기계/자동차/부품

Nikkei Robotics_2025.4 (p26-31)

파나소닉, 확산 모델로 접촉력 고정밀 예측
힘을 정확하게 모사하는 기반 모델로 한 걸음

파나소닉 홀딩스(HD)는 사람이나 물체와의 접촉을 수반하는 로봇의 동작 제어 기술 개발에 힘을 쏟고 있다. 접촉 시의 힘을 적절히 조절하거나 예기치 못한 접촉에도 유연하게 대응할 수 있는 임피던스 제어의 구현을 손쉽게 하기 위한 연구를 착실히 진행 중이다.

2024년 10월에 열린 국제회의 ‘IROS 2024’에서는, 동작에 따라 발생하는 외력(접촉력)을 높은 정확도로 예측할 수 있는 기술 ‘DCM(Diffusion Contact Model)’을 발표했다. 생성형 AI 기술의 하나인 확산 모델을 이용해 실제 데이터를 학습함으로써 물리 시뮬레이터보다 더 높은 정확도를 달성할 수 있다.

DCM은 파나소닉이 2023년 10월에 열린 ‘IROS 2023’에서 공개한 임피던스 제어의 파라미터 설정을 효율화하는 기술 ‘IC-SLD(Impedance Control-aware Switching Linear Dynamics)’와의 조합을 상정한 것이다. IC-SLD는 사람이 시범으로 보여준 동작을 재현할 수 있는 임피던스 제어 파라미터를 자동으로 산출함과 동시에, 안전성 향상이라는 다른 목적도 충족시키는 기술이다.

DCM을 IC-SLD와 함께 사용하면, 실용성과 안전성을 동시에 확보하면서 제어 파라미터 설정을 크게 효율화할 수 있다. 시간이 많이 드는 실제 기기 평가의 상당 부분을 DCM을 활용한 고속 시뮬레이션으로 대체할 수 있기 때문이다. 파나소닉은 실제 기기만으로는 약 80분 걸리던 작업을 DCM을 병용함으로써 약 25분으로 단축할 수 있음을 입증했다.

-- 범용적으로 사용할 수 있는 모델을 목표로 --
파나소닉이 임피던스 제어 연구에 주목하는 이유는, 협동 로봇이나 가정용 로봇의 향후 보급 확대를 예상하고 있기 때문이다. 이러한 로봇이 활약하는 장소가 늘어남에 따라, 사람과 사물과의 접촉이나 힘의 변화가 중요한 동작이 증가해 임피던스 제어의 응용이 확산될 것으로 보고 있다. 기존의 산업용 로봇이나 로봇용 AI 연구에서는 pick & drop 조작 등을 실현하는 정밀한 위치 제어가 대상이 되는 경우가 많았으나, 고도의 힘 제어는 연구 여지가 크다는 점도 파나소닉을 자극했다.

DCM과 IC-SLD 연구팀은, 과거에는 모델 기반 심층 강화학습에서 이용할 수 있는 세계 모델 ‘Dreaming’ 등을 전개해 왔다. 그들의 실용화 단계에서는 계산 자원과 학습 시간이 증가하는 강화학습은 도입 장벽이 높다는 것을 실감하고, 현장에서 이용하기 쉬운 임피던스 제어를 개발하기로 방향을 전환한 배경이 있다.

현재의 DCM은 접촉력 시뮬레이터로서 이용할 수 있는 것은 학습이 끝난 영역으로 제한된다. 그러나 이는 어디까지나 첫 단계에 불과하다. 파나소닉의 최종 목표는 더 넓은 범위에서 활용할 수 있는 접촉력 기반 모델을 개발하는 것이다. 기존의 이미지나 언어 기반 모델과 마찬가지로 대량의 데이터로 사전 학습된 모델을 준비하고, 소량의 데이터로 파인튜닝을 실시하면 새로운 환경에서도 사용 가능해지는 것이다. 이것이 실현된다면 강화학습 등에도 이용할 수 있는 접촉력의 기반 모델이 될 가능성이 있다.

-- 파라미터의 차원을 줄인다 --
이제부터는 IC-SLD와 DCM 기술의 상세를 순서대로 설명한다.

두 기술이 전제로 하는 것은, 사람이 데몬스트레이션으로 가르친 동작을 임피던스 제어의 파라미터를 적절히 설정함으로써 재현하는 문제이다. 기존의 산업용 로봇 등에서는 파라미터 설정에는 사람에 의한 시행착오나 세심한 조정이 필요했다. 접촉을 수반하는 동작은 모델화가 어려우며, 파라미터를 어떻게 바꾸면 동작을 재현할 수 있는지에 대한 명확한 지침이 없기 때문이다. 게다가 동작 재현에 최적인 제어 파라미터 값이 시시각각 변화할 수 있다는 점도 문제를 더욱 어렵게 만든다.

이러한 난점을 해결하기 위해 고안된 것이 IC-SLD이다. 이 기술은 데몬스트레이션으로 얻은 궤적을 여러 구간으로 나누고, 각 구간 내에서 파라미터 값을 일정하게 한다. 파라미터 값이 시시각각 변하면, 설정해야 하는 파라미터의 수(차원)가 지나치게 커지기 때문이다. IC-SLD로 파라미터의 차원을 줄임으로써 고차원에는 적합하지 않다고 하는 베이즈 최적화를 적용할 수 있게 되었다.

그동안도 제어 파라미터 설정에 베이즈 최적화를 이용하는 시도는 있었다. 하지만 모두 동작 재현이나 태스크 성공만을 목적으로 하고 있어, 예상치 못한 접촉이 발생했을 경우의 안전성은 고려되지 않았다. 그래서 파나소닉은 다목적 베이즈 최적화 방법을 도입하여, 양자를 동시에 충족하는 제어 파라미터를 탐색할 수 있도록 했다.

후술하는 실험에서는 동작의 목적함수를, 로봇 제어 시의 접촉력 측정값 F′을 데모 시의 값 F에 근접하도록 했다. 안전성의 목적함수는 강성(stiffness)의 절대값의 합을 최소화하는 것이다. 강성이 작을수록 로봇 동작은 유연해지고, 예상치 못한 접촉에 대응하기 쉽다.

-- 실제 기기를 대체할 수 있는 시뮬레이터 --
IC-SLD를 사용한 베이즈 최적화의 과제는 최적값 탐색에 상당한 시간이 걸린다는 점이다. 실제 기기를 통한 평가를 최대한 줄일 수 있지만, 그럼에도 수십 번의 시행 횟수가 필요하다. 실제 기기는 한 번 동작에도 많은 시간이 소모되기 때문에 개발 현장의 부담은 적지 않다.

실제 기기로 하는 평가 횟수를 줄이기 위해 파나소닉이 개발한 기술이 DCM이다. 제어의 좋고 나쁨을 평가하는 데 필요한 접촉력의 계측 대부분을, 확산 모델을 이용한 시뮬레이션으로 대체하는 것이 목표다. 평가하고 싶은 제어 파라미터(강성)를 DCM에 입력하면, 그에 대응하는 접촉력을 예측할 수 있다.

기존의 시뮬레이터는 실제 기기를 대신할 만큼의 정확도를 확보하지 못했다. 접촉은 비선형성이 강한 복잡한 현상으로, 정확한 재현이 매우 어려웠기 때문이다.

파나소닉은 심층학습 기술의 확산 모델을 사용함으로써 보다 현실에 가까운 거동을 데이터로부터 학습할 수 있다고 판단했다. 확산 모델은 진짜 데이터를 생성하기 위해 노이즈를 제거하는 연산을 반복 수행한다. 이 처리 과정은 기존의 시뮬레이터가 접촉력을 예측하기 위해 수행하는 최적화의 반복 연산과 유사하며, 일종의 귀납적 바이어스에 해당한다고 보았다.

DCM에서는 생성 과정에서 제거하는 오차를 예측하는 DNN으로 Retention Network(RetNet)를 이용했다. 여러 아키텍처의 DNN을 사용해 실험한 결과, Transformer나 U-Net보다 성능이 좋았기 때문이다.

-- 높은 정확도를 소량 데이터로 실현 --
파나소닉은 DCM의 예측 정확도와, DCM과 IC-SLD를 조합해 실제의 강성(剛性)을 설정하는 데 이용할 수 있는지를 각각 실험으로 확인했다. 모두 시뮬레이션과 실제 기기 양쪽에서 실증하고 있다. 확산 모델의 노이즈 제거 스텝을 1회로 제한한 DCM을 비교 기준이 되는 베이스라인으로 삼았다.

자체적으로 준비한 데이터를 사용해 DCM의 정확도를 조사한 결과, 시뮬레이터에서도 실제 기기에서도 베이스라인을 상회하는 결과를 얻었다. DCM의 정확도는 노이즈 제거 스텝 수가 증가할수록 높아지며, 30회에서 거의 상한에 도달했다.

실제 기기의 평가에서는 i를 30회로 설정하고, 시뮬레이션에서 사전 학습한 DCM을 실제 기기의 학습 데이터로 파인튜닝(FT)함으로써 성능이 얼마나 향상되는지를 조사했다. 그 결과, DCM에서는 FT로 인해 오차가 크게 줄고, 상관계수가 0.5 전후로 높아졌다. 한편 베이스라인에서는 FT 이후에도 예측값과 실측값 사이에 상관관계가 없었다.

파나소닉은 DCM의 학습에 어느 정도의 데이터량이 필요한지도 시뮬레이션으로 확인했다. 총 1600 궤도의 학습 데이터를 어느 정도까지 줄여도 성능이 떨어지지 않는지 측정한 결과, 30%(480궤도)에서도 거의 같은 정확도를 유지할 수 있다는 것을 알았다. 이 결과는 DCM이 비교적 소량의 데이터로 학습할 수 있음을 시사한다.

-- 강성의 설정 시간이 1/3 미만으로 --
DCM과 IC-SLD를 사용해 실제 로봇의 강성을 구한 결과는, DCM을 사용하지 않고 로봇의 실기만으로 설정하는 경우와 비교했다. 참고로 베이스라인은 실용에 충분한 예측값을 얻지 못했다.

IC-SLD는 두 개의 목적함수로 최적화하기 때문에 해는 하나로 정해지지 않고, 다른 해보다 뛰어난 점이 있는 여러 해(파레토 해)가 존재한다. IC-SLD에서는 파레토 해와 최악해로 계산 가능한 면적이 클수록 좋은 결과로 간주한다. 이 점에서 보면, DCM을 사용한 경우의 I_H는 1.17로, 실제 기기만 사용한 경우의 0.76을 웃돌았다. 이는 DCM을 이용함으로써 실제 기기와 동일한 강성 설정이 가능하다는 것을 보여준다.

다만 실제로 얻어진 해는, DCM에서는 안전성의 목적함수 L_comp의 값이 낮은 것이 많고, 실제 기기에서는 발견되지 않은 동작의 목적함수 L_task의 값이 낮은 해를 발견할 수 없었다. 파나소닉은 DCM에 의한 접촉력의 예측에 남아 있는 오차가 원인이라고 보고, 앞으로 개선해 나갈 계획이라고 한다.

각 방식에서 설정에 필요했던 시간을 비교하면, 실제 기기만으로 설정할 때는 20회의 평가가 필요했던 것에 반해 DCM을 활용함으로써 5회로 줄었다. 따라서 설정 시간을 1/3 미만으로 줄일 수 있었다.

또한 이 시간은 DCM의 학습에 필요한 시간을 포함하지 않는다. 다만 실험에 사용된 DCM의 학습 시간은, GPU로 미국 NVIDIA의 GPU ‘RTX 2070’을 사용한 경우로 1시간이 채 걸리지 않았다고 한다. 파나소닉의 목표대로 접촉력의 기반 모델을 개발할 수 있다면 이 시간은 크게 줄어들 것으로 예상된다.

 -- 끝 --
 

Copyright © 2025 [Nikkei Robotics] / Nikkei Business Publications, Inc. All rights reserved.

Nikkei Robotics_2025.4 목차

[Sexy Technology]
Meta가 촉각 센서에 주력, 비전 기술력을 활용하는 AI 지향의 현대적 설계, 자기지도 학습으로 사전 학습

파나소닉이 확산 모델로 접촉력의 고정밀 예측, 힘을 정확하게 모사하는 기반 모델로 한 걸음

[AI 최전선]
제117회 DeepSeek 쇼크, 기술과 사회에 대한 영향

[Case Study]
고노이케운수, 트럭 적재 작업을 전자동화, 무인 지게차가 음료 팔레트를 짐받이로

[Robotics 법률상담실]
제116회 PL법 상의 ‘결함’과 JIS나 ISO와의 관계는 어떻게 이해해야 하는가

[Global Watch]
(미국) 산업 로봇을 중소 농가가 도입하기 쉽게 원격조작이나 API로 다양한 작업에 대응
(한국) 현대와 삼성이 전략적 동맹이 확대되는 로봇 전용의 고성능 배터리를 공동 개발

 -- 끝 --

Copyright © 2025 [Nikkei Robotics] / Nikkei Business Publications, Inc. All rights reserved.