(한민확인)2021 Real-time motion planning of a hydraulic excavator using trajectory optimization and model predictive control - 서울대_요약
[!info] 관련 영상 📺 YouTube - Real-time Motion Planning of a Hydraulic Excavator
Real-Time Motion Planning of a Hydraulic Excavator using Trajectory Optimization and MPC
한줄 요약
유압 굴착기의 실시간 궤적 계획을 위해 global planner (trajectory optimization) 와 local planner (MPC + disturbance estimation) 를 통합한 프레임워크를 제안하며, force/torque, power, cylinder displacement, flow rate 등 물리적 제약조건을 모두 만족하면서 30 Hz 이상의 실시간 궤적 재계획이 가능함을 시뮬레이션으로 검증하였다.
1. 연구 배경
1.1 문제 정의
- 유압 굴착기(hydraulic excavator)의 굴착 작업 자동화에는 다양한 operational constraints (굴착량, 버킷 자세 등)와 physical constraints (force/torque 한계, 펌프 유량 한계, 파워 한계 등)를 동시에 만족하는 궤적 계획이 필요
- 기존 trajectory optimization 방법은 전체 궤적을 한 번에 offline으로 최적화하므로, 운영 중 발생하는 외란(disturbance) -- 토양-버킷 상호작용, 유압 실린더 마찰 -- 에 취약
- 외란으로 인해 최적성 저하는 물론 제약조건 위반(constraint violation) 까지 발생 가능
1.2 기존 연구 분류
| 분류 | 대표 연구 | 특징 | 한계 |
|---|---|---|---|
| Trajectory optimization | [6,7,9] | 비용함수+제약조건+시스템 동역학 기반 전체 궤적 최적화 | Offline 계산, 외란 미대응, 단순 커널 파라미터화 |
| Receding horizon / MPC | [12,13] | 이동 수평선 방식 궤적 최적화 | [12] 단일 입력 decoupled 동역학만 고려, [13] 연산시간 부족 (~3.3 Hz) |
| Non-optimization 기반 | [1,14-16] | DMP, reachability map, 계층적 제어 | 제약조건 명시적 고려 불가, feasibility 보장 어려움 |
1.3 연구 기여 (Contributions)
- Global + Local planner 통합: operational constraints와 physical constraints를 모두 고려
- 축소 차원 global trajectory optimization: 수 초 이내 계산 가능한 문제 정식화
- 실시간 제약 궤적 생성: 외란 추정 기반 disturbance-aware 실시간 궤적 계획
2. 시스템 및 방법론
2.1 전체 시스템 아키텍처
400 Fig. 2: 알고리즘 전체 흐름도. Global planner가 환경 모델 기반으로 전역 궤적 $\mathbf{x}_r$을 생성하고, Local planner (MPC + 외란 추정)가 이를 실시간 추종하며, Motion Controller가 제어 입력 $\mathbf{u}$를 PLANT에 인가한다. 점선은 피드백 신호를 나타냄.
flowchart LR
ENV["환경 모델<br/>(지면 형상)"] --> GP["Global Planner<br/>(Trajectory Optimization)"]
GP -- "x_r (전역 궤적)" --> LP["Local Planner"]
subgraph LP_box["Local Planning"]
DE["Disturbance<br/>Estimation"] --> MPC["Model Predictive<br/>Control"]
end
LP -- "x_d, u_d" --> MC["Motion Controller<br/>(FB Linearization PID)"]
MC -- "u (제어입력)" --> PLANT["PLANT<br/>(굴착기 동역학)"]
PLANT -- "x (상태)" --> LP
PLANT -- "x" --> DE
2.2 굴착기 구성 (Hyundai HX300L)
400 Fig. 1: Hyundai HX300L 굴착기 구성. 4개의 회전 강체로 구성: (1) Cabin, (2) Boom, (3) Arm, (4) Bucket. 관절 각도 $\mathbf{q}_\theta$와 실린더 변위 $\mathbf{q}_L$로 configuration 정의 가능.
3. 핵심 기술
3.1 운동학 (Kinematics)
Configuration을 관절 각도 또는 실린더 변위로 표현:
$$ \mathbf{q}_\theta = [\psi_U \; \theta_B \; \theta_A \; \theta_K]^\top \in \mathbb{R}^4, \quad \mathbf{q}_L = [\psi_U \; L_B \; L_A \; L_K]^\top \in \mathbb{R}^4 $$
두 표현 사이의 비선형 전단사(bijective) 매핑:
$$ \mathbf{q}\theta = g_L(\mathbf{q}_L), \quad \mathbf{q}_L = g\theta(\mathbf{q}\theta), \quad \dot{\mathbf{q}}\theta = J_L(\mathbf{q}L)\dot{\mathbf{q}}_L, \quad \dot{\mathbf{q}}_L = J\theta(\mathbf{q}\theta)\dot{\mathbf{q}}\theta \tag{1} $$
버킷 팁 자세 (bucket tip pose):
$$ \mathbf{E} = [E_x(\mathbf{L}) \; E_z(\mathbf{L}) \; \theta(\mathbf{L})]^\top \in \mathbb{R}^3 $$
여기서 $\mathbf{L} = [L_B \; L_A \; L_K]^\top$, $\theta = \theta_B + \theta_A + \theta_K$.
3.2 동역학 (Dynamics)
관절 각도 기반 동역학 (Euler-Lagrange):
$$ \dot{\mathbf{x}}\theta = \begin{bmatrix} \dot{\mathbf{q}}\theta \ \ddot{\mathbf{q}}\theta \end{bmatrix} = \begin{bmatrix} \dot{\mathbf{q}}\theta \ M_\theta^{-1}(-\mathbf{h}\theta + J\theta^\top \mathbf{u} + \boldsymbol{\Delta}) \end{bmatrix} =: f_\theta(\mathbf{x}_\theta, \mathbf{u}, \boldsymbol{\Delta}) \tag{2} $$
| 기호 | 의미 |
|---|---|
| $\mathbf{x}\theta = [\mathbf{q}\theta^\top \; \dot{\mathbf{q}}_\theta^\top]^\top \in \mathbb{R}^8$ | 시스템 상태 |
| $\mathbf{u} = [T_U \; F_B \; F_A \; F_K]^\top \in \mathbb{R}^4$ | 제어 입력 (swing torque + 유압 실린더 force) |
| $M_\theta(\mathbf{q}_\theta) \in \mathbb{R}^{4 \times 4}$ | 질량 행렬 |
| $\mathbf{h}\theta(\mathbf{q}\theta, \dot{\mathbf{q}}_\theta) \in \mathbb{R}^4$ | Coriolis-원심력 + 중력 합성항 |
| $\boldsymbol{\Delta} \in \mathbb{R}^4$ | 총괄 외란 (lumped disturbance) |
[!abstract] 수식 상세 전개 $M_\theta$와 $\mathbf{h}_\theta$의 원소별 전개, 변수 색깔 구분(측정/CAD/미지), FL과의 연결은 별도 노트 참조: 굴착기 동역학 M과 h 수식 해부
실린더 변위 기반 동역학 (local planning에서 사용):
$$ \dot{\mathbf{x}}_L = \begin{bmatrix} \dot{\mathbf{q}}_L \ \ddot{\mathbf{q}}_L \end{bmatrix} = \begin{bmatrix} \dot{\mathbf{q}}_L \ M_L^{-1}(-\mathbf{h}_L + \mathbf{u} + \boldsymbol{\Delta}_L) \end{bmatrix} =: f_L(\mathbf{x}_L, \mathbf{u}, \boldsymbol{\Delta}_L) \tag{3} $$
여기서 $M_L(\mathbf{q}_L) = J_L^\top \tilde{M}_L J_L$, $\mathbf{h}_L = J_L^\top(\tilde{M}_L \dot{J}_L \dot{\mathbf{q}}_L + \tilde{\mathbf{h}}_L)$, $\boldsymbol{\Delta}_L = J_L^\top \boldsymbol{\Delta}$.
3.3 Global Planning
굴착 작업은 3개 phase로 구성:
400 Fig. 3: 단일 굴착 작업의 3개 phase. Phase 1: 초기 위치에서 지표면 진입점으로 이동. Phase 2: 버킷이 토양을 관통(굴착). Phase 3: 굴착된 토양을 목표 위치(트럭 등)로 운반.
flowchart LR
P1["Phase 1<br/>초기 위치 → 지표면 진입<br/>(Bernstein 파라미터화)"] --> P2["Phase 2<br/>토양 굴착<br/>(Waypoint 최적화)"]
P2 --> P3["Phase 3<br/>토양 운반<br/>(Bernstein 파라미터화)"]
style P1 fill:#e8f4fd
style P2 fill:#fde8e8
style P3 fill:#e8fde8
Phase 2: 굴착 궤적 최적화
$n_2 + 1$개 waypoint $\mathbf{L}0, \mathbf{L}_1, \cdots, \mathbf{L}{n_2}$로 이산화하고, 비용함수를 다음과 같이 정의:
$$ J_{\text{Phase2}} = w_d \sum_{k=1}^{n_2} |\mathbf{L}k - \mathbf{L}{k-1}|_W^2 - w_v V \tag{4} $$
| 항 | 의미 |
|---|---|
| $w_d \sum |\mathbf{L}k - \mathbf{L}{k-1}|_W^2$ | 유압 실린더 이동 거리 최소화 (에너지 비용) |
| $w_v V$ | 굴착 체적 최대화 |
지표면과 목표 형상은 다항식으로 모델링:
$$ z_{\text{surf}} = a_0^{\text{surf}} + a_1^{\text{surf}}x + \cdots + a_{n_{\text{surf}}}^{\text{surf}} x^{n_{\text{surf}}} \tag{5} $$
$$ z_{\text{target}} = a_0^{\text{target}} + a_1^{\text{target}}x + \cdots + a_{n_{\text{target}}}^{\text{target}} x^{n_{\text{target}}} $$
굴착 체적 (swept volume, 사다리꼴 적분):
$$ V_{\text{swept}} = \int_{x_{n_2}}^{x_0} z_{\text{surf}}(x)\,dx - \frac{z_0 + 2z_1 + \cdots + 2z_{n_2-1} + z_{n_2}}{2n_2} \cdot (x_0 - x_{n_2}) \tag{6} $$
$$ V = \min{V_{\text{swept}},\; V_{\text{cap}}(\theta(\mathbf{L}_{n_2}))} $$
400 Fig. 5: (좌) Phase 2에서의 버킷 궤적 제약조건. 실선은 현재 지표면, 점선은 목표 형상. (우) 버킷 형상이 버킷 팁 궤적을 관통하지 않아야 함 (삼각형 충돌 박스). 버킷 회전 각도 $\theta$와 여유 각도 $\alpha$ 표시.
Phase 2 제약조건 요약:
| # | 제약조건 | 설명 |
|---|---|---|
| 1 | 위치 제약 | 버킷 팁이 관심 영역 내, 목표 표면 위, 지표면 아래에 위치 |
| 2 | 단조 증가 $\theta$ | 버킷 회전각이 단조 증가해야 함 (에너지 효율) |
| 3 | 양의 여유 각도 $\alpha > 0$ | 버킷 팁 외 부분이 지면을 밀지 않도록 |
| 4 | 버킷 몸체 위치 | 버킷 전체가 팁 경로 위에 위치 |
| 5 | $\theta < \pi$ | 토양 흘림 방지 (Fig. 4 참조) |
400 Fig. 4: 버킷 용량 $V_{\text{cap}}$과 회전 각도 $\theta$의 관계. $\theta \geq \pi$이면 손목 방향으로 토양이 흘러 장비 고장 위험.
Phases 1 & 3: Bernstein 다항식 파라미터화
Bernstein 다항식:
$$ p(s) = \sum_{k=0}^{n} \beta_k \binom{n}{k} s^k (1-s)^{n-k}, \quad s \in [0, 1] \tag{7} $$
Phases 1, 3의 최적화 문제:
$$ \min_{\beta_k, T} \int_0^T \frac{1}{2} \mathbf{u}^\top W_u \mathbf{u}\, dt \tag{8} $$
$$ \text{s.t.} \quad \mathbf{q}L^l \leq \beta_k \leq \mathbf{q}_L^u, \quad \dot{\mathbf{q}}_L^l \leq \frac{n \cdot (\beta{k+1} - \beta_k)}{T} \leq \dot{\mathbf{q}}_L^u $$
Phase 3 추가 제약 (토양 흘림 방지):
$$ \theta_0 \leq \theta(\beta_k) \leq \pi \tag{9} $$
3.4 Local Planning (MPC)
물리적 제약조건
$$ \mathbf{u}^l \leq \mathbf{u} \leq \mathbf{u}^u \tag{10a} $$
$$ p = \mathbf{u}^\top \dot{\mathbf{q}}_L \leq p^u \tag{10b} $$
$$ \mathbf{L}^l \leq \mathbf{L} \leq \mathbf{L}^u \tag{10c} $$
$$ f_i = A_i(\text{sgn}(\dot{\mathbf{q}}_L))^\top \dot{\mathbf{q}}_L^{\text{abs}} \leq f_i^u, \quad i = 1, 2 \tag{10d} $$
| 제약 | 물리적 의미 |
|---|---|
| (10a) Force/torque limit | 각 액추에이터의 힘/토크 상하한 |
| (10b) Power limit | 유압 펌프의 총 파워 상한 (모든 액추에이터가 동일 파워원 공유) |
| (10c) Cylinder displacement | 실린더 변위의 물리적 상하한 |
| (10d) Pump flow rate | 2개 유압 펌프의 유량 제한 |
외란 추정 (Disturbance Estimation)
모멘텀 기반 외란 추정 (momentum-based disturbance estimation):
$$ \hat{\boldsymbol{\Delta}} = K_E \left( \mathbf{p} - \mathbf{p}(0) - \int_0^t \left( J_\theta^\top \mathbf{u} + C_\theta^\top \dot{\mathbf{q}}\theta - G\theta + \hat{\boldsymbol{\Delta}} \right) d\tau \right), \quad \mathbf{p} = M_\theta \dot{\mathbf{q}}_\theta \tag{11} $$
$\dot{M}\theta = C\theta + C_\theta^\top$ 성질을 활용하면, 실제 외란 $\boldsymbol{\Delta}$의 저역통과 필터(low-pass filter) 로 작동:
$$ \dot{\hat{\boldsymbol{\Delta}}} = K_E(\boldsymbol{\Delta} - \hat{\boldsymbol{\Delta}}) $$
실린더 변위 기반 추정값: $\hat{\boldsymbol{\Delta}}_L = J_L^\top \hat{\boldsymbol{\Delta}} = [\hat{\Delta}_U \; \hat{\Delta}_B \; \hat{\Delta}_A \; \hat{\Delta}_K]^\top$
MPC 문제 정식화
원래 비선형 MPC:
$$ \min_{\mathbf{u}k} |\mathbf{x}_N - \mathbf{x}{r,N}|P^2 + \sum{k=0}^{N-1} \left( |\mathbf{x}k - \mathbf{x}{r,k}|_Q^2 + |\mathbf{u}_k|_R^2 \right) \tag{12} $$
$$ \text{s.t.} \quad \mathbf{x}{k+1} = f_d(\mathbf{x}_k, \mathbf{u}_k, \hat{\boldsymbol{\Delta}}_k), \quad c{k,i}(\mathbf{x}_k, \mathbf{u}_k) \geq 0 $$
Feedback Linearization 기반 단순화
가상 입력 $\mathbf{v} \in \mathbb{R}^4$와 피드백 선형화 제어 법칙 도입:
$$ \mathbf{u} = \text{FL}(\mathbf{x}, \mathbf{v}) := \mathbf{h}_L + M_L \mathbf{v} - \hat{\boldsymbol{\Delta}}_L $$
이를 통해 비선형 동역학을 선형 동역학으로 변환:
$$ \dot{\mathbf{x}} = A_c \mathbf{x} + B_c \mathbf{v}, \quad A_c = \begin{bmatrix} 0_{4\times4} & I_4 \ 0_{4\times4} & 0_{4\times4} \end{bmatrix}, \; B_c = \begin{bmatrix} 0_{4\times4} \ I_4 \end{bmatrix} \tag{13} $$
최종 MPC 문제 (선형화된 동역학 기반):
$$ \min_{\mathbf{v}k} |\mathbf{x}_N - \mathbf{x}{r,N}|{\tilde{P}}^2 + \sum{k=0}^{N-1} \left( |\mathbf{x}k - \mathbf{x}{r,k}|{\tilde{Q}}^2 + |\mathbf{v}_k|{\tilde{R}}^2 \right) \tag{14} $$
$$ \text{s.t.} \quad \mathbf{x}{k+1} = A_d \mathbf{x}_k + B_d \mathbf{v}_k, \quad c{k,i}(\mathbf{x}_k, \text{FL}(\mathbf{x}_k, \mathbf{v}_k)) \geq 0 $$
flowchart TB
NL["비선형 동역학 (3)<br/>f_L(x_L, u, Delta_L)"] -->|"Feedback Linearization<br/>u = h_L + M_L*v - Delta_L_hat"| LIN["선형 동역학 (13)<br/>x_dot = A_c*x + B_c*v"]
LIN -->|"이산화"| DIS["이산 선형 동역학<br/>x_{k+1} = A_d*x_k + B_d*v_k"]
DIS --> MPC_P["MPC 문제 (14)<br/>- 선형 동역학 → 빠른 계산<br/>- 물리적 제약조건 유지<br/>- DDP + Augmented Lagrangian"]
DE["외란 추정 (11)<br/>모멘텀 기반<br/>저역통과 필터 특성"] --> MPC_P
style NL fill:#ffcccc
style LIN fill:#ccffcc
style MPC_P fill:#cce5ff
4. 실험 결과
4.1 시뮬레이션 환경
| 항목 | 설정 |
|---|---|
| 플랫폼 | Hyundai HX300L 모델 파라미터 |
| 구현 | ROS + C++ (각 모듈 개별 노드) |
| 외란 모델 | Modified LuGre friction (실린더 마찰) + Modified FEE (토양-버킷 상호작용) |
| 전역 최적화 | ALGLIB (비선형 최적화 솔버) |
| MPC 솔버 | DDP + Augmented Lagrangian [30] |
| MPC 파라미터 | 시간 수평선 1000 ms, 제어 이산화/적분 주기 20 ms |
| Bernstein 제어점 | Phase 1, 3: 9개 / Phase 2: 20개 via point |
| 하드웨어 | Intel Core i7-9750 CPU @ 2.6 GHz |
4.2 Scenario 1 -- Shallow Excavation (얕은 굴착)
700 Fig. 6: 두 시나리오의 global planning 결과. (a) Shallow excavation, (b) Deep excavation. Ground(주황), Target(흰색), Global planner result(녹색), Traversed trajectory(빨강).
700 Fig. 7: Scenario 1 - Shallow excavation 결과. (a) 전역 궤적 추종, (b) 정규화된 제어 입력, (c) 정규화된 파워 및 펌프 유량, (d) 정규화된 추정 외란. 빨간 점선은 물리적 한계를 나타냄.
주요 결과:
| 지표 | 값 |
|---|---|
| Global trajectory 계산 시간 | 2.1초 |
| Local planning 평균 계산 시간 | 21.7 ms (약 46 Hz) |
| 물리적 제약조건 만족 | 모든 제약조건 충족 |
| 외란 추정 | 버킷 실린더에서 마찰 모델 명확히 관측, 붐/암에서는 토양 상호작용 외란이 더 큼 |
- 목표 형상(target shape)을 관통하지 않도록 넓은 영역에서 궤적 생성
- Tip-grading-like motion 발생
- Global planning이 의도적으로 물리적 한계를 초과하더라도, local planning에서 제약조건 만족
4.3 Scenario 2 -- Deep Excavation (깊은 굴착)
700 Fig. 8: Scenario 2 - Deep excavation 결과. (a) 전역 궤적 추종, (b) 정규화된 제어 입력, (c) 정규화된 파워 및 펌프 유량, (d) 정규화된 추정 외란.
주요 결과:
| 지표 | 값 |
|---|---|
| Global trajectory 계산 시간 | 1.6초 |
| Local planning 평균 계산 시간 | 30.2 ms (약 33 Hz) |
| 물리적 제약조건 만족 | 모든 제약조건 충족 |
| 외란 크기 | Scenario 1보다 큰 외란 (버킷이 토양에 더 깊이 침투) |
- 목표 형상이 깊으면 Phase 2에서 삼각형 형태의 궤적 생성하여 굴착 체적 최대화
- 반복 굴착을 통해 깊은 목표 형상에 점진적으로 도달하는 전략 (target-shape-aware excavation-volume-maximizing strategy)
- 더 큰 외란에도 불구하고 global reference 잘 추종 및 모든 물리적 제약조건 충족
4.4 두 시나리오 비교
| 항목 | Shallow Excavation | Deep Excavation |
|---|---|---|
| 궤적 형태 | 넓은 영역 tip-grading | 삼각형 체적 최대화 |
| 목표 도달 | 단일 pass | 반복 필요 |
| Global 계산 | 2.1 s | 1.6 s |
| Local 계산 | 21.7 ms (46 Hz) | 30.2 ms (33 Hz) |
| 외란 크기 | 상대적 소 | 상대적 대 |
| 제약 만족 | O | O |
5. 한계 및 향후 연구
논문이 명시한 가정·한계 (원문에 근거가 있는 것):
- 시뮬레이션만 검증: 실제 굴착기 실험 미수행. 결론이 밝힌 유일한 향후 과제 — "Future work may include validation of the proposed algorithm in actual excavators" (§VI)
- 단일 굴착 작업(single digging task): 결론이 스스로 범위를 이렇게 한정 (§VI). 단, 반복 굴착은 Scenario 2의 명시적 전략이고 트럭 적재는 Phase 3의 목표 지점으로 이미 포함되어 있다 — 빠진 것은 그 위의 태스크 플래닝이다
- 환경 사전 지식 가정: 지면 형상(ground shape)을 사전에 안다고 가정. 원문은 라이다·카메라 등 온보드 센서나 토탈스테이션으로 취득 가능하다고 언급 (§V-A)
- 외란 불변 가정: 짧은 예측 구간에서 외란이 크게 변하지 않는다고 가정 — $\hat{\boldsymbol{\Delta}}_{k+1} = \hat{\boldsymbol{\Delta}}_k$. MPC 정식화의 핵심 전제이며 논문이 "assume"이라 적은 유일한 모델링 가정 (§IV-C)
- Phase 2 스윙 고정: 버킷 측판(side plate)이 흙을 미는 것을 막기 위해 캐빈을 고정한 채 굴착 궤적을 최적화 (§III-A)
- 실시간성은 조건부: 전역 계획이 궤적 실행 시간 안에 끝나야 통합 planner가 실시간으로 성립 (§I-B)
- 전단사 매핑의 유효 범위: 식(1)의 일대일 대응은 물리적으로 가능한 영역 안에서만 성립하며, 그 영역은 국소 계획의 실린더 변위 제약으로 반영 (원문 각주 1)
요약자 판단 (원문에 없는 추가 평가 — 참고용):
- 지면 형상의 불확실성 미고려 — 원문은 센서로 취득 가능하다고만 하고 불확실성은 논하지 않는다
- 토양 조건 다양성 미반영 — 다만 원문은 마찰·토양 모델이 planner에게는 알려지지 않는다고 명시한다 (§V-A). 즉 planner가 토양 모델에 의존하지 않는 것은 한계가 아니라 설계 의도이고, 다양성 문제는 시뮬레이션 환경 쪽 한계로 봐야 한다
한마디로 정리
- Global + Local planner 통합 프레임워크로 유압 굴착기의 실시간 궤적 계획 구현
- Force/torque, power, cylinder displacement, flow rate 등 4가지 물리적 제약조건 동시 충족 달성
- Feedback linearization으로 비선형 MPC를 선형화하여 30 Hz 이상 실시간 연산 달성
- 모멘텀 기반 외란 추정으로 마찰 및 토양 상호작용 disturbance-aware planning 구현
- Shallow/deep excavation 두 시나리오에서 제약 만족 + 전역 궤적 추종 검증 완료
- 실제 굴착기 실험 미수행 -- 시뮬레이션만 검증
심화 탐구 기록
[!info] 탐구 일자: 2026-05-24 Claude와의 Q&A를 통해 논문의 핵심 수식과 기여도를 심층 분석한 기록. 이 섹션만 읽어도 논문의 수학적 구조와 독창성을 완전히 파악할 수 있도록 정리함.
Q1. 논문의 3가지 기여도 — 독창성과 차별성 분석
기여 1: Global + Local Planner 통합
기존 연구의 한계:
| 기존 접근법 | 고려한 것 | 빠진 것 |
|---|---|---|
| Trajectory Optimization [6,7,9] | 굴착량·버킷 자세 등 작업(operational) 제약 | 힘/토크, 펌프 유량 등 물리적(physical) 제약을 실시간으로 보장 못함 |
| MPC [12,13] | 물리적 제약을 이동 수평선으로 처리 | 작업 수준 목표(어디를 얼마나 파야 하는가) 상위 계획 부재 |
| 비최적화 기반 [1,14-16] | DMP 등으로 궤적 생성 | 제약조건 자체를 명시적으로 넣을 수 없음 |
이 논문의 차별점: 두 계획기를 역할 분담시켜 하나의 파이프라인으로 결합.
- Global Planner → "어디를, 어떤 모양으로 파야 하는가?" (굴착 체적 최대화, 버킷 자세, 지면 형상 등 작업 제약)
- Local Planner (MPC) → "그 궤적을 따라가면서 기계가 부서지지 않게" (힘/토크, 파워, 실린더 변위, 유량 등 물리 제약)
[!tip] 비유 기존에는 "네비게이션(경로)"만 있거나, "차량 안전장치"만 따로 있었는데, 이 논문은 네비게이션이 안전장치와 실시간으로 대화하면서 경로를 조정하는 시스템을 만든 것.
기여 2: 축소 차원 Global Trajectory Optimization
기존 trajectory optimization [6,7,9]은 전체 궤적을 시간 도메인에서 밀도 높게 이산화하여 최적화 → 변수 폭발로 수십 초~수 분의 오프라인 계산 필요.
이 논문의 차별점: Bernstein 다항식 파라미터화 + Phase 분할 조합.
기존: 시간 스텝 500개 × 상태 8차원 = 변수 4,000개
이 논문: 제어점 9~20개 × 3차원(실린더) = 변수 27~60개
[!tip] 비유 기존에는 궤적의 모든 점을 하나하나 결정했다면(점묘화), 이 논문은 소수의 꼭짓점만 결정하면 부드러운 곡선이 자동으로 생기는 방식(벡터 그래픽)을 사용. 결과적으로 Global planning이 1.6~2.1초만에 완료.
기여 3: 외란 추정 기반 실시간 제약 궤적 생성
| 기존 연구 | 문제 |
|---|---|
| Trajectory Optimization [6,7,9] | 오프라인 궤적 → 외란(토양 저항, 마찰) 발생 시 궤적 무효화, 물리적 제약 위반 |
| MPC [12] | 실시간이지만 단일 입력·분리 동역학만 → 4개 액추에이터의 커플링 제약 표현 불가 |
| MPC [13] | 커플링 고려했으나 ~3.3 Hz → 실시간 부적합 (최소 10~30 Hz 필요) |
이 논문의 차별점: 3가지 기술 결합으로 해결.
- 모멘텀 기반 외란 추정기 (Eq. 11) → 토양 저항·마찰 등 미지 외란을 실시간 추정
- Feedback Linearization (Eq. 13) → 비선형 동역학을 선형 시스템으로 변환, MPC 계산 대폭 가속
- 선형화된 MPC (Eq. 14) → 물리적 제약 4종 유지하면서 빠른 최적화
[!tip] 비유 - 기존 방법: 날씨 예보 없이 항로를 미리 정해놓고 비행 (외란 무시) - [13]: 날씨를 보면서 조정하지만, 3초에 한 번만 조정 (너무 느림) - 이 논문: 바람(외란)을 실시간 감지하면서, 초당 30~46회 항로 재조정, 모든 한계 준수
[13]의 3.3 Hz 벽을 30~46 Hz로 10배 이상 뛰어넘은 것이 핵심.
종합
| 기여 | 기존 대비 없었던 것 | 독창성의 핵심 |
|---|---|---|
| ① 통합 프레임워크 | 작업 + 물리 제약을 한 파이프라인에서 동시 처리 | 두 레벨 계획기의 역할 분담 + 실시간 연결 |
| ② 축소 차원 최적화 | 전역 궤적을 수 초 이내에 생성 | Bernstein 파라미터화 + Phase 분할로 변수 ~100배 축소 |
| ③ Disturbance-aware MPC | 외란 추정 + 4종 물리 제약 + 30 Hz 이상 실시간 | 외란 추정 + FL + 선형 MPC의 3중 결합 |
세 기여는 서로 맞물려 작동: ②가 빠르게 전역 궤적 생성 → ③이 외란에 강건하게 실시간 추종 → ①이 둘을 하나로 엮음. 이 조합 자체가 독창성.
Q2. 굴착 체적(Excavation Volume) 공식 유도
기하학적 직관
굴착 체적은 버킷이 지나간 경로 위쪽의 흙 면적. 2D 단면에서:
z ↑
│ ╭─── z_surf(x): 현재 지표면
│ ╱ ░░░░░░░░░░░░░░░░ ← 이 영역이 "파낸 흙"
│ ╱ ░░░░░░░░░░░░░░░░░
│ ╱░░░░░░░░░░░░░░░░░╱
│╱___○___○___○___○╱ ← 버킷 팁 경로 (waypoints)
│ (x₀,z₀) ... (x_{n₂},z_{n₂})
└──────────────────────→ x
$$\text{굴착 면적} = \text{지표면 아래 면적} - \text{버킷 경로 아래 면적}$$
지표면 아래 면적 (해석적 적분)
지표면이 다항식이므로:
$$A_{\text{surf}} = \int_{x_{n_2}}^{x_0} z_{\text{surf}}(x)\,dx = \left[ a_0 x + \frac{a_1}{2}x^2 + \frac{a_2}{3}x^3 + \cdots \right]{x{n_2}}^{x_0}$$
적분 방향 $x_{n_2} \to x_0$: 굴착기가 먼 곳에서 가까운 곳으로 파들어오므로 $x_0 > x_{n_2}$, 적분값 양수.
버킷 경로 아래 면적 (사다리꼴 근사)
버킷 팁이 이산 waypoints $(x_0, z_0), \ldots, (x_{n_2}, z_{n_2})$를 지나므로, 등간격 사다리꼴 공식 적용:
각 구간의 면적:
$$A_k = \frac{z_k + z_{k+1}}{2} \cdot \Delta x, \quad \Delta x = \frac{x_0 - x_{n_2}}{n_2}$$
전체 합산 후 전개:
$$A_{\text{path}} = \frac{\Delta x}{2}\left[(z_0 + z_1) + (z_1 + z_2) + \cdots + (z_{n_2-1} + z_{n_2})\right]$$
$$= \frac{\Delta x}{2}\left[z_0 + 2z_1 + 2z_2 + \cdots + 2z_{n_2-1} + z_{n_2}\right]$$
$\Delta x$ 대입:
$$\boxed{A_{\text{path}} = \frac{z_0 + 2z_1 + \cdots + 2z_{n_2-1} + z_{n_2}}{2n_2} \cdot (x_0 - x_{n_2})}$$
Swept Volume 조립
$$\boxed{V_{\text{swept}} = \int_{x_{n_2}}^{x_0} z_{\text{surf}}(x)\,dx - \frac{z_0 + 2z_1 + \cdots + 2z_{n_2-1} + z_{n_2}}{2n_2} \cdot (x_0 - x_{n_2})}$$
버킷 용량 제한
아무리 넓은 면적을 쓸어도 버킷이 담을 수 있는 양에 한계가 있으므로:
$$\boxed{V = \min{V_{\text{swept}},\; V_{\text{cap}}(\theta(\mathbf{L}_{n_2}))}}$$
- $\theta$ 증가 → 버킷 닫힘 → $V_{\text{cap}}$ 증가
- $\theta \geq \pi$ → 토양이 반대편으로 흘러내림 → 장비 고장 위험 (Fig. 4)
비용함수에서의 역할
$$J_{\text{Phase2}} = w_d \sum_{k=1}^{n_2} |\mathbf{L}k - \mathbf{L}{k-1}|_W^2 - w_v V$$
| 항 | 역할 |
|---|---|
| $w_d \sum |\mathbf{L}k - \mathbf{L}{k-1}|^2$ | 실린더 이동거리 최소화 (에너지 절약) |
| $-w_v V$ | 굴착 체적 최대화 (부호 반전으로 minimize에 편입) |
"최소한의 에너지로 최대한 많은 흙을 퍼라"는 트레이드오프를 $w_d, w_v$로 조절.
Q3. Phase 1 & 3 최적화 문제 수식 유도
Bernstein 다항식 파라미터화의 동기
궤적 $\mathbf{q}_L(t)$를 직접 시간 이산화하면 변수가 폭발. 대신 정규화된 시간 $s \in [0,1]$에서 소수의 제어점 $\boldsymbol{\beta}_k$로 전체 궤적 표현.
Bernstein 기저 함수의 핵심 성질
$$B_{k,n}(s) = \binom{n}{k} s^k (1-s)^{n-k}$$
| 성질 | 수식 | 의미 |
|---|---|---|
| 비음수성 | $B_{k,n}(s) \geq 0$ | 항상 양수 |
| 단위 분할 | $\sum_{k=0}^n B_{k,n}(s) = 1$ | 가중 평균 구조 |
| 끝점 보간 | $p(0)=\beta_0,\; p(1)=\beta_n$ | 시작·끝점 정확히 통과 |
| 볼록 껍질 | $\min_k \beta_k \leq p(s) \leq \max_k \beta_k$ | 곡선이 제어점 범위를 벗어나지 않음 |
궤적 파라미터화:
$$q_{L,i}(s) = \sum_{k=0}^{n} \beta_{k,i}\; B_{k,n}(s), \quad s = \frac{t}{T}$$
속도 유도
Bernstein 미분 → 차수 1 낮은 Bernstein:
$$\dot{\mathbf{q}}L(t) = \frac{n}{T} \sum{k=0}^{n-1} (\boldsymbol{\beta}{k+1} - \boldsymbol{\beta}_k)\; B{k,n-1}(s)$$
속도의 "제어점"은 $\frac{n(\boldsymbol{\beta}_{k+1} - \boldsymbol{\beta}_k)}{T}$.
가속도 유도
$$\ddot{\mathbf{q}}L(t) = \frac{n(n-1)}{T^2} \sum{k=0}^{n-2} (\boldsymbol{\beta}{k+2} - 2\boldsymbol{\beta}{k+1} + \boldsymbol{\beta}k)\; B{k,n-2}(s)$$
역동역학으로 제어 입력 결정
Phase 1, 3에서 외란 $\boldsymbol{\Delta}_L = 0$이므로:
$$\mathbf{u}(t) = M_L(\mathbf{q}_L)\;\ddot{\mathbf{q}}_L + \mathbf{h}_L(\mathbf{q}_L, \dot{\mathbf{q}}_L)$$
$\boldsymbol{\beta}_k$와 $T$를 정하면 → 궤적 결정 → 속도·가속도 계산 → 역동역학으로 $\mathbf{u}(t)$ 결정. 결정 변수는 $\boldsymbol{\beta}_k$와 $T$뿐.
비용함수
$$\min_{\boldsymbol{\beta}_k,\; T} \int_0^T \frac{1}{2} \mathbf{u}^\top W_u\, \mathbf{u}\; dt$$
$s = t/T$ 치환 시 $dt = T\,ds$: - $T$ 커지면 → $\ddot{\mathbf{q}}_L$ 작아져서 → $\mathbf{u}$ 작아짐 (느리게 = 힘 적게) - 하지만 적분 구간 길어짐 → 총 에너지 증가 - 이 트레이드오프가 최적 $T^*$ 결정
제약조건
(a) 위치 제약 — 볼록 껍질 성질로 제어점만 검사:
$$\mathbf{q}_L^l \leq \boldsymbol{\beta}_k \leq \mathbf{q}_L^u, \quad k = 0, \ldots, n$$
(b) 속도 제약 — 속도 제어점으로 변환:
$$\dot{\mathbf{q}}L^l \leq \frac{n(\boldsymbol{\beta}{k+1} - \boldsymbol{\beta}_k)}{T} \leq \dot{\mathbf{q}}_L^u, \quad k = 0, \ldots, n-1$$
(c) 경계 조건:
$$\boldsymbol{\beta}0 = \mathbf{q}{L,\text{start}}, \quad \boldsymbol{\beta}n = \mathbf{q}{L,\text{end}}$$
(d) Phase 3 추가 제약 (토양 흘림 방지):
$$\theta_0 \leq \theta(\boldsymbol{\beta}_k) \leq \pi$$
최종 최적화 문제
$$\begin{aligned} & \min_{\boldsymbol{\beta}1, \ldots, \boldsymbol{\beta}{n-1},\; T} && \int_0^T \frac{1}{2} \mathbf{u}(\boldsymbol{\beta}, T)^\top W_u\, \mathbf{u}(\boldsymbol{\beta}, T)\; dt \ & \text{s.t.} && \mathbf{q}L^l \leq \boldsymbol{\beta}_k \leq \mathbf{q}_L^u && \text{(위치 제약)} \ & && \dot{\mathbf{q}}_L^l \leq \frac{n(\boldsymbol{\beta}{k+1} - \boldsymbol{\beta}k)}{T} \leq \dot{\mathbf{q}}_L^u && \text{(속도 제약)} \ & && \boldsymbol{\beta}_0 = \mathbf{q}{L,\text{start}},\; \boldsymbol{\beta}n = \mathbf{q}{L,\text{end}} && \text{(경계 조건)} \ & && \theta_0 \leq \theta(\boldsymbol{\beta}_k) \leq \pi && \text{(Phase 3만)} \end{aligned}$$
변수 수: 제어점 9개(양 끝 고정 → 자유 7개) × 실린더 4개 + $T$ 1개 = 29개. 기존 수천 개 대비 압도적 축소.
Q4. Phase 2 제약조건 #3과 #4 심층 분석 — α 각도와 삼각형 충돌 박스
[!question] 핵심 질문 Phase 2 제약조건 중 #3(α > 0)과 #4(버킷 몸체 ≥ 팁 궤적)는 유사해 보이는데, 왜 둘 다 필요한가?
α (여유 각도, clearance angle)의 정확한 정의
500
α는 버킷 팁(tip)에서 측정되는 두 방향 사이의 각도:
| 요소 | 설명 |
|---|---|
| $v_E = (\dot{E}_x, \dot{E}_z)$ | 버킷 팁의 속도벡터 — 팁이 실제로 이동하는 방향 |
| 바닥면(cutting edge) 연장선 | 버킷 바닥면을 팁 너머로 연장한 가상의 선 |
| α | 이 두 방향 사이의 각도 |
부호 규약:
- α > 0: 바닥면 연장선이 $v_E$보다 더 깊은 각도 → 팁이 이동 방향에서 선행하며, 등면(back)이 지표면에서 멀어짐 → 안전
- α < 0: 바닥면 연장선이 $v_E$보다 더 얕은 각도 → 바닥면 뒤쪽이 토양을 밀어냄 → 위험
α > 0 (정상) α < 0 (위반)
┌──────┐ ┌──────┐
│버킷 │ ← 등면이 뒤에 │버킷 │ ← 등면이 앞에
│ body │ │ body │
└──┬───┘ └───┬──┘
│팁 │팁
├── → v_E ├── → v_E
└─── ↘ 바닥면 연장선 (더 깊음) └─── → 바닥면 연장선 (더 얕음)
α↗ (양수) α↘ (음수)
↑ 바닥면이 토양을 밀어냄!
[!info] 인터랙티브 시각화 α 각도와 제약 #3/#4의 차이를 SVG 그래프로 상세하게 시각화한 HTML 파일: constraint_3_vs_4_explanation (브라우저에서 열어 확인)
제약 #3과 #4의 핵심 차이
| 제약 #3 (α > 0) | 제약 #4 (몸체 ≥ 궤적) | |
|---|---|---|
| 검사 대상 | 버킷 자세(θ) vs 현재 이동 방향(v_E) | 버킷 형상(삼각형) vs 누적 팁 경로 |
| 시간 범위 | 현재 순간 (instantaneous) | 과거 궤적 전체 (historical) |
| 방지하는 위험 | 등면/바닥면이 현재 지표면을 미는 것 | 몸체가 미굴착 토양 속에 들어가는 것 |
| 수학적 성격 | 각도 조건 (α의 부호) | 기하학적 위치 조건 (꼭짓점 vs 곡선) |
Case A: α > 0이지만 #4 위반 — 왜 #3만으로는 부족한가
급곡선 궤적에서 발생하는 상황:
z ↑
│ ○ wp0 (높은 곳) [버킷 삼각형]
│ ╲ ╱╲
│ ╲ (내려감) 꼭짓점A→ ╱ ╲
│ ○ wp1 ──── 궤적 높이 ─── ─ ─╱─ ─ ─ ← x=A에서 궤적
│ ╲ 꼭짓점이 궤적보다 ↓ 아래!
│ ╲ (미굴착 토양 속에 몸체 진입)
│ ○ wp2
│ ╲ ← v_E (위쪽으로 이동 중)
│ ○ wp3 ●←현재 팁 α > 0 ✓ (팁이 선행)
│ ╱
│ ○ wp4 (올라감)
└───────────────────────→ x
- 궤적이 급하게 꺾이면서, 과거에 팁이 높이 지나간 x좌표(wp0~wp1 부근)에서
- 현재 버킷 몸체 꼭짓점이 그때의 궤적 높이보다 아래에 위치
- 팁의 이동 방향 대비 자세는 정상(α > 0)이지만, 과거 궤적과의 관계에서 위반 발생
- 물리적 의미: 아직 깎이지 않은 토양 속에 버킷 몸체가 들어가 있는 비현실적 상황
Case B: #4 만족이지만 α ≤ 0 — 왜 #4만으로는 부족한가
완만한 궤적에서 발생하는 상황:
z ↑
│ ───────────── z_surf (지표면) ──────────
│ ╱╲ ← 등면이 앞!
│ ○───○───○───○───●팁 ╱ ╲
│ (팁 궤적) ╲ ╱ body╲
│ ╲ ╱──────╲
│ → v_E ↑
│ 바닥면 연장선 → (더 얕음)
│ α < 0 ✗
└───────────────────────────────────→ x
- 버킷 몸체 전체가 과거 팁 궤적보다 위에 있어 #4는 만족
- 하지만 바닥면 각도가 $v_E$보다 얕아서 α < 0 → #3 위반
- 물리적 의미: 바닥면 뒤쪽이 아직 파지 않은 현재 지표면을 밀어 불필요한 저항력 + 장비 손상 위험
제약 #4의 수학적 정식화 — 삼각형 충돌 박스
논문에서는 버킷 형상을 삼각형(triangular collision box)으로 단순화하여 검사:
각 waypoint $k$에서 버킷을 3개 꼭짓점 ${P_1^k, P_2^k, P_3^k}$으로 근사하고, 과거 waypoint들의 팁 위치를 잇는 구간별 선형 경로를 $\gamma(x)$로 정의하면:
$$z_{P_j^k} \geq \gamma(x_{P_j^k}), \quad \forall\, j \in {1,2,3}, \quad \forall\, k \in {1, \ldots, n_2}$$
즉, 매 waypoint에서 삼각형 충돌 박스의 모든 꼭짓점의 $z$ 좌표가, 해당 $x$ 좌표에서의 과거 팁 궤적 높이 이상이어야 한다. 이 제약은 $\mathbf{L}_k$의 함수로 표현되는 비선형 부등식으로 ALGLIB 솔버에 포함된다.
5가지 제약조건의 물리적 의미 종합
| # | 제약 | 수식/조건 | 왜 필요한가? |
|---|---|---|---|
| 1 | 위치 제약 | $x \in [x_{\min}, x_{\max}]$, $z_{\text{target}} \leq z \leq z_{\text{surf}}$ | 작업 영역 내에서, 목표와 지표면 사이에서만 굴착 |
| 2 | $\theta$ 단조 증가 | $\theta_k \leq \theta_{k+1}$ | 에너지 낭비 방지 (왔다갔다 안 함) |
| 3 | $\alpha > 0$ | 바닥면 연장선 각도 > $v_E$ 각도 | 바닥면이 현재 지표면을 밀지 않도록 |
| 4 | 몸체 ≥ 궤적 | $z_{P_j^k} \geq \gamma(x_{P_j^k})$ | 몸체가 미굴착 토양에 들어가지 않도록 |
| 5 | $\theta < \pi$ | 회전각 상한 | 토양이 손목 방향으로 흘러 장비 고장 방지 |
[!important] 결론 #3은 "지금 이 순간"의 자세, #4는 "과거 궤적 전체와의 관계"를 검사한다.
3만으로는 몸체가 과거 궤적을 관통하는 것을 막지 못하고,
4만으로는 바닥면이 지면을 미는 것을 막지 못한다.
둘 다 필요하다.
Q5. Local Planning MPC 물리적 제약조건 — 왜 4가지 모두 필요한가
[!question] 핵심 질문 유압 굴착기의 4가지 물리적 제약조건 (10a)~(10d)는 각각 무엇을 의미하며, 왜 4가지를 모두 동시에 적용해야 하는가?
유압 굴착기는 하나의 디젤 엔진 → 유압 펌프 시스템이 4개 액추에이터(스윙 모터 + 붐·암·버킷 실린더)를 동시에 구동한다. 이 "자원 공유" 구조가 제약조건의 핵심이다.
(10a) 힘/토크 제한 — 개별 액추에이터 한계
$$\mathbf{u}^l \leq \mathbf{u} \leq \mathbf{u}^u$$
각 액추에이터가 낼 수 있는 힘/토크의 하드웨어적 상·하한:
| 액추에이터 | 제어 입력 | 의미 |
|---|---|---|
| 스윙 모터 | $T_U$ | 캐빈 좌우 회전 토크 (Nm) |
| 붐 실린더 | $F_B$ | 붐 상하 이동 유압력 (N) |
| 암 실린더 | $F_A$ | 암 굽힘/펼침 유압력 (N) |
| 버킷 실린더 | $F_K$ | 버킷 회전 유압력 (N) |
하한 $\mathbf{u}^l$(음의 힘)도 존재하는 이유: 유압 실린더는 양방향(밀기/당기기) 모두 한계가 있기 때문.
(10b) 파워 제한 — 공유 에너지원 한계
$$p = \mathbf{u}^\top \dot{\mathbf{q}}_L \leq p^u$$
전개하면:
$$p = T_U \cdot \dot{\psi}_U + F_B \cdot \dot{L}_B + F_A \cdot \dot{L}_A + F_K \cdot \dot{L}_K$$
4개 액추에이터가 동시에 소비하는 총 기계적 파워. 모두 하나의 엔진 → 하나의 유압 펌프에서 공급받으므로, 개별 힘이 한계 내에 있더라도 총합이 펌프 최대 파워를 초과하면 안 된다.
[!example] 비유 가정집 전기: 에어컨(1,500W), 전자레인지(1,200W), 드라이어(1,000W) 각각은 개별 용량 이내. 하지만 동시에 켜면 총 3,700W → 차단기(3,000W) 트립! 굴착기도 마찬가지: 붐을 빠르게 올리면서 동시에 암을 빠르게 접으면 총 파워 초과 위험.
(10c) 실린더 변위 제한 — 물리적 이동 범위
$$\mathbf{L}^l \leq \mathbf{L} \leq \mathbf{L}^u$$
유압 실린더의 최소 수축 길이와 최대 신장 길이. 물리적 스토퍼(stopper)에 의한 하드웨어 한계.
실린더: ◄────────────────────────────►
L^l (완전 수축) L^u (완전 신장)
├════════╗
│ 피스톤 ║═════════│
├════════╝ │
↑
현재 위치 L (이 범위 내)
이 제약이 없으면 최적화기가 실린더가 끝까지 가서 벽에 부딪히는(bottoming out) 궤적을 생성할 수 있다.
(10d) 펌프 유량 제한 — 가장 복잡한 제약
$$f_i = A_i(\text{sgn}(\dot{\mathbf{q}}_L))^\top \dot{\mathbf{q}}_L^{\text{abs}} \leq f_i^u, \quad i = 1, 2$$
| 기호 | 의미 |
|---|---|
| $A_i$ | 각 펌프가 담당하는 실린더들의 단면적 행렬 |
| $\text{sgn}(\dot{\mathbf{q}}_L)$ | 실린더 이동 방향 (신장/수축) → 단면적이 달라짐 |
| $\dot{\mathbf{q}}_L^{\text{abs}}$ | 실린더 속도의 절대값 |
| $f_i^u$ | 펌프 $i$의 최대 유량 |
| $i = 1, 2$ | Hyundai HX300L은 2개의 유압 펌프 사용 |
유량 = 단면적 × 피스톤 속도. 유압 실린더는 밀 때(신장)와 당길 때(수축)의 단면적이 다르므로(로드 측은 면적이 작음), $\text{sgn}(\dot{\mathbf{q}}_L)$로 방향을 판별하여 적절한 단면적을 선택한다.
밀 때 (신장): 당길 때 (수축):
┌─────────────┐ ┌─────────────┐
│ ╔═════════╗ │ 큰 면적 │ ╔═════╗ │ 작은 면적
│ ║ ║ │ │ ║ ║─── │ (로드가 차지)
│ ╚═════════╝ │ │ ╚═════╝ ↑ │
└─────────────┘ └─────────rod─┘
각 펌프의 최대 유량 $f_i^u$를 넘으면 유압 오일 공급 부족으로 실린더가 의도한 속도로 움직이지 못한다.
4가지 제약의 관계 — 개별 vs 시스템 제약
flowchart TB
subgraph 개별["개별 액추에이터 제약"]
A["(10a) 힘/토크 한계<br/>각 관절의 최대 힘"]
C["(10c) 실린더 변위 한계<br/>각 관절의 이동 범위"]
end
subgraph 시스템["시스템 전체 (자원 공유) 제약"]
B["(10b) 파워 한계<br/>엔진 총 에너지 공급"]
D["(10d) 펌프 유량 한계<br/>유압 오일 공급량"]
end
A -.->|"개별 OK라도"| B
A -.->|"개별 OK라도"| D
B ---|"에너지 관점"| D
style 개별 fill:#e8f4fd,stroke:#4a90d9
style 시스템 fill:#fde8e8,stroke:#d94a4a
| 상황 | (10a) | (10b) | (10c) | (10d) | 결과 |
|---|---|---|---|---|---|
| 붐만 천천히 올림 | ✅ | ✅ | ✅ | ✅ | 정상 |
| 붐을 최대 힘으로 빠르게 올림 | ✅ | ⚠️ | ✅ | ⚠️ | 파워/유량 초과 위험 |
| 4개 관절 동시 최대 속도 | ✅ | ❌ | ✅ | ❌ | 엔진·펌프 과부하 |
| 실린더 끝까지 신장 후 더 신장 | ✅ | ✅ | ❌ | ✅ | 물리적 충돌 |
[!important] 핵심 (10a)과 (10c)는 "각 관절 개별"의 한계, (10b)과 (10d)는 "공유 자원(엔진·펌프)"의 한계. 개별 제약만으로는 시스템 전체의 물리적 실현 가능성(feasibility)을 보장할 수 없으므로, 4가지를 모두 동시에 적용해야 한다.
Q6. 기존 연구 방법론 상세 분석 — 본 논문의 차별점 이해를 위한 배경
[!info] 관련 섹션: 1.2 기존 연구 분류 Q1이 "본 논문의 기여가 무엇인가"를 분석했다면, Q6은 "기존 방법이 구체적으로 어떻게 작동했는가"를 파고든다. 기존 방법의 내부 구조를 알아야 차별점이 명확해진다.
부류 1: Trajectory Optimization [6,7,9] — 오프라인 전체 궤적 최적화
작동 원리: 굴착 시작부터 끝까지의 전체 경로를 한 번에 오프라인으로 최적화. 비용함수(에너지 최소화 등)와 제약조건(힘 한계, 토크 한계 등)을 넣고 수학적 솔버로 "최적 경로"를 구한다.
[입력] 굴착기 동역학 모델 + 비용함수 + 제약조건
↓
비선형 최적화 솔버 (offline, 수 분~수 시간)
↓
[출력] t=0 ~ t=T 까지의 전체 궤적 (관절각도, 속도, 힘)
- [6] Yoo (2010): 동역학 기반 force/torque 최소화 궤적 생성. 4가지 물리적 제약조건 고려
- [7] Kim (2013): 토양-버킷 상호작용 모델(FEE)을 포함한 현실적 궤적 최적화
- [8,9] Yang (2020-2021): 커널 함수로 궤적 파라미터화하여 최적화 속도 향상
| 한계 | 설명 |
|---|---|
| Offline 계산 | 전체 궤적 사전 계산 → 실시간 재계획 불가 |
| 외란 취약 | 돌, 마찰 변화 등 실제 토양 조건에 대응 불가 |
| 제약조건 위반 가능 | 외란이 크면 사전 궤적 추종 시 힘 한계 초과 위험 |
부류 2: Receding Horizon / MPC [12,13] — 이동 수평선 최적화
MPC는 "미래를 조금씩 내다보면서 매 순간 최적 행동을 결정"하는 방법:
시점 t=0: [현재]━━━━━━[예측 N스텝] → 첫 제어 입력만 실행
시점 t=1: [현재]━━━━━━[N스텝] → 다시 최적화, 첫 입력만 실행
시점 t=2: [현재]━━━━━━ → 반복...
[12] Bender et al. (2017) — Offset-free MPC
- 동역학: 각 관절을 독립적(decoupled)으로 모델링. Boom, Arm, Bucket 각각을 단일 입력-단일 출력(SISO) 시스템으로 취급
- Decoupled의 의미: 실제로는 Boom을 올리면 관성 커플링으로 Arm에도 힘이 작용하지만, 이를 무시
- 외란 보상: 상태 벡터에 적분기(integrator)를 추가하여 정상상태 오차(offset) 제거
- 제약조건: 입력 box constraint ($u_{\min} \leq u \leq u_{\max}$)만 고려. 상태 제약(실린더 변위, 파워, 유량) 미고려
[13] Wind et al. (2020) — Nonlinear MPC
- 동역학: Double Integrator ($\ddot{q} = u$). 질량, 관성, 중력, 마찰 모두 무시하는 극단적 단순화
- 비선형: 운동학(kinematics) 제약이 비선형이라 NMPC로 분류되지만, 동역학 자체는 가장 단순한 형태
- 계산 속도: 범용 NLP 솔버 사용 → ~300ms/step (≈3.3 Hz). 최소 30Hz가 필요한 굴착기 제어에 약 10배 부족
- 외란 추정: 없음
부류 3: 비최적화 기반 [1,14-16]
| 연구 | 방법 | 한계 |
|---|---|---|
| [1] Son (DMP) | 전문가 굴착 동작을 학습·재현 | 물리적 제약조건을 명시적으로 고려 불가 |
| [14] Yang (Reachability Map) | 도달 가능한 버킷 자세를 오프라인 계산 | 동적 제약조건 미반영 |
| [15,16] Jelavic (계층적 제어) | Walking excavator용 계층적 최적화 | 제약 우선순위 충돌 시 feasibility 보장 불가 |
최종 비교
| 비교 항목 | [6,7,9] Traj. Opt. | [12] Offset-free MPC | [13] NMPC | 본 논문 |
|---|---|---|---|---|
| 실시간 재계획 | ❌ Offline | ✅ | ✅ (느림) | ✅ 30Hz+ |
| 동역학 모델 | Full 비선형 | Decoupled 단순 | Double Integrator | Full → FL로 선형화 |
| 관절 간 커플링 | ✅ | ❌ | ❌ | ✅ |
| 외란 추정 | ❌ | △ (적분기) | ❌ | ✅ 모멘텀 기반 |
| 물리 제약 4종 | ✅ | △ (입력만) | △ | ✅ 전부 |
| 계산 속도 | 수 분 | 빠름 | ~3.3Hz | 33~46Hz |
[!tip] 핵심 기존 오프라인 방법 [6,7,9]은 정확하지만 외란 대응 불가, 기존 MPC [12,13]는 실시간이지만 동역학이 너무 단순하거나 느렸다. 본 논문은 두 부류의 장점을 합쳐 "풀 동역학 + 모든 물리 제약 + 외란 보상 + 30Hz+"를 동시 달성했다.
Q7. 개별 기법의 독창성 평가 — "시스템 논문"의 기여 구조
[!info] 관련 섹션: 1.3 연구 기여 본 논문에서 사용한 Feedback Linearization, 모멘텀 기반 외란 추정, MPC+DDP는 각각 로봇공학에서 수십 년간 확립된 기법이다. 개별 기법의 독창성이 아니라, 통합 적용이 기여의 핵심.
Feedback Linearization (피드백 선형화)
- 기원: 1980~90년대 비선형 제어 이론 (Isidori 1989, Slotine & Li 1991)
- 널리 쓰이는 곳: 산업용 로봇팔 궤적 추종, UAV 자세 제어, 보행 로봇 관절 토크 제어
- 본 논문 참고: [20]번 참고문헌이 FL 기반 MPC 재정식화의 출처, [28] (Slotine 교과서)에서 안정성 근거
모멘텀 기반 외란 추정
- 기원: De Luca et al. (2003~2006)이 산업용 로봇팔에서 체계화
- 널리 쓰이는 곳: 협동 로봇(KUKA iiwa, Universal Robots, Franka Emika)의 충돌 감지, 센서리스 힘 제어, 보행 로봇 지면 반력 추정, 수술 로봇 접촉력 추정
- 본 논문 참고: [1,25]가 모멘텀 기반 외란 추정의 출처, [23,24]가 외란 추정 + MPC 통합 선행 연구
MPC + DDP
- 기원: MPC는 1970~80년대 석유화학 공정 제어에서 시작, DDP는 Mayne (1966)
- 널리 쓰이는 곳: 보행 로봇(MIT Cheetah), 드론 곡예 비행, 자율주행 경로 계획
- 본 논문 참고: [30] Howell et al.의 Augmented Lagrangian + DDP, [17-19]의 로봇 적용 사례
기여의 층위 구조
┌──────────────────────────────────────────────────────────────┐
│ Level 3: 시스템 통합 (본 논문의 주된 기여) │
│ "Global+Local 이중 구조로 모든 제약+외란+실시간을 동시 달성" │
├──────────────────────────────────────────────────────────────┤
│ Level 2: 도메인 적용 (의미 있는 엔지니어링 기여) │
│ • FL을 유압 굴착기의 closed-chain 동역학에 맞게 재정식화 │
│ • 모멘텀 외란 추정을 관절각↔실린더 변위 이중 표현에 적용 │
│ • 4가지 물리 제약(힘, 파워, 변위, 유량)을 MPC에 통합 │
├──────────────────────────────────────────────────────────────┤
│ Level 1: 개별 기법 (기존에 이미 확립됨) │
│ • Feedback Linearization (1980s~) │
│ • Momentum-based Disturbance Estimation (2003~) │
│ • MPC + DDP + Augmented Lagrangian (1960s~2010s) │
│ • Bernstein 다항식 파라미터화 (고전 수학) │
└──────────────────────────────────────────────────────────────┘
굴착기 도메인의 특수한 난점 — 단순 적용이 아닌 이유
| 굴착기 특유의 난점 | 일반 로봇팔과의 차이 |
|---|---|
| Closed-chain kinematics | 유압 실린더와 링크의 폐쇄 루프 → 야코비안 복잡 |
| 공유 파워원 | 4개 액추에이터가 하나의 유압 펌프를 공유 → 파워/유량 제약 커플링 |
| 극심한 외란 | 토양-버킷 상호작용은 수백~수천 N → 일반 로봇팔보다 훨씬 크고 예측 불가 |
| 대형 관성 | 30톤급 장비 → 제약조건 위반 시 안전 문제 심각 |
[!important] 결론 이런 유형의 논문은 제어/로봇 분야에서 "시스템 논문(systems paper)"이라 부르며, 알고리즘 독창성보다는 엔지니어링 통합의 완성도와 실용적 가치로 평가된다. 논문 스스로도 "To the best of our knowledge, this work presents the first real-time motion planning framework that satisfies constraints of a hydraulic excavator"라 표현하여, 기법이 아닌 프레임워크의 최초성을 주장한다.
Q8. Phase별 파라미터화 선택 근거 — Bernstein vs Waypoint, Bernstein vs B-spline
[!info] 관련 섹션: 3.3 Global Planning Q3이 Bernstein 파라미터화의 수식을 유도했다면, Q8은 "왜 이 선택을 했는가"라는 설계 근거를 분석한다.
Phase 2는 왜 Waypoint 이산화를 쓰는가?
Phase 2(굴착 구간)에는 위치에 종속된 복잡한 기하학적 제약조건이 있다:
| 이유 | 설명 |
|---|---|
| 불규칙한 지면 형상 | 지표면과 목표면 사이에서 자유로운 형태의 궤적이 필요. 매끄러운 다항식에 억지로 맞추면 제약 만족 어려움 |
| 위치별 제약조건 | "각 지점에서" 지표면 아래·목표면 위·여유각 양수 등을 검사 → waypoint로 이산화하면 각 점에서 직접 검사 가능 |
| Swept Volume 계산 | 사다리꼴 적분에서 waypoint가 직접 적분 노드로 활용됨 |
| 비매끄러운 궤적 허용 | Deep excavation에서 삼각형 형태 궤적이 체적 최대화에 유리 → 매끄러운 다항식 곡선에 제한될 필요 없음 |
Phase 1 & 3는 왜 Bernstein 다항식을 쓰는가?
Phase 1(초기→지표면)과 Phase 3(굴착 완료→목표 위치)의 특성:
| 특성 | Phase 1&3 | Phase 2 |
|---|---|---|
| 제약조건 | 단순 box 제약 | 복잡한 기하학적 제약 |
| 궤적 형태 | 매끄럽고 에너지 효율적 | 각진 형태도 가능 |
| 이동 거리 | 긴 자유 이동 | 짧은 굴착 구간 |
| 최적화 목적 | 에너지 최소화 | 체적 최대화 + 안전 |
→ 소수의 제어점(9개)으로 매끄러운 궤적을 표현하는 Bernstein이 계산 효율과 궤적 품질 모두에서 유리.
Bernstein 대신 B-spline을 쓰지 않는 이유
논문 원문에서 명시한 Bernstein 선택 이유:
"Bernstein bases are used because the convex hull property allows to incorporate the box constraint for $\mathbf{q}_L$ and linear inequality constraints for $\dot{\mathbf{q}}_L$ easily."
| 비교 항목 | Bernstein | B-spline |
|---|---|---|
| Convex hull 범위 | 전역적 (global) — 모든 제어점의 볼록 껍질 | 국소적 (local) — 인접 제어점들의 볼록 껍질 |
| 끝점 보간 | 자동 ($p(0)=\beta_0$, $p(1)=\beta_n$) | Clamped knot vector 설정 필요 |
| 미분 → 제약 변환 | 속도 제어점 = $\frac{n(\beta_{k+1}-\beta_k)}{T}$ → 선형 부등식으로 직접 변환 | knot 의존적, 표현이 더 복잡 |
| 국소 제어 (local support) | ❌ 없음 | ✅ 있음 (하나의 제어점 변경이 일부분만 영향) |
| 긴 궤적에서의 유연성 | 차수가 높아짐 | 낮은 차수 유지 가능 |
B-spline의 핵심 장점인 "국소 제어"가 이 문제에서 불필요한 이유: - 제어점이 9개뿐인 짧은 궤적 → 국소 수정 불필요 - 전체를 한 번에 최적화하므로 일부만 바꿀 필요 없음
Bernstein의 장점이 이 문제에 직접 대응하는 이유: - 전역 convex hull → 제어점만 검사하면 위치 제약 자동 보장 (Q3의 식 참조) - 자동 끝점 보간 → Phase 간 경계조건 설정이 간단 - 미분 = 제어점 차분 → 속도 제약이 선형 부등식으로 변환되어 솔버에 바로 입력 가능
[!tip] 한마디 정리 B-spline은 "긴 궤적의 일부분만 수정"할 때 강력하지만, 이 문제는 짧은 궤적을 한 번에 최적화하는 문제이므로 Bernstein의 끝점 보간 + 전역 convex hull + 미분 단순성이 더 유리하다.
Q9. 모멘텀 기반 외란 추정 — 수식 상세 유도
[!info] 관련 섹션: 3.4 Local Planning (MPC) — 외란 추정 (Eq. 11) 요약 본문의 Eq. 11이 어떻게 유도되고, 왜 저역통과 필터가 되는지를 Step별로 증명한다.
Step 1: 출발점 — 동역학에서 합성항을 분리
Euler-Lagrange 동역학에서 $\mathbf{h}\theta$를 코리올리스($C\theta$)와 중력($G_\theta$)으로 분리:
$$M_\theta\,\ddot{\mathbf{q}}\theta + C\theta\,\dot{\mathbf{q}}\theta + G\theta = J_\theta^\top \mathbf{u} + \boldsymbol{\Delta}$$
Step 2: 일반화된 모멘텀 정의 및 미분
$$\mathbf{p} = M_\theta\,\dot{\mathbf{q}}_\theta \quad (\text{일반화된 모멘텀})$$
곱의 미분법으로:
$$\dot{\mathbf{p}} = \dot{M}\theta\,\dot{\mathbf{q}}\theta + M_\theta\,\ddot{\mathbf{q}}_\theta$$
동역학에서 $M_\theta\,\ddot{\mathbf{q}}\theta = J\theta^\top \mathbf{u} + \boldsymbol{\Delta} - C_\theta\,\dot{\mathbf{q}}\theta - G\theta$를 대입:
$$\dot{\mathbf{p}} = (\dot{M}\theta - C\theta)\,\dot{\mathbf{q}}\theta + J\theta^\top \mathbf{u} - G_\theta + \boldsymbol{\Delta}$$
Step 3: 핵심 성질 $\dot{M}\theta = C\theta + C_\theta^\top$ 적용
$\dot{M}\theta - C\theta = C_\theta^\top$이므로:
$$\boxed{\dot{\mathbf{p}} = C_\theta^\top\,\dot{\mathbf{q}}\theta + J\theta^\top \mathbf{u} - G_\theta + \boldsymbol{\Delta}} \tag{A}$$
모멘텀의 변화율 = (알려진 항들) + (미지의 외란 $\boldsymbol{\Delta}$)
Step 4: 왜 $\boldsymbol{\Delta} = \dot{\mathbf{p}} - (\text{알려진 항들})$로 직접 구하지 않는가?
$\dot{\mathbf{p}}$를 구하려면 $M\ddot{\mathbf{q}}$가 필요 → 관절 가속도 $\ddot{\mathbf{q}}$ 필요 → 속도를 수치 미분해야 하는데, 미분은 센서 노이즈를 폭발적으로 증폭한다 (Q10에서 구체적 예시).
→ 대신 양변을 적분하여 가속도 계산을 회피:
$$\mathbf{p}(t) - \mathbf{p}(0) = \int_0^t (C_\theta^\top\,\dot{\mathbf{q}}\theta + J\theta^\top \mathbf{u} - G_\theta)\,d\tau + \int_0^t \boldsymbol{\Delta}\,d\tau$$
$\mathbf{p}(t) = M(\mathbf{q}(t))\dot{\mathbf{q}}(t)$이므로 관절 위치·속도만으로 계산 가능 → 미분 불필요, 적분만 사용.
Step 5: 관측기(Observer) 구조 — 피드백 추가
잔차 신호에 추정값 $\hat{\boldsymbol{\Delta}}$를 피드백으로 넣은 관측기 설계:
$$\hat{\boldsymbol{\Delta}} = K_E \underbrace{\left( \mathbf{p}(t) - \mathbf{p}(0) - \int_0^t \left(J_\theta^\top \mathbf{u} + C_\theta^\top\,\dot{\mathbf{q}}\theta - G\theta + \hat{\boldsymbol{\Delta}}\right) d\tau \right)}_{\displaystyle \mathbf{s}(t)} \tag{11}$$
핵심: 적분 안에 $\hat{\boldsymbol{\Delta}}$가 추가되었다. 이것이 단순 잔차와 다른 점.
Step 6: 저역통과 필터 특성 증명
$\mathbf{s}(t)$를 시간 미분:
$$\dot{\mathbf{s}} = \dot{\mathbf{p}} - (J_\theta^\top \mathbf{u} + C_\theta^\top\,\dot{\mathbf{q}}\theta - G\theta + \hat{\boldsymbol{\Delta}})$$
식 (A)에서 $\dot{\mathbf{p}}$를 대입하면 알려진 항이 모두 상쇄:
$$\dot{\mathbf{s}} = \boldsymbol{\Delta} - \hat{\boldsymbol{\Delta}}$$
$\hat{\boldsymbol{\Delta}} = K_E\,\mathbf{s}$이므로 양변을 미분하면:
$$\boxed{\dot{\hat{\boldsymbol{\Delta}}} = K_E(\boldsymbol{\Delta} - \hat{\boldsymbol{\Delta}})} \tag{LPF}$$
라플라스 변환: $\hat{\Delta}(s) = \frac{K_E}{s + K_E}\,\Delta(s)$ — 1차 저역통과 필터.
- 저주파 외란(토양 저항, 마찰): 정확하게 추정
- 고주파 노이즈: 감쇠·제거
- 일정한 외란: 정상상태에서 $\hat{\boldsymbol{\Delta}} \to \boldsymbol{\Delta}$ (오차 0으로 수렴)
- $K_E$ 크면 → 빠른 추종, 노이즈 민감 / $K_E$ 작으면 → 매끄러운 추정, 느린 반응
Step 7: 실린더 변위 기반 변환
MPC는 실린더 변위 기반 동역학을 사용하므로:
$$\hat{\boldsymbol{\Delta}}_L = J_L^\top\,\hat{\boldsymbol{\Delta}} = [\hat{\Delta}_U \;\; \hat{\Delta}_B \;\; \hat{\Delta}_A \;\; \hat{\Delta}_K]^\top$$
이 $\hat{\boldsymbol{\Delta}}_L$이 MPC 문제 (Eq. 14)의 동역학 모델에 입력되어, 외란을 인지한 미래 궤적 예측을 가능하게 한다.
Q10. 외란 추정 심화 Q&A — 수식의 세부 원리와 실용적 의미
[!info] 관련 섹션: 3.4 Local Planning — 외란 추정 Q9의 유도에서 생기는 자연스러운 후속 질문 7가지에 대한 상세 답변.
(1) $\dot{M}\theta = C\theta + C_\theta^\top$ 수식 유도
코리올리스 행렬의 표준 정의(Christoffel 기호):
$$C_{ij} = \sum_k c_{ijk}\,\dot{q}k, \quad c{ijk} = \frac{1}{2}\left(\frac{\partial M_{ij}}{\partial q_k} + \frac{\partial M_{ik}}{\partial q_j} - \frac{\partial M_{jk}}{\partial q_i}\right)$$
$(C + C^\top)_{ij}$의 $(i,j)$ 원소:
$$\sum_k (c_{ijk} + c_{jik})\,\dot{q}_k$$
$M$의 대칭성($M_{ij} = M_{ji}$)을 이용하여 $c_{ijk} + c_{jik}$를 전개하면, 6개 편미분 항 중 4개가 대칭적으로 상쇄되어:
$$c_{ijk} + c_{jik} = \frac{\partial M_{ij}}{\partial q_k}$$
따라서:
$$(C + C^\top){ij} = \sum_k \frac{\partial M{ij}}{\partial q_k}\,\dot{q}k = \dot{M}{ij} \quad \blacksquare$$
(2) 실제 모멘텀은 어떻게 측정하는가?
$$\mathbf{p}(t) = M_\theta(\mathbf{q}\theta(t))\,\dot{\mathbf{q}}\theta(t)$$
| 필요한 값 | 얻는 방법 |
|---|---|
| $\mathbf{q}_\theta(t)$ (관절 각도) | 엔코더로 직접 측정 |
| $\dot{\mathbf{q}}_\theta(t)$ (관절 속도) | 엔코더 미분 또는 속도 센서 |
| $M_\theta(\mathbf{q}_\theta)$ (질량 행렬) | CAD 데이터(링크 질량/관성) + 현재 관절 각도로 계산 |
"모델 예측 변화량"인 적분항 $\int(C_\theta^\top \dot{\mathbf{q}}\theta + J\theta^\top \mathbf{u} - G_\theta + \hat{\boldsymbol{\Delta}})\,d\tau$도 모두 $\mathbf{q}, \dot{\mathbf{q}}, \mathbf{u}$와 모델 파라미터로 계산 가능. 매 제어 주기(20ms)마다 수치 적분(누적 합산)으로 실장.
핵심: $\mathbf{p}(t)$는 미분 없이 현재 시점의 $\mathbf{q}, \dot{\mathbf{q}}$만으로 바로 계산 가능. 과거 값과의 차이 $\mathbf{p}(t) - \mathbf{p}(0)$도 단순 뺄셈.
(3) 왜 직접 $\boldsymbol{\Delta} = \dot{\mathbf{p}} - (\text{나머지})$로 구하지 않고 적분 경로를 택하는가?
직접 구하려면 $\dot{\mathbf{p}} = \dot{M}\dot{\mathbf{q}} + M\ddot{\mathbf{q}}$에서 관절 가속도 $\ddot{\mathbf{q}}$가 필요하다.
관절 위치 q(t) ← 엔코더 측정 ✅
↓ 1회 미분
관절 속도 q̇(t) ← 약간의 노이즈 ⚠️
↓ 1회 미분
관절 가속도 q̈(t) ← 노이즈 폭발! ❌ (아래 (4)번에서 구체적 예시)
적분 방식은 $\mathbf{p}(t) = M(\mathbf{q})\dot{\mathbf{q}}$만 필요하므로 $\ddot{\mathbf{q}}$ 계산을 완전히 회피한다.
적분은 노이즈를 평활화(smoothing)하고, 미분은 노이즈를 증폭(amplification)한다. 이것이 적분 형태를 택하는 근본적 이유.
(4) 미분에 의한 노이즈 증폭 — 구체적 숫자 예시
관절 속도를 1kHz(1ms 간격)로 샘플링, 센서 노이즈 ±0.01 rad/s:
| 시점(ms) | 실제 $\dot{q}$ | 측정 $\dot{q}$ | 수치 미분 $\ddot{q}$ | 실제 $\ddot{q}$ |
|---|---|---|---|---|
| 0 | 1.00 | 1.01 | — | 20 |
| 1 | 1.02 | 1.01 | 0 | 20 |
| 2 | 1.04 | 1.05 | 40 | 20 |
| 3 | 1.06 | 1.05 | 0 | 20 |
| 4 | 1.08 | 1.09 | 40 | 20 |
- 원래 노이즈: ±0.01 rad/s
- 미분 후 노이즈: $\frac{0.02}{0.001}$ = ±20 rad/s² → 증폭률 2,000배
- 실제 가속도 20에 대해 결과는 0~40 사이를 진동 → 사용 불가
반면, 적분은 +/- 노이즈가 번갈아 나와 서로 상쇄되므로 결과가 안정적이다.
(5) 저역통과 필터의 직관적 이해
$\dot{\hat{\boldsymbol{\Delta}}} = K_E(\boldsymbol{\Delta} - \hat{\boldsymbol{\Delta}})$의 작동 원리:
추정값의 변화 속도 = K_E × (실제값 - 현재 추정값)
↑ ↑
반응 속도 오차
- 오차가 크면 → 빠르게 추정값 조정
- 오차가 작으면 → 천천히 미세 조정
- 오차가 빠르게 +/- 진동하면 → 추정값은 중심에 머무름 (노이즈 제거)
주가의 이동평균선과 같은 원리: 매일의 등락(고주파)은 무시하고 전체 추세(저주파)만 추종.
$K_E$가 차단 주파수를 결정: - $K_E$ 크면 → 빠른 외란도 추정, 노이즈에 민감 (시정수 $\approx 1/K_E$ 짧음) - $K_E$ 작으면 → 매끄러운 추정, 느린 반응 (시정수 $\approx 1/K_E$ 김) - 굴착기의 토양 외란은 수백 ms~수 초 단위로 변하므로 적절한 $K_E$로 외란은 잡고 노이즈는 제거 가능
(6) $\dot{M}$은 알려진 항 — 왜 $C + C^\top$으로 바꾸는가?
$\dot{M}$도 계산 가능하다. $\dot{M}{ij} = \sum_k \frac{\partial M{ij}}{\partial q_k}\dot{q}_k$이므로, 편미분만 구하면 된다.
그러나 $C + C^\top$을 사용하는 것이 실용적으로 유리:
| 방법 | 추가 계산량 |
|---|---|
| $\dot{M}$ 직접 계산 | 4-DOF 시스템: 편미분 40개 (별도 함수 필요) |
| $C + C^\top$ 사용 | $C$는 동역학 계산에서 이미 구해진 행렬 → 전치+덧셈 1회 |
로봇 역학 라이브러리(RBDL, Pinocchio 등)가 $M, C, G$를 기본 제공하므로, $C$를 재활용하는 것이 실장에 편리하다. 수학적으로는 어느 쪽이든 동일한 결과를 얻으며, 이론적 필수가 아니라 실용적 선택이다.
(7) 이 기법은 본 논문 고유의 것인가?
아니다. 모멘텀 기반 외란 추정은 로봇공학에서 완전히 확립된 표준 기법이다.
| 연도 | 연구자 | 기여 |
|---|---|---|
| 2003 | De Luca, Mattone | 산업용 로봇팔에서 momentum observer 체계화 |
| 2006 | De Luca et al. | 충돌 감지 적용 → 협동 로봇 핵심 기술 |
| 2011 | Haddadin et al. | 안전한 인간-로봇 상호작용에 확장 |
상용 로봇(KUKA iiwa, Universal Robots, Franka Emika)에 이미 탑재되어 사람과의 충돌 감지에 사용 중.
본 논문에서 차별화된 부분은 기법 자체가 아니라 적용 방식:
| 항목 | 일반 로봇팔 (De Luca 등) | 본 논문 (굴착기) |
|---|---|---|
| 동역학 표현 | 관절 각도만 사용 | 관절 각도 + 실린더 변위 이중 표현 |
| 기구학 구조 | Open chain | Closed chain |
| 외란 추정 후 용도 | 충돌 감지 → 정지/회피 | MPC 동역학 모델에 주입 → 미래 궤적 예측에 반영 |
마지막 항목이 가장 의미 있는 차이: 일반 로봇은 "외력이 가해졌다"를 감지하여 반응하는 데 쓰지만, 본 논문은 추정된 외란을 예측·계획 단계에 직접 반영하여 제약조건 위반을 사전에 방지한다.
Q11. Fig. 6 — Global Planning 결과 해석: 얕은 굴착 vs 깊은 굴착 전략 차이
[!info] 관련 섹션: 4.2~4.3 Scenario 1 & 2 Fig. 6은 동일한 Global Planner가 목표 형상(target shape)에 따라 자동으로 다른 굴착 전략을 생성함을 보여주는 핵심 그림이다.
700
범례 (색상 의미)
| 색상 | 의미 |
|---|---|
| 주황선 (Ground) | 현재 지표면 형상 |
| 흰선 (Target) | 목표 굴착 형상 (여기까지 파야 함) |
| 녹색선 (Global planner result) | Global planner가 계산한 계획 궤적 |
| 빨간선 (Traversed trajectory) | MPC(Local planner)가 실제로 추종한 궤적 |
(a) Shallow Excavation (얕은 굴착)
- 목표 형상(흰선)이 지표면(주황)에서 얕은 깊이에 위치
- Global planner가 넓은 영역을 얕게 긁는 궤적을 생성 → tip-grading-like motion (표면 정지 작업과 유사한 동작)
- 녹색(계획)과 빨간선(실제)이 대체로 잘 일치 → Local planner가 전역 궤적을 성공적으로 추종
- 단일 pass로 목표 형상에 근접 가능
(b) Deep Excavation (깊은 굴착)
- 목표 형상(흰선)이 지표면에서 깊은 곳에 위치
- Global planner가 삼각형 형태의 궤적을 생성 → 한 번에 최대한 많은 토양을 퍼올리는 전략
- 단일 pass로 목표 깊이에 도달할 수 없으므로, 반복 굴착이 필요한 구조
- 빨간선이 녹색을 잘 따라가지만, 깊은 토양 저항(외란)이 더 크기 때문에 약간의 편차 존재
핵심 메시지
같은 알고리즘(비용함수 Eq. 4: 에너지 최소화 + 체적 최대화)이 목표 형상에 따라 자동으로 다른 전략을 생성한다:
| 목표 형상 | 자동 생성된 전략 | 물리적 이유 |
|---|---|---|
| 얕은 목표 | 넓고 얕게 긁기 (tip-grading) | 얕은 깊이에서는 넓은 면적을 쓸어야 체적 최대화 |
| 깊은 목표 | 삼각형으로 깊이 파기 | 깊이 방향으로 침투해야 체적 최대화, 단 버킷 용량 $V_{\text{cap}}$ 제한 때문에 반복 필요 |
이것은 연구자가 두 전략을 별도로 설계한 것이 아니라, 최적화 문제의 해가 자연스럽게 분화된 결과이다.
Q12. Fig. 7 — Shallow Excavation 상세 결과: 4가지 성능 지표 분석
[!info] 관련 섹션: 4.2 Scenario 1 Fig. 7은 얕은 굴착 시나리오에서 Local Planner(MPC)의 4가지 성능 지표를 시간 축으로 보여준다. 빨간 점선은 모든 서브플롯에서 물리적 한계(제약조건)를 나타낸다.
700
(a) Global Reference Tracking — 전역 궤적 추종
4개 채널: Swing(캐빈 회전), Boom Cyl(붐 실린더), Arm Cyl(암 실린더), Bucket Cyl(버킷 실린더).
- 검은선(LP, Local Planner 결과)이 녹색선(GP, Global Planner 기준)을 시간에 따라 추종
- 대부분 두 선이 거의 겹침 → 추종 성능 우수
- 외란이 발생하는 구간(Phase 2, 토양 접촉 구간)에서도 큰 이탈 없이 추종
- LP가 GP와 약간 다른 부분: MPC가 물리적 제약을 만족시키기 위해 의도적으로 궤적을 미세 조정한 구간
(b) Normalized Control Input — 정규화된 제어 입력
4개 액추에이터(Swing, Boom, Arm, Bucket)의 힘/토크 ($\mathbf{u}$)를 각 한계값으로 나누어 정규화.
- 모든 값이 빨간 점선(±1) 안에 있음 → 제약조건 (10a) $\mathbf{u}^l \leq \mathbf{u} \leq \mathbf{u}^u$ 만족
- 즉, 어떤 액추에이터도 허용 힘/토크 범위를 초과하지 않음
- Global planner의 궤적이 물리적 한계를 초과하는 제어 입력을 요구하더라도, MPC가 제약 내에서 가장 가까운 궤적을 재생성
(c) Normalized Power & Pump Flow Rate — 파워 및 펌프 유량
- 상단 (Power): 총 기계적 파워 $p = \mathbf{u}^\top \dot{\mathbf{q}}_L$이 상한(빨간 점선) 이내 → 제약조건 (10b) 만족
- 하단 (Pump Flow Rate): 2개 유압 펌프의 유량이 각각 상한 이내 → 제약조건 (10d) 만족
- Phase 2(굴착 구간)에서 파워와 유량이 한계에 근접하지만 초과하지 않음 → MPC가 물리적 한계 내에서 최대한 효율적으로 작동
- 이 "한계에 가까워지는" 현상은 최적화의 자연스러운 결과: 제약을 최대한 활용해야 에너지 효율이 높아짐
(d) Normalized Estimated Disturbance — 추정 외란
4개 축의 추정된 외란 $\hat{\boldsymbol{\Delta}}_L$을 시간에 따라 표시.
- 빨간선: 외란 추정값 ($\hat{\boldsymbol{\Delta}}_L$, Eq. 11로 계산)
- 검은선: 실제 외란 (ground truth, 시뮬레이터가 알고 있는 값)
- Bucket Cyl에서 마찰 모델(LuGre friction)이 명확히 관측됨 — 속도 반전 시 뾰족한 피크 형태
- Boom/Arm Cyl에서는 Phase 2 진입 시 토양-버킷 상호작용 외란이 마찰보다 훨씬 큰 크기로 나타남
- 추정값(빨간)이 실제 외란(검은)을 잘 추종 → 모멘텀 기반 추정기(Eq. 11)의 저역통과 필터 특성 확인
- 추정값이 실제값보다 약간 지연되는 것은 저역통과 필터의 본질적 특성 ($K_E$에 의한 시정수만큼 지연)
Fig. 7(d)의 ground truth는 어떻게 알 수 있는가?
[!warning] 핵심 포인트 이것은 시뮬레이션이기 때문에 가능한 것이다.
시뮬레이터가 매 시간 스텝마다 연구자가 설계한 외란 모델을 직접 계산하여 동역학에 주입한다:
| 외란 종류 | 사용 모델 | 물리적 의미 |
|---|---|---|
| 실린더 마찰 | Modified LuGre friction | 속도 반전 시 마찰력 변화 (stiction + sliding) |
| 토양-버킷 상호작용 | Modified FEE (Fundamental Earthmoving Equation) | 버킷이 토양을 관통할 때의 저항력 |
시뮬레이터의 동역학 방정식에서:
$$\ddot{\mathbf{q}}\theta = M\theta^{-1}(-\mathbf{h}\theta + J\theta^\top \mathbf{u} + \underbrace{\boldsymbol{\Delta}}_{\text{시뮬레이터가 직접 계산}})$$
- 시뮬레이터: LuGre + FEE 모델로 $\boldsymbol{\Delta}$를 매 스텝 계산 → 이것이 ground truth (검은선)
- 추정기: 시뮬레이터 내부를 모르는 채로, $\mathbf{q}, \dot{\mathbf{q}}, \mathbf{u}$만으로 $\hat{\boldsymbol{\Delta}}$를 추정 (빨간선)
둘을 겹쳐 그려서 추정기의 정확도를 정량적으로 검증한 것이 Fig. 7(d)이다. 실제 굴착기에서는 이러한 비교가 불가능하며, 이것이 시뮬레이션 검증의 본질적 한계이다.
Q13. 실제 환경에서의 외란 Ground Truth 확보 방법
[!info] 관련 섹션: 5. 한계 및 향후 연구 Fig. 7(d)에서 시뮬레이션이기에 가능했던 ground truth 비교를 실제 환경에서는 어떻게 구현할 수 있는가? 이 질문은 논문의 "향후 연구: 실제 굴착기 검증"과 직결된다.
실제 환경에서 "완벽한 ground truth"는 존재하지 않으며, 근사적 방법들이 있다:
방법 1: 유압 압력 센서 기반 역산 (가장 현실적)
유압 실린더 양쪽 챔버의 압력을 측정하여 실제 힘을 역산:
$$F_{\text{cyl}} = P_{\text{head}} \cdot A_{\text{head}} - P_{\text{rod}} \cdot A_{\text{rod}}$$
이로부터 역동역학으로 외란을 계산:
$$\boldsymbol{\Delta} = M_\theta \ddot{\mathbf{q}}\theta + \mathbf{h}\theta - J_\theta^\top \mathbf{u}_{\text{measured}}$$
- 장점: 굴착기에 압력 센서가 이미 장착된 경우가 많아 추가 비용 낮음
- 한계: 센서 노이즈, 밸브 동특성, 실린더 내부 마찰이 오차 유발 → "준 ground truth"
방법 2: 힘/토크 센서 직접 장착 (가장 정확)
버킷-암 연결부에 6축 force/torque 센서를 설치하여 토양 반력을 직접 측정.
- 장점: 토양-버킷 상호작용력을 가장 직접적으로 측정
- 한계: 고가(수백~수천만원), 굴착 환경의 충격·진동·먼지에 취약, 연구용으로만 현실적
방법 3: 통제된 실험 환경 (Instrumented Test Bed)
실내에 토양 빈(soil bin)을 구축하고, 바닥에 로드셀 배열 + 모션 캡처 시스템을 설치:
| 통제 요소 | 방법 |
|---|---|
| 토양 종류·밀도 | 표준화된 토양 사용, 다짐도 관리 |
| 토양 반력 측정 | 토양 빈 바닥에 로드셀 배열 |
| 버킷 위치 추적 | 모션 캡처 시스템 (Vicon 등) |
- 장점: 환경 변수 통제 → 반복 실험 가능
- 한계: 실제 현장의 불균질 토양, 암반, 수분 등을 완벽히 재현 불가
방법 4: 이중 추정기 교차 검증 (센서 최소화)
서로 독립적인 원리의 추정기 2개(예: 모멘텀 기반 + 확장 칼만 필터)를 동시에 운용:
$$\text{신뢰도} \propto \text{두 추정기의 일치 정도}$$
- 장점: 추가 센서 없이 소프트웨어만으로 구현 가능
- 한계: 엄밀한 ground truth가 아님, 두 추정기가 동일한 오류를 공유할 수 있음
방법 5: 데이터 기반 접근 (최근 연구 트렌드)
대량의 굴착 데이터를 수집하여 ML/DL 기반 외란 모델을 학습:
- 방법 1~3으로 수집한 "준 ground truth"를 학습 데이터로 사용
- 학습된 모델이 새로운 조건에서 외란을 예측
- 장점: 학습 완료 후 추가 센서 불필요
- 한계: 학습 데이터 품질에 의존, 미경험 조건에서 일반화 불확실
연구 단계별 권장 전략
| 단계 | 권장 방법 | 이유 |
|---|---|---|
| 초기 검증 | ① 유압 압력 역산 + ④ 이중 추정기 | 최소 비용으로 추정기 신뢰도 확인 |
| 정밀 검증 | ③ 토양 빈 + ② F/T 센서 | 통제된 환경에서 정확한 ground truth 확보 |
| 현장 적용 | ① 압력 역산 + ⑤ 학습 모델 | 추가 센서 없이 실시간 외란 추정 |
[!important] 결론 실제 환경에서 외란의 완벽한 ground truth는 원리적으로 불가능하다. 유압 압력 센서 기반 역산(방법 1)이 가장 현실적인 "준 ground truth"이며, 대부분의 실험 논문에서 이 방법을 채택한다. 이 논문이 시뮬레이션에만 머문 이유도 실제 ground truth 확보의 어려움이 한 가지 원인일 것이다.
Q14. 시뮬레이션 환경 구성 상세 분석 — 논문이 말하지 않은 것들
[!info] 탐구 일자: 2026-05-24 요약 본문 4.1의 표를 넘어, 원문 Section V.A를 정밀 분석하여 각 구성 요소의 의미와 역할을 상세히 정리.
전체 구조: ROS + C++ 모듈화 아키텍처
시뮬레이션은 Fig. 2의 전체 흐름도를 그대로 소프트웨어로 구현한 것. 각 모듈이 ROS 노드로 개별 구현되어, 실제 로봇 시스템처럼 모듈 간 메시지 통신으로 동작한다.
┌─────────────────────────────────────────────────────────┐
│ ROS 노드 구조 │
│ │
│ [환경 모델 노드] → [Global Planner 노드] │
│ │ │
│ x_r (전역 궤적) │
│ ↓ │
│ [외란 추정 노드] → [Local Planner (MPC) 노드] │
│ │ │
│ x_d, u_d (참조 궤적) │
│ ↓ │
│ [Motion Controller 노드] │
│ │ │
│ u (제어 입력) │
│ ↓ │
│ [PLANT (시뮬레이터) 노드] │
│ │ │ │
│ x (상태 피드백) │
└─────────────────────────────────────────────────────────┘
ROS를 사용하는 이유: 모듈 간 통신·시간 동기화·데이터 로깅을 표준화하므로, 시뮬레이션 코드를 실제 굴착기로 이식할 때 최소한의 수정만 필요. C++는 실시간 제약(30Hz+ MPC)을 만족시키기 위한 성능 확보 목적.
PLANT 시뮬레이터의 외란 모델 상세
논문 원문의 핵심 문장:
"external disturbance Δ is modeled with a steady-state modified LuGre friction model [26] for cylinder friction and modified Fundamental Earthmoving Equation (FEE) [7, 27] for soil-bucket interaction. Note that friction and soil-bucket interaction models are introduced only to construct a realistic simulation environment and are unknown to the planning algorithms."
핵심 포인트: 마찰/토양 모델은 시뮬레이터에만 존재하고, 계획 알고리즘은 이 모델을 전혀 모름. 이를 통해 외란 추정기의 성능을 공정하게 시험할 수 있다.
(1) Modified LuGre Friction — 실린더 마찰
| 마찰 성분 | 현상 | 일반 모델 | LuGre |
|---|---|---|---|
| 정지 마찰 (Stiction) | 멈춘 상태에서 시작 시 큰 마찰 | ✅ | ✅ |
| 쿨롱 마찰 | 속도 무관 일정 마찰 | ✅ | ✅ |
| 점성 마찰 | 속도 비례 마찰 | ✅ | ✅ |
| 사전 활주 | 정지→이동 전환 시 미세 변형 | ❌ | ✅ |
| Stribeck 효과 | 저속에서 마찰 감소 현상 | ❌ | ✅ |
"Modified"(정상상태 버전): 내부 상태 변수의 과도 응답 무시, 현재 속도에 대한 정상 상태 마찰력만 계산.
(2) Modified FEE — 토양-버킷 상호작용
FEE(Fundamental Earthmoving Equation)는 토양역학의 경험적 공식으로, 버킷 관통 시 저항력 예측:
| FEE 구성 요소 | 의존 변수 | 크기 |
|---|---|---|
| 절삭 저항 | 버킷 날 길이, 관입 깊이, 토양 강도 | 수백~수천 N |
| 날면 마찰 | 날면 각도, 토양 내부 마찰각 | 수백 N |
| 토양 가속 | 버킷 속도, 토양 밀도 | 수십~수백 N |
| 토양 자중 | 토양 밀도, 관입 깊이 | 수십~수백 N |
솔버 구현 상세
| 모듈 | 솔버 | 세부 사항 |
|---|---|---|
| Global Planner | ALGLIB [29] | 오픈소스 비선형 최적화. BLEIC(Bound/Linear Equality/Inequality Constrained) 알고리즘 |
| Local Planner (MPC) | DDP + Augmented Lagrangian [30] | 제약조건을 벌칙 함수로 변환 → 비제약 DDP로 풀기. FL로 동역학이 선형화되어 DDP backward pass가 효율적 → 실시간 핵심 |
MPC 파라미터 의미: - 시간 수평선 1000ms: 현재로부터 1초 뒤 미래까지 예측 - 제어 이산화 20ms: 수평선 1000ms ÷ 20ms = 50스텝 예측 - Bernstein 제어점 9개(Phase 1,3) → 자유변수 29개, via point 20개(Phase 2)
Motion Controller
$$\mathbf{u} = J_\theta^{-\top}\left(\mathbf{h}\theta - \hat{\boldsymbol{\Delta}} + M\theta \mathbf{u}_{\text{PID}}\right)$$
MPC 출력의 미세 오차를 보정하는 하위 제어기. Feedback Linearization + PID 구조.
하드웨어 의미
Intel Core i7-9750 @ 2.6 GHz (2019년형 노트북급 CPU)에서 33~46Hz 달성 → 실제 굴착기 탑재 임베디드 컴퓨터에서도 충분히 구동 가능함을 시사.
결과 정규화 방식
| 정규화 대상 | 방법 | 이유 |
|---|---|---|
| 실린더 변위 $\mathbf{L}$ | 상수 바이어스 + 상수 정규화 인자 | 절대값 범위가 커서 비교를 위해 |
| 제어 입력 $\mathbf{u}$ | 상수 정규화 인자 | 각 액추에이터 한계 대비 %로 표시 |
| 파워, 유량 | 상수 정규화 인자 | 펌프 최대 용량 대비 %로 표시 |
| 외란 추정 | 제어 입력과 동일한 인자 | 외란 크기를 제어 용량 대비로 비교 가능 |
Q15. 시뮬레이터 유형 분석 — Vortex/AGX가 아닌 "순수 수식 기반 시뮬레이터"
[!info] 탐구 일자: 2026-05-24 이 논문의 시뮬레이터가 Vortex Studio나 AGX Dynamics 같은 상용 토양 시뮬레이터가 아니라, Isaac Sim 같은 MBD 모델에 해석적 힘 모델(LuGre, FEE)을 코드로 입력한 형태인지를 분석.
결론: 상용 시뮬레이터가 아닌, Isaac Sim보다도 단순한 "순수 수식 기반 시뮬레이터"
Euler-Lagrange ODE를 해석적으로 유도한 뒤 C++ 코드로 직접 구현한 것. 범용 물리 엔진(PhysX 등)도 사용하지 않았으며, 외란 $\boldsymbol{\Delta}$를 LuGre와 FEE의 닫힌 형태 수식(closed-form equation)으로 계산해서 더한 것이다.
세 가지 시뮬레이터 유형 비교
┌─────────────────────────────────────────────────────────────────┐
│ Level 3: Vortex Studio / AGX Dynamics │
│ • 토양을 이산 입자(DEM) 또는 연속체(FEM)로 모델링 │
│ • 버킷-토양 접촉을 물리 엔진이 자동 계산 │
│ • 토양 변형, 유동, 붕괴 등 3D 현상 재현 │
│ • 계산 비용: 매우 높음 (GPU 또는 대규모 병렬 처리) │
├─────────────────────────────────────────────────────────────────┤
│ Level 2: Isaac Sim / MuJoCo / Gazebo + MBD │
│ • 범용 물리 엔진(PhysX, MuJoCo 등)이 강체 동역학 담당 │
│ • URDF/SDF로 로봇 모델 정의, 관절/접촉 자동 처리 │
│ • 토양은 별도 플러그인이나 외부 힘으로 추가 │
│ • 계산 비용: 중간 │
├─────────────────────────────────────────────────────────────────┤
│ Level 1: ★ 이 논문의 시뮬레이터 ★ │
│ • Euler-Lagrange ODE를 해석적으로 유도 → C++로 직접 구현 │
│ • M(q)q̈ + h(q,q̇) = J^T u + Δ 를 수치 적분 │
│ • Δ = LuGre(q̇) + FEE(q, q̇, 지면형상) 해석적 수식 │
│ • 3D 물리 엔진 없음, 렌더링 없음 │
│ • 계산 비용: 매우 낮음 (CPU 단일 코어) │
└─────────────────────────────────────────────────────────────────┘
Vortex/AGX와의 본질적 차이
| 비교 항목 | 이 논문 (FEE 기반) | Vortex / AGX Dynamics |
|---|---|---|
| 토양 표현 | 다항식 곡면 $z_{\text{surf}}(x)$ — 2D 단면 | 이산 입자(DEM) 또는 연속체 — 3D 볼륨 |
| 힘 계산 | 닫힌 형태 수식 1회 평가 | 수천~수만 입자 간 접촉력 반복 계산 |
| 토양 변형 | 버킷 경과 후 지면 형상을 수동 업데이트 | 입자/메시가 물리 법칙에 따라 자동 변형 |
| 흙 유동/붕괴 | ❌ 모사 불가 | ✅ 자연스럽게 발생 |
| 버킷-토양 접촉 | 기하학적 관입 깊이로 힘 계산 | 접촉 역학으로 자동 감지·계산 |
| 계산 비용 | ~1ms 이하 | 수십~수백 ms (GPU 가속 시) |
이런 단순한 시뮬레이터를 선택한 이유
- 외란의 "존재"가 중요하지, "정확도"가 아님 — 플래너는 어차피 외란 모델을 모름. "수백~수천 N의 미지 외란이 가해지는 상황"을 재현하는 데 FEE로 충분
- 계산 효율 — 알고리즘 개발 단계에서 수백~수천 번 반복 시뮬레이션 필요. Vortex/AGX로 한 번에 수 분 걸리면 개발 속도 저하
- 재현성과 제어 가능성 — 해석적 모델은 파라미터를 바꾸면 외란 크기를 정확히 제어 가능. DEM 시뮬레이션은 확률적 요소로 동일 조건 재현이 어려울 수 있음
- 논문의 한계로 명시 — 저자들도 "Future work may include validation in actual excavators"라고 인정
[!important] 시뮬레이션 환경의 설계 철학 "플래너는 모르지만, 시뮬레이터는 아는" 구조. 시뮬레이터는 LuGre + FEE로 현실적 외란을 생성하고, 플래너는 이를 전혀 모른 채 모멘텀 기반 추정만으로 대응해야 한다. 이 "정보 비대칭"이 외란 추정의 성능을 공정하게 검증하는 핵심이다.
Q16. 3D 렌더링의 실체 — RViz + CAD 메시 시각화
[!info] 탐구 일자: 2026-05-24 논문 Fig. 6에 보이는 3D 렌더링 화면(어두운 배경, 반투명 굴착기, 궤적 오버레이)은 Vortex/AGX 같은 물리 시뮬레이터의 렌더링이 아니라, 별도의 시각화 도구가 시뮬레이션 결과를 사후에 표시한 것이다.
700
물리 시뮬레이션과 시각화는 완전히 분리된 시스템
┌─────────────────────┐ ┌─────────────────────┐
│ 물리 시뮬레이션 │ │ 시각화 (렌더링) │
│ (PLANT 노드) │ │ (RViz) │
│ │ │ │
│ • Euler-Lagrange │ ROS │ • 3D CAD 메시 표시 │
│ • LuGre 마찰 │ ───→ │ • 궤적 곡선 오버레이 │
│ • FEE 토양 저항 │ topic│ • 격자, 좌표축 │
│ • 수치 적분 │ │ • 스크린샷 → 논문 그림 │
│ │ │ │
│ 3D 렌더링 능력: ❌ │ │ 물리 계산 능력: ❌ │
└─────────────────────┘ └─────────────────────┘
시뮬레이터는 숫자만 계산하는 ODE 솔버이고, 눈에 보이는 3D 화면은 그 숫자를 별도의 시각화 도구가 그려준 것이다.
RViz를 사용한 것으로 판단하는 근거
- ROS 기반 시스템 — 모든 모듈이 ROS 노드로 구현됨. RViz는 ROS의 기본 시각화 도구
- 화면 특징 — 어두운 배경 + 격자 바닥 + 반투명 모델 + 마커 오버레이 = RViz의 전형적 렌더링 스타일
- CAD 메시 — ACKNOWLEDGMENT에 "Young Bum Kim (Hyundai Construction Equipment) for his kind support in the simulation setup" 기재 → Hyundai로부터 CAD 데이터와 모델 파라미터를 제공받았을 가능성 높음
Fig. 6 구성 요소 분석
| 화면 요소 | RViz 구현 방식 | 데이터 출처 |
|---|---|---|
| 반투명 굴착기 (시작/끝 자세) | RobotModel 플러그인 + URDF + CAD 메시 | 특정 configuration의 관절 각도 |
| 주황선 (Ground) | Marker (LINE_STRIP) | 지표면 다항식 $z_{\text{surf}}(x)$ |
| 흰선 (Target) | Marker (LINE_STRIP) | 목표 형상 $z_{\text{target}}(x)$ |
| 녹색선 (Global planner result) | Marker (LINE_STRIP) | Global planner 출력 버킷 팁 궤적 |
| 빨간선 (Traversed trajectory) | Marker (LINE_STRIP) | Local planner 실제 추종 궤적 |
| 격자 바닥 | Grid 플러그인 | RViz 기본 기능 |
| 어두운 배경 | RViz 배경색 설정 | 궤적 가시성 향상 목적 |
시각화 데이터 흐름 (ROS 토픽)
# 개념적 코드 — PLANT 노드가 RViz로 데이터 전달
# 1. 관절 상태 → 로봇 모델 자세 업데이트
joint_state_pub.publish(JointState(
name=["swing", "boom", "arm", "bucket"],
position=[psi_U, theta_B, theta_A, theta_K]
))
# 2. 궤적 → 선 마커
trajectory_marker = Marker(type=LINE_STRIP)
trajectory_marker.color = ColorRGBA(r=0, g=1, b=0) # 녹색
trajectory_marker.points = [Point(x=p[0], z=p[1]) for p in traj]
marker_pub.publish(trajectory_marker)
[!tip] 핵심 Fig. 6의 3D 렌더링은 물리 시뮬레이터가 직접 렌더링한 것이 아니라, 시뮬레이션 결과(관절 각도 시계열 + 궤적 좌표)를 RViz가 사후에 시각화한 것이다. Vortex/AGX처럼 "물리 엔진이 직접 렌더링하는 것"과는 본질적으로 다르다.
Q17. 구현 전략 — 2단계 프로토타입 + AGX Dynamics 이식 로드맵
[!info] 탐구 일자: 2026-05-24 본 논문의 알고리즘을 AGX Dynamics에 적용하기 전에, 논문과 동일한 가벼운 환경에서 먼저 알고리즘의 감을 잡는 2단계 프로토타입 전략을 수립. 상세 구현 가이드는 별도 노트 참조.
전략적 판단 근거
| AGX에 바로 적용할 때의 리스크 | 프로토타입을 거치면 |
|---|---|
| 알고리즘 문제인지 시뮬레이터 설정 문제인지 구분 어려움 | 알고리즘이 이미 검증되어 있으므로, AGX에서 문제가 생기면 시뮬레이터 차이로 특정 가능 |
| 디버깅 사이클이 느림 (AGX 시뮬레이션 초 단위) | 가벼운 환경에서 ms 단위 반복 실험 가능 |
| MPC 가중치 튜닝에 시간 소모 | 프로토타입에서 미리 튜닝 완료, AGX에서 미세 조정만 |
| 기준 비교(baseline) 없음 | 프로토타입 결과가 baseline, AGX 토양 모델과의 차이 정량 비교 가능 |
로드맵 개요
flowchart LR
P1["1단계: 물리 시뮬레이션<br/>Python + CasADi<br/>2~3주"] --> P2["2단계: RViz 시각화<br/>ROS 2 + URDF<br/>1~2주"]
P2 --> P3["3단계: AGX 이식<br/>PLANT만 교체<br/>2~4주"]
style P1 fill:#e8f4fd
style P2 fill:#e8fde8
style P3 fill:#fde8e8
| 단계 | 핵심 내용 | 산출물 |
|---|---|---|
| 1단계 | Euler-Lagrange + LuGre + FEE를 Python으로 구현. Global/Local planner 코드화. 논문 Fig. 7/8 수준의 2D 플롯 재현 | 궤적 플롯, 제약조건 만족 확인 |
| 2단계 | 1단계 코드를 ROS 노드로 래핑. 단순 URDF 모델(직육면체)로 RViz 시각화. Fig. 6 스타일 3D 궤적 오버레이 | 실시간 3D 시뮬레이션 영상 |
| 3단계 | PLANT(자체 ODE)를 AGX Dynamics로 교체. Global/Local Planner는 그대로 유지. AGX Terrain의 3D 토양 모델에서 MPC 성능 검증 | AGX 환경 MPC 궤적 계획 동작 |
3단계에서 달라지는 것: PLANT만 AGX로 교체되고, Global/Local Planner와 외란 추정기는 그대로 유지. LuGre/FEE가 불필요해지고 AGX Terrain이 토양 반력을 자동 계산.
[!tip] 상세 구현 가이드 모듈 구성, 코드 구조, 기술 스택, 완료 기준 등 상세 내용은 별도 노트 참조: 굴착기 MPC 궤적계획 구현 전략 — 프로토타입에서 AGX Dynamics까지
Q18. Feedback Linearization 심층 분석 — 왜 비선형 MPC가 느리고, FL이 어떻게 10배 가속하는가
[!info] 탐구 일자: 2026-05-25 이전 세션에서의 Q&A를 바탕으로 Feedback Linearization의 계산적 원리, 이산화 기법, 제어 아키텍처에서의 역할을 심층 정리. 본문 3.4절의 수식을 넘어 "왜 빨라지는가"의 본질적 이유를 분석.
(1) 비선형 MPC가 느린 근본 원인
비선형 동역학 $\ddot{\mathbf{q}}_L = M_L^{-1}(-\mathbf{h}_L + \mathbf{u} + \hat{\boldsymbol{\Delta}}_L)$에서, DDP 솔버가 매 반복마다 수행하는 계산:
- $M_L^{-1}$ 계산: $O(n^3)$ 복잡도
- 역행렬의 미분: $\frac{\partial M_L^{-1}}{\partial q_{L,j}} = -M_L^{-1}\frac{\partial M_L}{\partial q_{L,j}}M_L^{-1}$ (행렬 곱 3번)
- 이것을 4변수 × 50스텝 × 매 DDP 반복 → 수백 번의 역행렬 + 행렬 곱
특히 유압 굴착기의 closed-chain kinematics에서 $M_L$의 구조가 복잡하여, 편미분 계산이 더욱 비싸다. 이것이 기존 연구 [13]이 ~3.3 Hz에 머문 근본 원인이다.
(2) FL이 가속하는 핵심 원리 — 상수 행렬 $A_c, B_c$
FL 적용 후 동역학:
$$\dot{\mathbf{x}} = A_c \mathbf{x} + B_c \mathbf{v}, \quad A_c = \begin{bmatrix} 0 & I \ 0 & 0 \end{bmatrix}, \; B_c = \begin{bmatrix} 0 \ I \end{bmatrix}$$
$A_c, B_c$가 상태 $\mathbf{x}$에 무관한 상수 행렬이므로:
| 비선형 MPC | FL 기반 선형 MPC |
|---|---|
| $\frac{\partial f}{\partial \mathbf{x}}$: 매 스텝·반복마다 재계산 | $A_d$: 한 번 계산, 영구 재사용 |
| $\frac{\partial f}{\partial \mathbf{u}}$: 매 스텝·반복마다 재계산 | $B_d$: 한 번 계산, 영구 재사용 |
| $\frac{\partial^2 f}{\partial \mathbf{x}^2}$: 비영 텐서 | $\frac{\partial^2 f}{\partial \mathbf{x}^2} = 0$ (헤시안 소멸) |
| DDP backward pass: $O(n^3)$ × 50스텝 × 반복 | backward pass: 상수 행렬 곱만 → 극적 가속 |
[!important] 핵심 FL의 진짜 가치는 "비선형을 선형으로 바꿨다"는 수학적 변환 자체가 아니라, DDP의 매 반복에서 필요한 편미분·헤시안 계산을 사전 계산(pre-computation)으로 대체하여 계산량을 극적으로 줄인 것이다.
(3) 이산화에서 멱영(nilpotent) 성질 활용
$A_c$의 특수한 구조:
$$A_c^2 = \begin{bmatrix} 0 & I \ 0 & 0 \end{bmatrix}\begin{bmatrix} 0 & I \ 0 & 0 \end{bmatrix} = \begin{bmatrix} 0 & 0 \ 0 & 0 \end{bmatrix} = 0$$
행렬 지수의 급수 전개 $e^{A_c\Delta t} = I + A_c\Delta t + \frac{1}{2}(A_c\Delta t)^2 + \cdots$에서 2차 이상의 모든 항이 0:
$$e^{A_c\Delta t} = I + A_c\Delta t \quad (\text{정확한 이산화, 근사 없음})$$
따라서:
$$A_d = \begin{bmatrix} I & \Delta t \cdot I \ 0 & I \end{bmatrix}, \quad B_d = \begin{bmatrix} \frac{\Delta t^2}{2}I \ \Delta t \cdot I \end{bmatrix}$$
물리적 의미: $q_{k+1} = q_k + \Delta t\,\dot{q}_k + \frac{1}{2}\Delta t^2\,v_k$ — 이것은 등가속도 운동 공식과 정확히 동일하다. FL이 비선형 동역학을 "각 채널이 독립적으로 등가속도 운동하는 시스템"으로 변환한 것.
[!tip] 의미 일반적인 이산화(ZOH, 오일러 등)는 미소 $\Delta t$에서만 유효한 근사이지만, FL 후에는 $\Delta t$에 관계없이 정확한 이산화가 가능하다. 이것은 수치 안정성 면에서도 유리하다.
(4) 제어 아키텍처에서 FL의 이중 역할
FL은 시스템에서 두 곳에 등장한다:
① MPC 내부: 가상 입력 v_k를 실제 입력으로 변환
u_d = FL(x_0, v_0*) = h_L + M_L·v_0* - Δ̂_L
② Motion Controller: MPC 출력의 미세 오차를 고주파 보정
u = J_θ^{-T}(h_θ - Δ̂ + M_θ·u_PID)
| MPC (Local Planner) | Motion Controller | |
|---|---|---|
| 주파수 | 33~46 Hz | ~1000 Hz |
| FL 역할 | 비선형 동역학을 선형화하여 최적화 가속 | 비선형 동역학을 상쇄하여 정밀 추종 |
| 출력 | 참조 궤적 $\mathbf{x}_d$ + 피드포워드 힘 $\mathbf{u}_d$ | 실제 제어 입력 $\mathbf{u}$ |
MPC가 20~30ms마다 제약 만족 궤적을 계획하면, Motion Controller가 그 사이 1ms마다 FL+PID로 정밀하게 추종한다. MPC를 1000Hz로 돌릴 수 있다면 Motion Controller 없이 직접 제어 가능하지만, 현실적으로 MPC 계산이 20~30ms 걸리므로 그 사이를 PID가 메워주는 구조.
[!note] $\mathbf{x}_d \neq \mathbf{x}_r$ MPC 출력 $\mathbf{x}_d$는 별도 수식이 아니라 forward pass에서 자동으로 얻어지는 부산물이다. Global Planner의 $\mathbf{x}_r$은 물리적 제약을 미고려한 이상적 궤적이고, $\mathbf{x}_d$는 제약을 만족하도록 MPC가 조정한 현실적 궤적이다.
(5) FL + 외란 추정의 실제 동작 — 지하 돌에 부딪힐 때
외란 추정기가 큰 $\hat{\boldsymbol{\Delta}}$를 감지하면, MPC는 다음과 같이 반응한다:
- 외란 추정기 → 큰 $\hat{\boldsymbol{\Delta}}$ 감지
- FL 변환: $\mathbf{u} = \mathbf{h}_L + M_L\mathbf{v} - \hat{\boldsymbol{\Delta}}_L$에서 $\hat{\boldsymbol{\Delta}}_L$이 커짐
- MPC가 $\mathbf{x}_r$ 추종을 시도하지만, 힘 제약 $\mathbf{u}^u$ 때문에 불가
- $\mathbf{x}_d \neq \mathbf{x}_r$ 출력 → 매 제어 주기마다 편차 누적
- 결과적으로 원래와 다른 궤적 형성 (암묵적 우회)
| 상황 | MPC 반응 |
|---|---|
| 작은 돌 | 감속 후 밀고 통과 |
| 중간 돌 | 힘 한계에 밀려 암묵적 우회 (궤적 이탈 누적) |
| 거대 암반 | 진행 불가 (stuck) → Global Planner 재계획 필요 (본 논문 범위 밖) |
[!warning] 중요한 구분 이것은 능동적 "회피"가 아니라, 제약조건에 의한 수동적 "밀림"이다. MPC는 돌의 존재를 모르며, 단지 "이 방향은 힘이 많이 든다"만 인지하여 갈 수 있는 곳으로 가는 것이다.
(6) FL의 설계 철학 — "알 수 있는 것"과 "알 수 없는 것"의 분리
$$\mathbf{u} = \underbrace{\mathbf{h}L + M_L\mathbf{v}}{\text{알 수 있는 것 (CAD 파라미터)}} - \underbrace{\hat{\boldsymbol{\Delta}}L}{\text{알 수 없는 것 (실시간 추정)}}$$
| 구분 | 파라미터 | 출처 | 처리 방법 |
|---|---|---|---|
| 알 수 있는 것 | 링크 길이, 질량, 관성 모멘트, 실린더 단면적 | CAD 도면, 제조사 스펙 | $M_L, \mathbf{h}_L$에 포함 → 모델 기반 상쇄 |
| 알 수 없는 것 | 실린더 마찰, 토양 반력, 유압 비선형성, 모델 오차 | 현장 조건 의존 | $\hat{\boldsymbol{\Delta}}_L$로 실시간 추정 |
[!tip] 핵심 설계 철학 "알 수 있는 것(CAD 파라미터)은 모델에 넣고, 알 수 없는 것(마찰, 토양, 유압)은 외란으로 추정한다." FL의 $\mathbf{h}_L + M_L\mathbf{v}$ 항이 비선형 동역학의 "알려진 부분"을 정확히 상쇄하고, $\hat{\boldsymbol{\Delta}}_L$ 항이 "미지의 부분"을 실시간으로 보상한다. 이 분리 덕분에 복잡한 마찰 모델이나 토양 모델을 구축할 필요 없이, 센서 데이터만으로 동작한다.
(7) FL의 한계 — 완벽한 상쇄가 이루어지지 않을 때
FL은 $\hat{\boldsymbol{\Delta}}_L \approx \boldsymbol{\Delta}_L$를 가정하는데, 이 근사가 깨지는 경우:
| 상황 | 원인 | 영향 |
|---|---|---|
| 급격한 외란 변화 | 돌에 갑자기 부딪힘 | 저역통과 필터의 지연 → 일시적 $\hat{\boldsymbol{\Delta}}_L \neq \boldsymbol{\Delta}_L$ |
| 모델 오차 | CAD 파라미터와 실제 값 차이 | $M_L, \mathbf{h}_L$ 상쇄가 불완전 → 잔류 비선형성 |
| 센서 노이즈 | 엔코더 양자화 오차 | 모멘텀 계산 오차 → 외란 추정 정확도 저하 |
이때 비선형 동역학이 완전히 상쇄되지 않아 선형 모델과의 불일치(mismatch) 가 발생한다. 이를 MPC의 강건성(robustness) 이 흡수해야 하며, 이것이 MPC의 가중치($\tilde{Q}, \tilde{R}$) 튜닝이 중요한 이유 중 하나이다.
[!important] 결론 FL은 "마법의 변환"이 아니라, 모델이 정확할수록 잘 작동하는 모델 기반 기법이다. 본 논문이 모멘텀 기반 외란 추정기와 FL을 결합한 것은, 외란 추정이 모델 불확실성을 실시간으로 보상하여 FL의 상쇄 정확도를 높이기 위함이다. 두 기법은 상호 보강 관계에 있다.
Q19. 모멘텀 기반 외란 추정 — 직관적 설명
[!info] 탐구 일자: 2026-05-25 Q9~Q10의 수식 유도를 비유와 3단계로 단순화하여 직관적으로 재설명.
한 문장 요약
"내가 준 힘으로 예상되는 움직임"과 "실제 움직임"의 차이를 보면, 누군가 몰래 밀고 있는 힘을 알 수 있다.
비유: 눈 감고 쇼핑카트 밀기
당신은 눈을 감고 쇼핑카트를 밀고 있습니다.
┌─────────────────────────────────────────────┐
│ │
│ 당신 → 🛒 ←← ??? (미지의 힘 = 외란) │
│ (알고 있음: 내가 미는 힘, 카트 무게) │
│ (모르는 것: 바닥 마찰, 누가 옆에서 미는지) │
│ │
└─────────────────────────────────────────────┘
- 내가 미는 힘 = 제어 입력 $\mathbf{u}$ (내가 아는 값)
- 카트의 무게와 특성 = 동역학 모델 $M, \mathbf{h}$ (CAD로 아는 값)
- 미지의 힘 = 외란 $\boldsymbol{\Delta}$ (토양 저항, 마찰 등 — 구하고 싶은 값)
3단계로 이해하기
Step 1: "예상 모멘텀"과 "실제 모멘텀"
모멘텀 = 질량 × 속도 = $\mathbf{p} = M\dot{\mathbf{q}}$
이건 센서로 지금 바로 계산할 수 있다 (관절 위치·속도 측정 → 곱하기).
실제 모멘텀 = M(q) × q̇ ← 센서로 "지금" 바로 계산 ✅
한편, "외란이 없었다면 모멘텀이 이만큼이었을 것" 도 계산할 수 있다:
예상 모멘텀 = 초기값 + ∫(내가 준 힘 - 중력 - 마찰) dt ← 적분으로 누적 ✅
Step 2: 차이 = 외란의 누적 효과
$$\underbrace{\mathbf{p}(t)}{\text{실제 모멘텀}} - \underbrace{\left(\mathbf{p}(0) + \int_0^t (\text{알려진 힘들})\,d\tau\right)}{\text{외란 없었으면 이만큼}} = \underbrace{\int_0^t \boldsymbol{\Delta}\,d\tau}_{\text{외란의 누적 효과}}$$
"실제로 이만큼 움직였는데, 내가 준 힘으로는 이만큼만 움직여야 했어. 차이가 나면 누군가 몰래 밀고 있는 거야."
Step 3: 피드백으로 "지금의 외란"을 추정
위의 차이(잔차)에 게인 $K_E$를 곱하면:
$$\hat{\boldsymbol{\Delta}} = K_E \times (\text{잔차})$$
이 구조는 자동으로 저역통과 필터가 된다:
$$\dot{\hat{\boldsymbol{\Delta}}} = K_E(\boldsymbol{\Delta} - \hat{\boldsymbol{\Delta}})$$
추정값의 변화 속도 = K_E × (실제 외란 - 현재 추정값)
↑ ↑
반응 속도 오차
오차 크면 → 빠르게 따라감
오차 작으면 → 천천히 미세 조정
노이즈로 +/- 진동하면 → 추정값은 중심에 머무름 (노이즈 제거)
왜 미분 대신 적분인가?
가장 단순한 방법은 $\boldsymbol{\Delta} = M\ddot{\mathbf{q}} + \mathbf{h} - \mathbf{u}$로 직접 구하는 것이지만, 가속도 $\ddot{\mathbf{q}}$가 필요하다.
센서 측정(위치) → [미분] → 속도 (약간 노이즈 ⚠️)
→ [미분] → 가속도 (노이즈 폭발! ❌)
반면:
알려진 힘들 → [적분] → 예상 모멘텀 (노이즈 상쇄, 매끄러움 ✅)
적분은 노이즈를 평활화하고, 미분은 노이즈를 증폭한다. 이것이 적분 경로를 택하는 이유.
최종 요약 박스
┌──────────────────────────────────────────────────┐
│ │
│ 외란 추정값 = K_E × (실제 모멘텀 - 예상 모멘텀) │
│ │
│ 실제 모멘텀: M(q)·q̇ ← 센서로 바로 계산 │
│ 예상 모멘텀: 초기값 + ∫(알려진 힘)dt ← 적분 누적 │
│ │
│ 차이가 나면? → 미지의 힘(외란)이 작용하고 있는 것! │
│ │
└──────────────────────────────────────────────────┘
Q20. 가속도계 직접 측정 vs 적분 관측기 — 관절 가속도를 직접 잴 수 있다면?
[!info] 탐구 일자: 2026-05-25 "각 관절에 가속도계를 붙이면 적분 없이 외란을 바로 구할 수 있지 않나?" → 이론적으로 가능하나 실제로는 적분 방식이 우월한 4가지 이유.
이론적으로는 가능
가속도 $\ddot{\mathbf{q}}$를 직접 알면, 외란을 바로 계산할 수 있다:
$$\boldsymbol{\Delta} = M\ddot{\mathbf{q}} + \mathbf{h} - J_\theta^\top\mathbf{u}$$
미분도 적분도 필요 없이 대입 한 번이면 끝. 그런데 왜 로봇공학에서 이 방법을 잘 안 쓰는가?
문제 1: 가속도계가 측정하는 것 ≠ 관절 가속도
가속도계는 부착된 지점의 선형 가속도를 측정한다. 우리에게 필요한 것은 관절 각가속도 $\ddot{\mathbf{q}}_\theta$이다.
가속도계가 측정하는 것: 우리가 필요한 것:
a = [ax, ay, az] (m/s²) q̈ = [ψ̈, θ̈_B, θ̈_A, θ̈_K] (rad/s²)
특정 지점의 선형 가속도 각 관절의 회전 가속도
멀티링크 시스템에서 한 지점의 가속도에는 모든 관절의 운동이 뒤섞여 있다:
$$\mathbf{a}{\text{sensor}} = \underbrace{\mathbf{a}{\text{관절 회전}}}{\ddot{q} \text{ 관련}} + \underbrace{\mathbf{a}{\text{구심}}}{\dot{q}^2 \text{ 관련}} + \underbrace{\mathbf{a}{\text{코리올리}}}{\dot{q}_i \dot{q}_j \text{ 관련}} + \underbrace{\mathbf{g}}{\text{중력}}$$
이것을 풀어서 $\ddot{\mathbf{q}}$를 역산하려면 운동학 모델 + 역변환이 필요하고, 여기서 모델 오차가 유입된다. "모델 없이 직접 측정"이라는 장점이 사라진다.
문제 2: 굴착기의 극한 진동 환경
| 진동 원인 | 주파수 | 크기 |
|---|---|---|
| 디젤 엔진 | 20~100 Hz | 수 m/s² |
| 유압 펌프 맥동 | 50~200 Hz | 수 m/s² |
| 버킷-토양 충격 | 광대역 임펄스 | 수십 m/s² |
| 주행/선회 | 1~10 Hz | 수 m/s² |
가속도계는 이 모든 진동을 그대로 측정한다:
가속도계 출력:
↓ 엔진 진동 ↓ 펌프 맥동
~~~~~~∧∨∧∨∧∨∧∨∧∨∧∨∧∨∧∨∧∨∧∨∧∨∧∨∧∨~~~~~
─────────────────────────────────────── ← 우리가 원하는 신호 (토양 외란)
모멘텀 관측기 출력:
───────╱──────╲──────────────────────── ← 저역통과 필터로 깨끗하게 추출
모멘텀 기반 방법은 구조적으로 저역통과 필터($K_E$) 가 내장되어 고주파 진동을 자동으로 걸러준다.
문제 3: "큰 수의 차이" 문제
$\boldsymbol{\Delta} = M\ddot{\mathbf{q}} + \mathbf{h} - J_\theta^\top\mathbf{u}$에서:
예시 (붐 실린더 기준, 개략적 크기):
M·q̈ ≈ 50,000 N (관성력)
h ≈ 45,000 N (중력 + 코리올리)
J^T·u ≈ 8,000 N (유압력)
──────────────────
Δ ≈ -3,000 N (토양 외란) ← 큰 수들의 작은 차이!
50,000과 45,000의 차이에서 3,000을 정확히 뽑아내려면, 각 항이 1% 미만의 오차여야 한다. 가속도 측정 오차가 여기에 더해지면 외란 추정값이 크게 왜곡된다.
반면, 모멘텀 기반 적분 방식은 이런 "큰 수의 차이"를 시간에 걸쳐 누적·평활화하므로 순간적 오차에 훨씬 덜 민감하다.
문제 4: 엔코더가 이미 가속도계보다 우수
| 비교 | 엔코더 (위치/속도) | MEMS 가속도계 |
|---|---|---|
| 분해능 | 수만~수십만 카운트/회전 | 12~16비트 |
| 노이즈 | 매우 낮음 | 높음 (진동 환경에서 특히) |
| 드리프트 | 없음 (절대 위치) | 있음 (바이어스 드리프트) |
| 가격 | 이미 장착됨 | 추가 비용 |
| 굴착기 환경 | 충격·먼지에 강인 | 진동에 민감 |
모멘텀 $\mathbf{p} = M(\mathbf{q})\dot{\mathbf{q}}$는 이미 장착된 고정밀 엔코더만으로 계산된다. 가속도계를 추가하면 비용은 올라가는데 정확도는 오히려 떨어질 수 있다.
결론
| 가속도계 직접 측정 | 모멘텀 기반 적분 관측기 | |
|---|---|---|
| 이론적 단순함 | ✅ 대입 한 번 | △ 적분 + 피드백 구조 |
| 노이즈 강건성 | ❌ 진동 직격 | ✅ 저역통과 내장 |
| 모델 오차 민감도 | ❌ "큰 수의 차이" | ✅ 시간 평활화 |
| 필요한 센서 | 가속도계 (추가 장착) | 엔코더 (이미 있음) |
| 굴착기 적합성 | ❌ 극한 진동 환경 | ✅ 검증된 방식 |
[!important] 결론 가속도를 직접 측정할 수 있다면 원리적으로는 적분이 불필요하다. 하지만 실제 굴착기 환경에서는 가속도계의 노이즈·진동·모델 오차 문제로 인해, 이미 장착된 엔코더 + 적분 기반 관측기가 훨씬 실용적이다. 이것이 협동 로봇(KUKA, UR, Franka)부터 30톤 굴착기까지 모멘텀 기반 방법이 표준으로 자리 잡은 이유.
Q21. Feedback Linearization — 직관적 설명
[!info] 탐구 일자: 2026-05-25 Q18의 심층 분석을 비유와 최소 수식으로 재설명. FL이 무엇을 하는지, 왜 빨라지는지, 대가는 무엇인지를 직관적으로 정리.
한 문장 요약
"복잡한 기계의 특성을 미리 계산해서 상쇄시키면, 겉으로는 단순한 기계처럼 움직이게 만들 수 있다."
비유: 무게가 다른 4개의 문
당신은 4개의 문을 동시에 원하는 속도로 열어야 한다.
문 1: 10 kg (가벼움) → 살짝 밀면 됨
문 2: 200 kg (무거움) → 세게 밀어야 함
문 3: 50 kg + 스프링 → 밀다 보면 저항이 변함
문 4: 80 kg + 경사 → 중력이 도와주기도, 방해하기도 함
문제: 각 문의 무게·스프링·경사가 다르니까, "문 1을 1m/s로, 문 2를 0.5m/s로..." 같은 계획을 세우려면 매번 4개 문의 특성을 다 고려해야 한다. 계획 짜기가 매우 복잡하다.
FL의 아이디어: 각 문에 보조 장치를 달아서, 무게·스프링·경사를 미리 상쇄한다.
보조 장치 적용 후:
문 1: "가속도 = 내가 준 명령" ← 단순!
문 2: "가속도 = 내가 준 명령" ← 단순!
문 3: "가속도 = 내가 준 명령" ← 단순!
문 4: "가속도 = 내가 준 명령" ← 단순!
이제 4개의 문이 전부 "밀면 밀리는 단순한 물체" 처럼 동작한다. 계획 짜기가 극적으로 쉬워진다.
수식으로 보면
원래 (비선형) 동역학:
$$\ddot{\mathbf{q}} = M^{-1}(-\mathbf{h} + \mathbf{u} + \boldsymbol{\Delta})$$
입력 $\mathbf{u}$와 가속도 $\ddot{\mathbf{q}}$ 사이에 $M^{-1}$, $\mathbf{h}$, $\boldsymbol{\Delta}$가 복잡하게 얽혀 있다.
FL이 하는 일 — $\mathbf{u}$를 이렇게 설계한다:
$$\mathbf{u} = \underbrace{\mathbf{h}}{\text{비선형항 상쇄}} + \underbrace{M\mathbf{v}}{\text{원하는 가속도 스케일링}} - \underbrace{\hat{\boldsymbol{\Delta}}}_{\text{외란 보상}}$$
대입하면 $M^{-1}$, $\mathbf{h}$, $\boldsymbol{\Delta}$가 전부 사라지고:
$$\boxed{\ddot{\mathbf{q}} = \mathbf{v}}$$
"가속도 = 내가 준 명령". 이것이 FL의 전부이다.
┌──────────────────────────────────────────────────┐
│ │
│ 변환 전: 복잡한 비선형 시스템 │
│ u → [M⁻¹, h, Δ 얽힘] → q̈ │
│ │
│ 변환 후: 가장 단순한 시스템 (이중 적분기) │
│ v → q̈ (직통!) │
│ │
└──────────────────────────────────────────────────┘
왜 이러면 MPC가 10배 빨라지는가
| 변환 전 (비선형 MPC) | 변환 후 (선형 MPC) | |
|---|---|---|
| 동역학 | $\ddot{q} = M^{-1}(-h + u + \Delta)$ | $\ddot{q} = v$ |
| MPC가 매 스텝 할 일 | $M^{-1}$ 역행렬 + 편미분 + 헤시안 재계산 | 상수 행렬 곱 (사전 계산 완료) |
| 비유 | 매번 4개 문의 무게·스프링을 다시 측정 | "밀면 밀린다"만 기억하면 됨 |
| 결과 | ~3.3 Hz (초당 3번) | 33~46 Hz (초당 30번 이상) |
핵심: $\ddot{q} = v$의 시스템 행렬 $A_c, B_c$는 상수이므로, MPC 솔버가 매번 다시 계산할 것이 없다.
FL의 대가 — $M$과 $\mathbf{h}$를 정확히 알아야 한다
FL은 $\mathbf{h}$와 $M$을 정확히 알아야 상쇄가 된다.
완벽한 상쇄: u = h + Mv - Δ̂ → q̈ = v ✅ (이상적)
모델 오차 시: u = h̃ + M̃v - Δ̂ → q̈ = v + (잔류 오차) ⚠️
↑ ↑
부정확한 모델
그런데 $M$과 $\mathbf{h}$는 정확히 계산할 수 있을까? → 그렇다. 이 두 행렬의 모든 원소는 CAD 상수 × cos/sin(엔코더 측정값)의 조합으로, 미지 변수가 하나도 없다.
[!abstract] 상세 수식 전개 $M$과 $\mathbf{h}$의 원소별 전개, 각 변수의 출처(측정/CAD/미지) 색깔 구분은: 굴착기 동역학 M과 h 수식 해부 참조.
| 알 수 있는 것 (CAD) | 알 수 없는 것 (현장) |
|---|---|
| 링크 길이·질량·관성 → $M, \mathbf{h}$에 반영 | 마찰·토양·유압 비선형성 → $\hat{\boldsymbol{\Delta}}$로 추정 |
[!tip] FL의 설계 철학 "CAD로 아는 것은 모델로 상쇄하고, 모르는 것은 외란 추정기가 실시간으로 잡아준다." 두 기법이 서로의 약점을 보완하는 구조이다.
최종 요약
┌──────────────────────────────────────────────────┐
│ │
│ FL = "비선형 특성을 미리 상쇄하는 보조 장치" │
│ │
│ • h (중력·코리올리) → 모델로 상쇄 │
│ • M (질량·관성) → 모델로 스케일링 │
│ • Δ (외란) → 추정기로 보상 │
│ │
│ 결과: q̈ = v ("밀면 밀리는" 단순 시스템) │
│ 효과: MPC 계산 10배 이상 가속 (3Hz → 30Hz+) │
│ 대가: 모델이 부정확하면 상쇄가 불완전 │
│ │
└──────────────────────────────────────────────────┘
Q22. Force/Torque 한계 $u^u, u^l$의 결정 — 실린더 스펙에서 어떻게 얻는가
[!info] 탐구 일자: 2026-05-26 Q5의 (10a) 힘/토크 제약 $\mathbf{u}^l \leq \mathbf{u} \leq \mathbf{u}^u$에서 상·하한을 실제로 어떻게 정하는가? 실린더 datasheet에 그대로 적혀 있는가, 아니면 추가 계산이 필요한가? APEX 구현 관점에서의 출처를 정리한다.
한 줄 결론
실린더 datasheet만으로는 force가 직접 나오지 않고 두 단계 계산이 필요하며, 실제 MPC 상한은 정격 압력 $P_{\max}$가 아닌 메인 릴리프 압력 $P_{\text{relief}}$ 로 묶어야 한다. 또한 extend/retract 방향의 면적 차이 때문에 $u^u$와 $u^l$은 일반적으로 절대값이 다르다.
Step 1: Datasheet에 직접 적힌 것
제조사 카탈로그에 보통 다음이 적혀 있다.
| 항목 | 기호 | 단위 |
|---|---|---|
| 보어 직경 (cylinder bore) | $D$ | mm |
| 로드 직경 (rod) | $d$ | mm |
| 스트로크 (stroke) | $L$ | mm |
| 최대 사용 압력 (정격) | $P_{\max}$ | bar 또는 MPa |
| 사용 유체, 작동 온도 등 | — | — |
[!warning] 주의 굴착기 실린더 datasheet에 force 자체가 안 적혀 있는 경우가 많다. 동일 보어·스트로크라도 사용 압력에 따라 force가 바뀌기 때문. 일부 카탈로그에는 "Push force / Pull force at 350 bar" 식으로 특정 압력 기준 환산값을 표로 준다.
Step 2: Force 환산 — 면적 × 압력 (비대칭성 주의)
유압 실린더는 단동(extend) vs 복동(retract) 에서 단면적이 다르므로 force가 비대칭이다.
푸시(extend, 신장) — 보어측 가압:
$$F_{\text{push}}^{\max} = P \cdot A_{\text{bore}} = P \cdot \frac{\pi}{4} D^2$$
풀(retract, 수축) — 로드측 가압 (환형 면적):
$$F_{\text{pull}}^{\max} = P \cdot A_{\text{ann}} = P \cdot \frac{\pi}{4}\bigl(D^2 - d^2\bigr)$$
로드가 면적을 차지하므로 풀 방향 force가 항상 더 작다. 이 비대칭성 때문에 (10a)의 $u^l$과 $u^u$는 일반적으로 부호 비대칭이다.
Step 3: 수치 예시 (굴착기 boom 실린더 가정)
전형적인 30톤급 굴착기 boom 실린더:
| 파라미터 | 값 |
|---|---|
| $D$ (bore) | 140 mm |
| $d$ (rod) | 95 mm |
| $P_{\max}$ | 350 bar = 35 MPa |
면적 계산:
$$A_{\text{bore}} = \tfrac{\pi}{4}(0.14)^2 = 0.01539\,\text{m}^2$$
$$A_{\text{ann}} = \tfrac{\pi}{4}(0.14^2 - 0.095^2) = 0.00831\,\text{m}^2$$
Force 환산:
$$F_{\text{push}}^{\max} = 35\,\text{MPa} \times 0.01539\,\text{m}^2 \approx 539\,\text{kN}$$
$$F_{\text{pull}}^{\max} = 35\,\text{MPa} \times 0.00831\,\text{m}^2 \approx 291\,\text{kN}$$
같은 실린더가 방향에 따라 약 1.85배 force 차이. (10a) 식에서 $u^u_{\text{boom}} \approx +539$ kN, $u^l_{\text{boom}} \approx -291$ kN.
Step 4: 실제 상한은 $P_{\max}$가 아닌 시스템 압력
실린더 정격압력은 "버틸 수 있는 압력"이지, "실제로 걸리는 압력"이 아니다. 실제 force 상한은 다음 중 가장 작은 값으로 묶인다.
| 한계 | 의미 | 일반적 크기 |
|---|---|---|
| 메인 릴리프 밸브 설정 압력 $P_{\text{relief}}$ | 통상 $P_{\max}$의 70~85% 수준. 굴착기 시스템에서 보통 실효 상한 | $P_{\max}$ × 0.7~0.85 |
| 포트 릴리프(과부하 밸브) 압력 | 충격하중 대응용. 메인보다 약간 높게 설정 | $P_{\text{relief}}$ + 마진 |
| 펌프 토출 가능 최대압 | 펌프 사양 한계 | 모델별 |
| 구조 허용 force | 핀, 부싱, 마운트 브래킷 한계 | 설계값 |
| 좌굴(Euler buckling) 한계 | 긴 스트로크 + 가는 로드 시 추가 제한 | 길이·로드 직경 의존 |
| 속도 의존 감쇠 | 빠르게 움직일 때 밸브/라인 손실로 실효 압력 감소 | 속도 함수 |
[!important] 핵심 $P_{\max}$ 대신 $P_{\text{relief}}$ 를 사용해야 보수적이고 실제와 정합한다. 굴착기 어떤 부하를 만나도 메인 릴리프가 열리는 압력 이상으로는 올라가지 않기 때문.
Doosan/HD현대인프라코어 굴착기의 경우 일반적인 메인 릴리프 설정은 30~35 MPa 범위이고, 실린더 보어/로드는 모델별 매뉴얼에 명시된다.
Step 5: 관절 토크 좌표계와의 연결
(10a)의 $\mathbf{u}$가 관절 토크 $[\tau_B, \tau_A, \tau_K]^T$ 표현이라면, 실린더 force를 Jacobian으로 변환해야 한다:
$$\boldsymbol{\tau} = J_{c \to \theta}^\top \cdot \mathbf{F}_{\text{cyl}}$$
여기서 $J_{c \to \theta}$는 실린더 변위 → 관절 각도 매핑의 Jacobian. 부호 규약상 extend가 $+$라면:
$$u^u = +F_{\text{push}}^{\max}, \quad u^l = -F_{\text{pull}}^{\max}$$
(절대값이 다른 비대칭 box constraint)
Step 6: APEX 구현 관점 — 실제로 얻는 4가지 경로
APEX 등가 MPC 설계 검토 의 Level B 구현 관점에서, $u^u, u^l$ 수치를 얻는 현실적 우선순위:
| 우선순위 | 방법 | 정확도 | 작업량 |
|---|---|---|---|
| 1 | AGX 시뮬 모델 자체에 정의된 actuator force/effort 한계 노출 | 시뮬과 가장 정직 | 작음 |
| 2 | 굴착기 정비 매뉴얼의 메인 릴리프 설정 + 실린더 보어/로드 치수 → 직접 환산 | 실기와 정합 | 중간 |
| 3 | 실린더 datasheet의 $P_{\max}$ 사용 (보수적 과대평가) | 안전 측 | 작음 |
| 4 | 로드셀/압력센서로 실측 (test bench 또는 굴착 시 압력 트레이스) | 가장 정확 | 큼 |
[!tip] APEX 단계별 권장 - 현 단계 (smoke-test): 방법 1 — AGX가 노출하는 effort limit 그대로 사용 - Level B 진입: 방법 2 — 매뉴얼 기반 환산으로 정직한 수치 확보 - 실기 검증: 방법 4 — 압력 센서 트레이스로 검증
Step 7: 시각적 요약
실린더 datasheet 시스템 매뉴얼
┌──────────────┐ ┌──────────────────┐
│ D (보어) │ │ P_relief │
│ d (로드) │ ──+──→ │ (메인 릴리프 설정)│
│ P_max (정격) │ │ │
└──────────────┘ └──────────────────┘
│ │
└──── 면적 × 압력 환산 ────┘
│
↓
┌─────────────────────────┐
│ F_push^max (extend) │ ← u^u
│ F_pull^max (retract) │ ← -|u^l|
│ (비대칭, F_push > F_pull)│
└─────────────────────────┘
│
(관절 좌표면)
│
J_{c→θ}^T 변환
│
↓
┌─────────────────────────┐
│ τ_B, τ_A, τ_K │ ← (10a)의 u
└─────────────────────────┘
최종 요약 박스
┌──────────────────────────────────────────────────┐
│ │
│ u^u, u^l 결정 = 2단계 계산 │
│ │
│ 1. Datasheet: D, d, P_max │
│ 2. Force 환산: F = (P_relief) × A │
│ │
│ • A_bore > A_ann → 비대칭 (|u^u| > |u^l|) │
│ • P_relief < P_max (보통 70~85%) │
│ • Datasheet에 "force" 직접 명기 안 됨 │
│ │
│ APEX 구현: AGX actuator limit 우선, │
│ 매뉴얼 환산이 차선 │
│ │
└──────────────────────────────────────────────────┘
Q23. 외란 추정 — 시스템 관점에서 다시 보기
[!info] 탐구 일자: 2026-05-26 Q9~Q10이 수식 유도, Q19가 직관적 설명, Q20이 대안 센서와의 비교를 다뤘다면, Q23은 "외란이란 무엇이고, 왜 모멘텀 관측기가 천재적인가"를 시스템 설계 관점에서 재정리. 외란의 정체 분류, 블록 다이어그램, 회피한 함정, 5종 신호 의존성을 단일 표·도식으로 가시화.
(1) 외란 $\boldsymbol{\Delta}$의 정체 — 무엇이 들어있는가
식 (2)/(3)에서 $\boldsymbol{\Delta}$로 묶이는 모든 효과를 크기와 모델링 가능성별로 분류:
| 외란의 정체 | 일반적 크기 (붐 실린더 기준) | 모델링 가능성 |
|---|---|---|
| 버킷-토양 반력 | 수백~수천 N | 토양 종류·습도·밀도 의존, 정밀 모델 어려움 |
| 유압 시스템 비선형성 (밸브 dead zone, 압력 손실) | 수십~수백 N | 부분적 모델 가능, 동작점 의존 |
| 마찰 (실린더 packing, 핀 조인트) | 수십~수백 N | 정량화 어려움 (LuGre로 근사) |
| Mass property 오차 (URDF vs 실제) | 수십 N | 보상 가능하지만 시간 가변 |
| 외부 충격, 진동 | 광대역, 순간 수백 N | 본질적으로 확률적 |
이 모든 것을 하나의 $\boldsymbol{\Delta}$로 묶어 추정하는 것이 모멘텀 관측기의 출발점. 각 성분을 따로 모델링하려는 시도(예: 시뮬레이터에서 LuGre + FEE 분리)는 검증용으로는 의미 있지만, 실제 굴착기에서는 모든 성분이 동시에 작용하므로 lumped 표현이 더 견고하다.
[!important] 외란 추정의 본질 "미지의 힘을 측정하는 가상 센서". 실제 토양 반력 센서가 없어도, 동역학 식의 잔차로부터 $\boldsymbol{\Delta}$를 역산한다. MPC가 $\hat{\boldsymbol{\Delta}}$를 알면 FL의 $\mathbf{u} = \mathbf{h}_L + M_L\mathbf{v} - \hat{\boldsymbol{\Delta}}_L$로 직접 상쇄 가능.
(2) 모멘텀 관측기 블록 다이어그램 — 텍스트 시각화
┌──────────────────────────────────────────┐
│ MEASURED: q_θ, q̇_θ │
│ COMMANDED: u (실린더 힘) │
│ MODEL: M_θ(q), C_θ(q,q̇), G_θ(q), J_θ│
└──────────────────┬───────────────────────┘
▼
┌──────────────────────────────────────────┐
│ p(t) = M_θ(q_θ) · q̇_θ │
│ (운동량 계산: 엔코더만으로 가능) │
└──────────────────┬───────────────────────┘
│
┌────────────────┴────────────────┐
▼ ▼
p(t) - p(0) ∫(J_θᵀu + C_θᵀq̇_θ - G_θ + Δ̂)dτ
(실제 운동량 변화) (모델 예측 + Δ̂ 자기 재귀)
▼ ▼
───────── 잔차 r(t) ─────────
│
▼ × K_E
┌──────────┐
│ Δ̂(t) │ ← 출력
└────┬─────┘
│
(다시 적분 안으로 피드백)
│
▼
실린더 좌표 변환: Δ̂_L = J_Lᵀ Δ̂
│
▼
[ MPC / FL 입력 ]
핵심 구조:
- 상단 입력: 엔코더 신호(q, q̇) + 명령(u) + 모델(M, C, G, J)
- 두 갈래 합산: 실제 모멘텀 변화 vs 모델 예측 + 자기 재귀
- 잔차 → K_E 곱: 게인이 LPF 시상수($1/K_E$)를 결정
- 자기 재귀: 적분 내부에 $\hat{\boldsymbol{\Delta}}$ 자신이 들어가는 것이 단순 잔차와의 결정적 차이 (LPF 동작의 비밀)
(3) 모멘텀 관측기가 회피한 4가지 함정
식 (11)의 진가는 무엇을 하지 않는가를 봤을 때 드러난다:
| 일반 외란 관측기 | 모멘텀 기반 관측기 (식 11) |
|---|---|
| $\ddot{\mathbf{q}}$ 측정/추정 필요 | 불필요 (운동량 정의 $\mathbf{p} = M\dot{\mathbf{q}}$로 흡수) |
| $\dot{M}$ 직접 계산 필요 | 불필요 ($\dot{M} = C + C^\top$ 항등식으로 자동 소거) |
| 미분 연산으로 노이즈 증폭 | 적분만 사용 (인과적, 노이즈 평활화) |
| $\boldsymbol{\Delta}$ 형태 가정 필요 (LuGre, FEE 등) | lumped 처리 — 형태 가정 없음 |
추가 보너스: - 수렴 보장: $K_E > 0$이면 무조건 $\hat{\boldsymbol{\Delta}} \to \boldsymbol{\Delta}$ (1차 LPF는 항상 안정) - 상수 외란: 정상상태에서 $\hat{\boldsymbol{\Delta}} = \boldsymbol{\Delta}$ (bias 없음) - 느린 외란: $|\dot{\boldsymbol{\Delta}}| \ll K_E |\boldsymbol{\Delta}|$ 영역에서 $\hat{\boldsymbol{\Delta}} \approx \boldsymbol{\Delta}$ (위상 지연만 존재) - 튜닝 파라미터 1개: $K_E$ (관절별 대각 행렬도 가능)만 조정
(4) 구현에 필요한 5종 신호/모델
식 (11)을 정직하게 구현하려면 다섯 가지가 모두 필요:
| 필요 양 | 출처 | 일반 굴착기 확보 가능성 |
|---|---|---|
| $q_\theta, \dot{q}_\theta$ | 관절 엔코더 | ✅ 보통 확보 |
| $M_\theta(q)$ | rigid-body library + URDF/CAD | ✅ CAD만 있으면 계산 |
| $C_\theta(q, \dot{q})$, $G_\theta(q)$ | rigid-body library | ✅ 동일 |
| $J_\theta$ (실린더 Jacobian) | closed-chain 기하 모델링 | ⚠️ 기하 모델링 필요 |
| $u$ (실제 적용된 실린더 힘) | 압력 센서 또는 force interface | ⚠️ 속도 명령만 있으면 불가 |
마지막 줄이 핵심 병목. 정규화된 속도 명령만 있는 플랫폼(예: cmd ∈ [-1, 1])에서는 식 (11)을 그대로 적용할 수 없으며, 별도의 force interface(압력 센서 모델, 또는 시뮬레이터의 실린더 force 노출)를 구축하거나 외란 추정기 자체를 단순화해야 한다.
[!warning] 라벨링 주의 위 5종이 모두 갖춰지지 않은 상태에서 구현한 외란 추정은 "paper-inspired"로 정확히 라벨링해야 하며, "paper-equivalent"라 부르면 안 된다. 식 (11)의 LPF 보장(수렴, bias 없음 등)이 깨지기 때문이다. APEX 등가 MPC 설계 검토 에서 Level A vs Level B 구분이 정확히 이 지점을 반영한다.
(5) 한 장으로 보는 외란 추정의 흐름
[문제] Δ를 알면 MPC가 정확해짐. 그런데 어떻게 측정?
직접 계산 → q̈ 필요 → 노이즈 폭발
[발상 1] 운동량 p = Mq̇를 쓰면 미분 시 q̈가 자연스럽게 등장
[마법 1] 그 q̈를 동역학 식 (2)에 대입하면 Mq̈ 항이 소거됨
[마법 2] Ṁ = C + C^T 항등식으로 Ṁ도 소거
→ ṗ = J^Tu + C^Tq̇ - G + Δ (q̈, Ṁ 둘 다 사라짐)
[발상 2] ṗ를 쓰는 대신 적분 형태로 변환
∫Δdτ = p - p(0) - ∫(J^Tu + C^Tq̇ - G)dτ
(미분 연산이 완전히 사라짐)
[설계] Δ̂ = K_E × [잔차], 잔차 안에 Δ̂ 자기 재귀
[결과] Δ̂̇ = K_E(Δ - Δ̂) ← 1차 LPF
시상수 1/K_E로 진짜 Δ를 추적
[!tip] 한 줄 요약 "운동량을 쓰면 모든 미분이 적분으로 바뀌고, 결과는 진짜 외란의 LPF가 된다."
(6) Q9~Q21과의 관계 — 어디서 무엇을 보면 되나
| 주제 | 위치 |
|---|---|
| Step별 수식 유도 ($\dot{p}$ 전개, 적분형 변환, LPF 증명) | Q9 |
| 후속 7가지 Q&A ($\dot{M}=C+C^\top$, 노이즈 증폭, 측정 방법, $K_E$ 튜닝) | Q10 |
| 비유 기반 직관 ("쇼핑카트", "예상 vs 실제 모멘텀") | Q19 |
| 가속도계 직접 측정과의 비교 (왜 적분이 더 우월한가) | Q20 |
| 시스템 관점 (외란 정체 분류, 블록도, 5종 의존성, 회피한 함정) | Q23 (본 절) |
[!important] 결론 Q23의 핵심 메시지는 두 가지. (1) 외란 추정은 "별도 센서 없이 미지의 힘을 보는 가상 센서"이다. (2) 그것을 가능케 하는 다섯 가지 신호/모델 중 하나라도 빠지면 식 (11)의 보장은 깨지므로, 단순화 구현은 반드시 "paper-inspired"로 라벨링해야 한다.