수 있음을 보여준다.

실물 트렌칭에서는 형상·도달성·힘 제약만으로도 목표 프로파일을 반복 생성했으며, 1,000 Nm 한계에서 계획한 행동은 버킷 용량의 최소 95%를 쓸어내도록 선택될 수 있었다. 체적만 최대화하는 목적함수가 평균 굴착량은 가장 컸지만 그 결과는 신뢰할 만한 힘 제약이 있었기 때문에 가능했다. 전체 결과는 전술계획 수준의 힘 예측이 과도하게 어려운 행동을 거르는 데 필수적이지만, 지형센서와 힘 모델의 잔차를 처리하려면 행동 실행 중의 반응형 제어도 필수라는 결론으로 이어진다.

정량 결과

평가 항목정량 결과조건·맥락원문 근거
실물 굴착시험 규모약 450회T3 유압 로봇으로 모래와 표토에서 수행한 트렌칭 시험PDF p.148
힘 예측 학습자료약 4,000개 힘 측정, 30회 굴착두 예시 굴착과 학습법 비교에 사용한 사전 경험 데이터PDF p.104
최저 보고 평균절대오차62.92 Nmechanics-based 기저함수와 MARS-scaled LWR의 10-fold 교차검증PDF p.111
고도지도 잔류오차표준편차 약 2 cm거리영상 10장 중앙값 필터와 매 스캔 rescaling 적용 후 조사표적 기준PDF p.140
기하 전용 전면로더 시뮬레이션13회 굴착, 평균 46.4/48 단위버킷 용량 48 단위인 2차원 적재 시뮬레이션PDF p.145
힘 제약에 따른 효율 변화약 95%에서 67%전면로더 적재 시뮬레이션에서 명목 토크한계를 추가한 경우PDF p.146
실물 트렌칭 토크 조건손목 1,000 Nm, 버킷 용량의 최소 95% 쓸어낸 체적형상·도달성·체적·힘 제약과 누적토크 최소화 조건PDF p.150
실패 사례와 경계조건
원문 Figure 112, PDF 148쪽
원문 Figure 112 · PDF p.148 — Figure 112 Comparison of a front loader and a front shovel as a function of forces that are available to the mechanism.
원문 Figure 113, PDF 149쪽
원문 Figure 113 · PDF p.149 — Figure 113 shows a two dimensional section of the elevation map as one of the excava-
원문 Figure 117, PDF 155쪽
원문 Figure 117 · PDF p.155 — Figure 117 Excavation with shaping, reachability and force (torque limit = 1000 Nm) constraints only. The optimization criteria is maximum volume.

5.한계 및 향후 연구

현재 한계

  • 전술계획은 한 단계 효용만 최적화하므로 전체 행동열의 전역 최적성과 막다른 상태 회피를 보장하지 않는다.
  • 상위 coverage·전략계획과 실행 중 반응형 힘제어는 연구범위 밖이며 목표는 단일 버킷 폭의 swath로 주어진다.
  • 2.5D 단일고도 지도는 수직면·오버행을 표현하지 못하고 레이저 온도 드리프트와 가림에 민감하다.
  • 힘 모델은 특정 시험대와 제한된 모래·표토 경험에 기반해 새로운 토질·버킷·대형 장비로의 일반화가 검증되지 않았다.
  • 시험 로봇의 점대점 인터페이스는 이동 중 자세 측정과 목표수정을 막아 순응·강성 제어를 구현할 수 없었다.
  • 동일한 압밀과 수분의 초기 토양상태를 재현하기 어려워 세밀한 제어변수의 인과 비교가 제한되었다.

향후 연구

  • 계획 토크한계와 별도로 실시간 힘·압력에 따라 깊이와 버킷 자세를 바꾸는 저수준 반응제어를 결합해야 한다.
  • 넓은 작업장을 장비 위치와 트렌치 순서로 분해하는 전략·coverage planner가 국소 행동공간에 중간목표를 제공해야 한다.
  • 다른 장비와 토질에서 힘 모델을 온라인 갱신하고 물리 사전지식과 불확실성 추정을 함께 활용할 필요가 있다.
  • 고도지도 오차와 힘 예측오차를 확률 제약 또는 안전여유로 계획기에 반영해야 한다.
  • 실제 버킷 적재량 센싱을 도입해 불안정한 swept-volume 제약을 대체하거나 보정해야 한다.

6.한마디로 정리

핵심 방법은?

사람의 굴착 패턴을 3차원 행동공간으로 압축하고 기하·학습 힘·토크 제약을 통과한 한 단계 행동을 반복 선택한다.

핵심 결과는?

유압 시험대의 수백 회 굴착에서 목표 트렌치를 생성하고, 힘 제약이 기하 전용 계획의 실행 불가능성을 줄임을 보였다.

한계는?

재계획은 굴착 사이에만 일어나므로 센서·힘 모델의 오차를 행동 도중 보정할 저수준 폐루프가 여전히 필요하다.

#작업·궤적계획#학습·RL·IL·VLA#제어·MPC#action-space planning#constrained optimization#learned force prediction#force-aware control

나의 의견 / 우리 연구와의 연관성

이 논문은 오늘날의 학습 기반 자율굴착을 ‘정책을 무엇으로 표현할 것인가’라는 관점에서 다시 보게 한다. 현재의 강화학습도 상태와 행동을 무작정 크게 잡으면 데이터 요구량과 안전탐색 비용이 커진다. 침투·끌기·말아올리기와 같은 작업 프리미티브를 정책의 action prior로 쓰고, 도달성·설계면·유압압력 제약을 별도 안전필터로 두면 학습정책의 자유도와 위험을 동시에 줄일 수 있다.

또한 저항력 모델을 완벽한 예측기가 아니라 후보를 거르는 제약모델로 사용한 점이 중요하다. 우리 연구에서는 LiDAR 지형, 실린더 압력, 관절상태로 후보 궤적의 힘 분포와 불확실성을 예측하고, 실제 굴착 중에는 force-aware MPC나 DMP coupling이 남은 오차를 보정하는 이중 구조로 확장할 수 있다.

7.전체 그림·표

섹션별 원문 근거 페이지

원문·기존 요약·관련 자료

추출·교차검증 근거