ABSTRACT / 초록
로봇 동역학 식별의 표준적인 접근인 역동역학 모델 기반 최소제곱법(IDIM–LS)은 관절 각도를 필터링하고 미분해 회귀 행렬을 만든다. 이 과정에서 회귀 행렬과 잔차가 상관되면 파라미터 추정에 편향이 생길 수 있다.
Janot, Vandanjon, Gautier는 순동역학 모델을 폐루프로 시뮬레이션해 도구변수를 만드는 IDIM–IV를 제안한다. 추정 파라미터가 바뀔 때 시뮬레이션 제어기의 이득도 갱신해, 실물과 시뮬레이션의 응답을 가깝게 유지한다. Stäubli TX40 실험에서는 60개 기저 파라미터를 3회 반복으로 식별했고, 미분 전처리 필터를 제거한 조건에서도 필터 적용 시의 추정값에 가까운 결과를 얻었다. 정규성·잔차 독립성·모델 축소 검정은 결과를 해석하는 통계적 근거를 제공한다.
잡음을 줄이는 것과
편향을 줄이는 것은 다르다
LS의 문제는 잡음의 크기만이 아니다. 회귀 행렬과 잔차 사이의 상관이 추정값을 체계적으로 흔들 수 있다.
좋은 도구변수는
좋은 폐루프 응답에서 온다
시뮬레이션이 잡음 없다는 사실만으로 충분하지 않다. 실물의 움직임과도 가깝게 유지되어야 한다.
필터 의존성은 줄지만
전처리의 가치는 남는다
필터를 제거해도 IV 추정은 안정적이었다. 다만 데시메이션을 생략하면 표준편차가 커지는 효율 손실이 나타났다.
이 글의 수치와 성능 비교는 제공된 논문 요약의 실험 조건에 한정한다. 특정 실험의 추정값 일치나 검정 통과를 모든 조건에서의 비편향성 보장으로 해석하지 않는다.
최소제곱은 어디서 흔들리는가
로봇의 관성·질량·마찰을 추정하려면, 움직임과 토크 사이의 관계를 설명하는 모델이 필요하다. 역동역학 모델은 이 관계를 기저 파라미터에 대해 선형으로 쓸 수 있게 한다. 측정 데이터를 쌓아 회귀 문제로 만들면, 익숙한 최소제곱법으로 파라미터를 구할 수 있다.
어려움은 속도와 가속도를 어떻게 얻느냐에 있다. 일반적으로 관절 각도에 양방향 버터워스 저역 통과 필터를 적용한 뒤 중앙 차분으로 미분한다. 토크와 회귀 행렬에는 병렬 데시메이션을 적용해 토크 리플과 정보가 적은 고주파 성분을 줄인다. 필터 설정이 적절하면 잘 작동하지만, 그 적절성을 사전에 확신하기는 어렵다.
| 요소 | 의미와 역할 |
|---|---|
| 기저 파라미터 β | 링크별 관성 텐서 6성분, 1차 모멘트 3성분, 질량, 로터 관성, 마찰 2성분 등을 식별 가능한 최소 조합으로 묶은 b개 파라미터. |
| 토크 τ | 전류 기준 vτ와 드라이브 이득 Gτ의 곱. 연구에서는 500 Hz를 넘는 전류 루프 대역폭을 근거로 정적 이득 관계를 사용한다. |
| 회귀 행렬 W | 필터링·미분한 관절 위치, 속도, 가속도로 구성한다. 측정 잡음의 영향을 받는 지점이다. |
| 가중 추정 | 관절별 잔차 분산으로 정규화한 가중 최소제곱을 사용하고, 공분산과 상대 표준편차로 추정 불확실성을 평가한다. |
E(WTρ) ≠ 0이면 LS의 비편향성·일관성을 뒷받침하는 직교 조건이 깨진다. 잡음이 섞인 관절 각도를 미분해 W를 만들기 때문에, 이 상관을 무시하기 어렵다.
저자들은 당시의 EKF, 집합 소속, LMI, 최대우도 등의 접근이 LS 대비 실질적인 개선과 6축 산업 로봇 검증을 충분히 보여주지 못했다고 문제를 제기한다. 이 연구의 기여는 오래된 도구변수 아이디어를 실제 산업 로봇에서 사용할 수 있는 시뮬레이션 기반 절차로 구체화한 데 있다.
시뮬레이션을 식별의 도구로 바꾸다
도구변수(instrument)는 회귀 행렬이 담고 있는 유효한 움직임 정보와 관련되면서, 잔차와는 상관되지 않아야 한다. 이상적인 후보는 잡음 없는 회귀 행렬 Wnf다. 실제로 이를 관측할 수 없으므로, 논문은 순동역학 모델(DDM)의 시뮬레이션으로 그 역할을 할 데이터를 만든다.
같은 궤적, 같은 제어 구조, 다른 데이터 경로
실물 로봇과 시뮬레이션 로봇에 같은 기준 궤적을 주고, 같은 구조의 제어 법칙을 적용한다. 실물 데이터로 W와 Y를 만들고, 측정 잡음이 없는 시뮬레이션 상태로 Z를 만든다. 시뮬레이션의 가속도는 현재 추정 파라미터를 넣은 순동역학으로 계산한다.
여기에는 중요한 조건이 붙는다. 시뮬레이션의 상태가 실물의 상태와 충분히 가까워야 한다. 파라미터 추정값이 달라지면 시뮬레이션 로봇의 관성도 달라진다. 제어기 이득을 그대로 두면 폐루프 응답이 변하고, 실물과 시뮬레이션의 궤적이 벌어질 수 있다.
핵심 장치: 추정값이 바뀌면 제어기 이득도 갱신한다
논문은 관절 간 결합 토크를 외란으로 보고 각 관절을 이중 적분기로 근사한다. 이때 관절 관성 Jj는 자세에 따른 최대값을 사용하며, 시뮬레이션 PD 제어기의 미분 이득을 관성 추정값에 비례하도록 조정한다.
시뮬레이션 로봇의 ‘무게’가 바뀌면,
같은 움직임을 만들 제어기 이득도 함께 바꾼다.
반복 알고리즘
SYMORO+로 역·순동역학 모델을 생성하고 실측 데이터에서 W와 Y를 계산한다. 초기 파라미터는 0으로 두되, 관성 행렬이 정칙이 되도록 로터 관성 Ia는 1로 설정한다. 이후 다음 네 단계를 반복한다.
- 이득 갱신현재 관성 추정값에 맞춰 시뮬레이션 제어기를 조정한다.
- DDM 시뮬레이션실물과 같은 기준 궤적으로 폐루프 응답을 생성한다.
- 도구변수 구성시뮬레이션 상태를 역동역학 모델에 넣어 Z를 만든다.
- 가중 IV 추정W, Y, Z로 파라미터를 갱신하고 수렴 여부를 확인한다.
종료 기준은 잔차 노름의 변화와 파라미터의 최대 상대 변화다. 논문 요약에 제시된 허용오차 범위는 2.5–5%다. 이 절차는 역동역학 회귀와 순동역학 시뮬레이션의 정합성을 함께 확인하게 한다.
추정값 다음에는, 가정을 검정한다
작은 토크 오차만으로 좋은 식별을 선언할 수는 없다. 추정 불확실성을 믿을 수 있는지, 잔차에 설명되지 않은 구조가 남아 있는지, 모든 파라미터를 유지할 필요가 있는지도 확인해야 한다. 이 논문은 세 종류의 검정을 식별 절차에 연결한다.
| 검정 | 논문의 확인 방법 | 결과가 알려주는 것 |
|---|---|---|
| 정규성 | 정규화 잔차가 N(0,1)을 따르는지 Kolmogorov–Smirnov 검정. 유의수준 0.05. | 기각될 경우 측정·필터 문제나 마찰·강성 등의 모델 누락을 점검할 단서가 된다. |
| 잔차 독립성 | 잔차에 p차 자기회귀 모델을 적합. 계수가 0에 가까운지, R² < 0.1인지 확인. | 시간 상관이 남으면 상대 표준편차가 과소평가될 수 있어 데시메이션을 재검토한다. |
| 모델 축소 | 전체 b개 모델과 필수 bc개 모델의 잔차를 F 통계량으로 비교. | 불확실성이 큰 파라미터를 제거해도 적합도가 유의하게 나빠지지 않는지 평가한다. |
특히 F 검정은 “상대 표준편차가 20–30%를 넘으면 제거한다”는 경험적 기준을 데이터에 비추어 평가할 수 있게 한다. 다만 30%는 모든 로봇에 적용할 고정 규칙이 아니다. 제거 이후의 모델이 해당 데이터에서 받아들일 만한지를 별도로 확인하는 것이 핵심이다.
정규성 검정에서 기각되지 않았다는 것은 정규성이 증명됐다는 뜻이 아니다. 낮은 자기회귀 R² 역시 모든 종류의 의존성이 없음을 보장하지 않는다. 각 검정은 가정의 타당성을 살피는 근거로 읽어야 한다.
TX40에서 확인한 것
실험 대상은 6축 산업용 로봇 Stäubli TX40이다. 60개 기저 파라미터를 대상으로 5 kHz에서 데이터를 수집했다. 기준 궤적은 5차 다항식으로 구성했으며, 회귀 행렬의 조건수 cond(W)는 200이었다. 5·6축의 결합을 반영하기 위해 모터 6의 마찰 파라미터 두 개가 추가된다.
계산 비용 참고: 8초 궤적에 대한 IV 한 단계는 2011년 당시 노트북에서 약 3.5초가 걸렸다고 보고된다. 현재 하드웨어의 성능이나 실시간 실행 가능성을 직접 나타내는 수치는 아니다.
조건 A · 필터가 잘 맞으면 LS와 IV가 가까워진다
50 Hz 버터워스 필터와 10 Hz 데시메이션 설정을 사용한 조건에서 IV는 3단계 만에 수렴했다. LS와 IV의 추정값은 서로 일치하는 양상을 보였고, 보고된 상대 오차는 LS 5%, IV 6%였다. 이 조건에서는 IV가 토크 적합 오차를 더 작게 만드는 것이 핵심 성과는 아니었다.
정규성 검정은 통과했고, 요약에 보고된 잔차 표준편차는 LS 1.03, IV 1.0이었다. 시뮬레이션과 실물의 관절 위치 상대 오차가 0.2% 미만이었다는 결과는 이득 갱신이 두 응답을 가깝게 유지했다는 실험적 근거다. 또한 상대 표준편차가 30%를 넘는 파라미터를 제거하는 축소가 F 검정에서 수용되어, 28개의 필수 파라미터가 남았다.
조건 B · 필터를 제거하면 차이가 드러난다
버터워스 필터와 데시메이션 없이 관절 각도를 미분했을 때 LS 추정값은 크게 달라졌다. 예를 들어 원 논문의 표기에서 ZZ1R은 1.25에서 0.06으로, MX2R은 2.20에서 4.20으로 변했다. 반면 IV는 여전히 3단계에 수렴했고, 필터 적용 시의 추정값에 가까운 결과를 유지했다.
| 비교 항목 | IDIM–LS | IDIM–IV |
|---|---|---|
| 필터 적용 | IV와 가까운 추정값 | 3회 반복으로 수렴 |
| 보고된 상대 오차 | 5% | 6% |
| 필터 미적용 | 주요 파라미터 추정값이 크게 변화 | 필터 적용 결과에 가까운 값 유지, 3회 수렴 |
| 데시메이션 생략 | 이 실험에서 편향 문제 관찰 | 추정 표준편차 증가 · 효율 손실 |
IV가 미분 잡음에 따른 편향을 억제하더라도 추정의 분산까지 자동으로 작아지는 것은 아니다. 이 실험에서 데시메이션은 추정 효율을 높이는 사전 필터 역할을 했다. “필터 없이도 견딘다”는 결과가 “필터가 필요 없다”는 결론으로 이어지지는 않는다.
다른 방법과의 비교, 그리고 해석의 경계
총최소제곱(TLS)도 필터를 제거한 조건에서는 편향을 보였다.
폐루프 출력오차법(CLOE, lsqnonlin)은 좋은 초기값을 주면
1,000회 반복 후 IV와 같은 값에 도달했지만, 논문의 규칙 기반 초기화에서는 발산했다.
이 비교는 제안된 IV 절차의 초기값 강건성과 수렴 속도를 뒷받침한다.
필터 적용 시 LS와 IV의 일치는 Hausman 검정의 논리와 연결해 LS의 편향을 진단하는 근거로 읽을 수 있다. 그러나 두 추정값의 일치만으로 비편향성이 증명되거나, 차이만으로 LS 편향이 확정되지는 않는다. IV의 유효성, 표본 불확실성, 모델 오차를 함께 확인해야 한다.
HR35에는 무엇을 가져갈 수 있을까
HR35 관점에서 가장 흥미로운 전환은 트윈의 역할이다. 트윈을 식별 결과를 담는 모델로만 생각할 필요는 없다. 같은 명령과 제어 구조로 궤적을 생성할 수 있다면, 트윈 자체가 도구변수를 공급하는 식별 도구가 될 수 있다.
직접 가져올 수 있는 것은 검증의 구조다
20 Hz 경사계 데이터를 필터링·미분해 구한 LS 추정과, 트윈에서 만든 도구변수로 구한 IV 추정을 비교하는 절차는 유용한 출발점이다. 차이가 나타나면 LS 편향의 가능성을 검토하되, 트윈의 오차와 도구변수의 유효성도 함께 조사해야 한다. 정규성·잔차 독립성·F 모델 축소 검정은 식별 보고서의 공통 검토 항목으로 가져올 수 있다.
그대로 가져올 수 없는 것은 액추에이터와 제어기 가정이다
TX40에서 사용한 “토크 = 이득 × 명령” 관계는 유압 시스템에 그대로 적용되지 않는다. HR35의 순동역학 모델에는 밸브와 압력 등 액추에이터 동역학이 포함되어야 한다. 제어 법칙의 구조도 알아야 하며, 관성 비례 이득 갱신은 유압 이득과 동특성을 고려해 다시 유도할 필요가 있다.
| 항목 | TX40 연구 | HR35 검토 과제 |
|---|---|---|
| 액추에이터 | 전류 기준과 토크의 정적 이득 관계 | 밸브·압력 동역학을 포함한 모델 구성 |
| 관측 속도 | 5 kHz 데이터 수집 | 20 Hz 경사계에서 확보할 수 있는 식별 정보 평가 |
| 제어기 갱신 | 이중 적분기 근사, 관성 비례 이득 | 유압계의 폐루프 응답을 유지하는 규칙 유도 |
| 자극 궤적 | 5차 다항식, cond(W) = 200 | 주기 자극과 저속 관측을 결합한 식별 가능성 검토 |
Swevers의 주기 자극 접근과 결합해 낮은 샘플링 속도에서도 충분한 정보를 확보할 수 있을지는 후속 검토 과제다. 원 논문은 20 Hz 유압 로봇에서의 성능을 검증하지 않는다. 먼저 도구변수의 관련성과 실물–시뮬레이션 정합성을 확인할 수 있는 실험이 필요하다.
- 실제 명령과 제어 구조를 반영해 트윈의 폐루프 궤적을 재현할 수 있는가?
- 유압 액추에이터 모델을 포함한 DDM이 관측된 동특성을 설명하는가?
- 20 Hz 데이터에서도 W와 Z가 파라미터 식별에 충분한 정보를 담는가?
- LS–IV 차이를 추정 불확실성과 도구변수 유효성을 고려해 설명할 수 있는가?
- 잔차 검정과 모델 축소 결과를 일관된 형식으로 보고할 수 있는가?
좋은 식별은 작은 오차를 넘어선다
이 연구가 보여주는 것은 새로운 추정식 하나만이 아니다. 측정에서 생기는 편향을 시뮬레이션으로 다루고, 제어기 갱신으로 두 세계의 움직임을 맞추며, 통계 검정으로 결과의 해석 범위를 정하는 하나의 절차다.
TX40에서는 이 구조가 3회 반복의 수렴과 필터 설정에 대한 강건성으로 이어졌다. 다른 로봇에서의 다음 질문은 명확하다. 우리의 시뮬레이션은 실물과 충분히 가까우면서, 측정 잡음에서 독립적인 정보를 제공할 수 있는가? 트윈을 식별 도구로 쓰는 일은 그 질문을 실험으로 확인하는 데서 시작된다.
출처와 읽기 메모
Alexandre Janot · Pierre-Olivier Vandanjon · Maxime Gautier
ONERA Toulouse · Ifsttar Nantes · University of Nantes
IEEE Transactions on Control Systems Technology,
22(1), 132–145, 2014.
DOI: 10.1109/TCST.2013.2246163
읽은 판: HAL · hal-04799881v1
- 이 글은 제공된 Obsidian 논문 요약을 공개 기사 형식으로 재구성했다. 논문의 주장과 실험 결과는 요약에 근거하며, 원문 전체를 별도로 재검증한 보고서는 아니다.
- 그림 1–4는 각각 원 논문의 Figure 1, 4, 5, 6이며, 표 이미지는 Table II와 Table VI다. 이미지의 저작권과 출처는 원 저작물에 귀속된다. 제공된 서지 메모는 HAL 열람본의 라이선스를 CC BY-NC로 기록한다.
- 수식 번호는 원 논문의 번호를 유지했다. 화면의 수식은 읽기 쉽게 다시 조판했다. 요약에 척도나 단위가 명시되지 않은 잔차 표준편차 수치에는 단위를 새로 부여하지 않았다.
- 초기값 강건성, 반복 횟수, 오차와 모델 축소 결과는 보고된 TX40 실험에 대한 결과다. HR35·유압 모델·20 Hz 관측·주기 자극 논의는 노트 작성자의 응용 해석이며 검증된 실험 결과가 아니다.
- LS–IV 일치, KS 검정과 잔차 자기회귀 결과는 진단 근거로 기술했다. 검정 통과와 추정값 일치를 통계적 가정의 증명으로 확대하지 않았다.