우수신진연구자세션

많은 생물학적 시스템에서 나타나는 높은 기동성과 극한적인 행동은, 유사한 이동 능력을 갖춘 생체 모사 로봇을 개발하기 위한 미래 연구 방향에 중요한 영감을 제공하며, 이러한 시스템의 복잡한 동역학을 이해하고 견고하고 적응적인 제어 프레임워크를 설계하는 데 핵심적인 통찰을 준다. 생물학적 시스템의 극한 행동의 예로는 초당 약 200Hz로 날개를 퍼덕이며 빠른 진동 기반 기동을 수행하는 벌의 비행과, 저장된 위치 에너지를 수 밀리초 내에 방출하여 타격을 가하는 사마귀새우의 급격하고 충격적인 스트라이크 동작이 있다. 이와 유사한 극한적 거동을 보이는 로봇을 제어하는 데 있어 가장 큰 도전과제는 여러 시간 스케일에 걸쳐 작동하는 고도의 비선형 동역학에 있다. 구체적으로는, 빠른 동역학(극한적 운동)과 느린 동역학(시간 평균 운동 또는 시스템의 느린 드리프트)을 동시에 고려해야 하며, 고주파 영역(빠른 동역학)과 저주파 영역(느린 동역학)에서 서로 다른 시간 가변적 구동 모델을 함께 다루어야 한다. 본 발표에서는 수학적 시스템 이론의 first principle에 기반하여 이러한 문제를 해결하기 위한 제어 이론적 접근법을 논의한다. 첫 번째 부분에서는 약 150Hz로 날개를 퍼덕이는 곤충 크기의 플래핑 윙 비행체와, 약 20Hz로 플래핑하는 조류 크기 로봇의 제어에 대한 최근 연구 성과를 소개하고. 또한, 수 밀리초 내에 최대 27m/s에 달하는 타격 속도를 가능하게 하는 사마귀새우의 충격 동작에 대한 비선형 동역학 모델링의 최신 연구 결과를 다룬다. 마지막으로, 본 강연은 과잉 구동(over-actuated) 네트워크 기반 로봇 시스템의 생체 모사 설계 및 제어에 관한 새로운 연구 방향과, 진동 기반 조류형 시스템을 이해하기 위한 합성 로봇 개발에 대한 현재 진행 중인 연구를 논의한다.

로봇 설계와 제어를 분리된 문제로 다루는 기존 접근을 넘어, 로봇의 기구 구조와 제어 정책을 공동으로 최적화하는 로봇 코디자인(robot co-design) 연구를 소개합니다. 특히 대규모 데이터로 학습된 파운데이션 생성형 AI, 그중에서도 확산 모델(diffusion model)을 활용하여 로봇의 형태와 설계 변수를 확률적으로 생성하고 탐색하는 새로운 설계 패러다임에 주목합니다. 이를 통해 설계 단계에서부터 제어 용이성과 성능을 동시에 확보하는 것을 목표로 합니다.

자연 및 산업 현장에는 폭설, 폭우, 강풍, 고염분 해양 환경, 분진 등과 같은 극한환경이 존재하며, 이러한 환경은 기존 로봇 시스템의 인지, 제어, 구동 성능을 급격히 저하시킨다. 특히 센서 신뢰성 저하, 구동부 내구성 문제, 통신 불안정성 등은 실제 현장 적용에 있어 핵심적인 기술적 장벽으로 작용한다. 본 발표에서는 극한환경에서 안정적으로 작동하는 로봇 시스템 구현을 위한 핵심 기술을 소개한다. 수동 변속 메커니즘 기반 관절 구동 방식, 환경 적응형 강인 센싱 기술, 그리고 해양 환경에서의 스마트 자동계류 기술 사례를 중심으로, 극한 환경에서도 안정성과 성능을 유지하기 위한 기술적 설계 방안을 제시한다.

산업 현장에서는 시스템의 비선형성, 공정 편차, 열 변형과 같은 다양한 외부 요인으로 인해 정밀도와 반복 재현성 확보에 많은 어려움이 존재한다.본 발표에서는 이러한 실제적 난제를 극복하기 위해 가우시안 프로세스(Gaussian Process) 기반 대리 모델의 불확실성을 활용한 베이지안 최적화(Bayesian Optimization) 기법을 도입하여, 제어 파라미터를 효율적으로 탐색하고 최적화하는 방법론을 소개한다.

로봇이 복잡한 작업을 수행하기 위해서는 효율적인 강화학습(Reinforcement Learning, RL) 기법이 필요합니다. 하지만 보상 함수를 잘못 설정하면 강화학습 속도와 성능이 심각하게 저하되는 문제가 있습니다. 본 발표에서는 로봇이 복잡한 활동을 빠르고 효율적으로 학습할 수 있도록 돕는 ‘보상 함수 설계(Reward Shaping)’ 방법론과, 로봇 스스로 유의미한 동작을 찾아내는 ‘스킬 발견(Skill Discovery)’ 기술에 대해 논의합니다.

비선형 L1 제어는 비선형 시스템에 작용하는 지속적인 외란의 영향을 상쇄하고, 출력이 원하는 목표값을 갖도록 진폭을 조절하는 제어 기법이다. 본 제어 기법은 상태 공간상에서 주어진 특정 집합이 전방 불변(forward invariant)임을 보이는 집합-불변이론에 기반하여 도출되어 왔다. 이와 같은 이론적 배경을 바탕으로, 비선형 L1 제어와 관련된 기존 연구들의 한계점을 분석하고 최근 진행 중인 연구들의 주요 특징과 발전 방향을 살펴보고자 한다. 특히 구분적 연속 시스템에서의 해법, 출력-피드백 구조로의 확장 기법, 그리고 제어-장벽 함수를 활용한 제어기 설계 기법을 중심으로 논의한다. 아울러 실제 물리적 의미를 갖는 시스템에의 적용 가능성과 제안된 기법들의 유효성을 평가한다.

자율차량과 로봇의 최적제어에 존재하는 다양한 불확실성을 해소하기 위해, 강화학습 융합 방법론을 소개합니다. 모델예측제어 (MPC) 등 기존 최적제어의 한계점으로는 모델링 불확실성, 파라미터 민감성, Horizon 길이에 따른 성능변화 등이 존재합니다. 강화학습을 통해 기존 한계점을 극복하고, MPC의 강인성을 높임으로써 자율 시스템의 성능을 개선하는 사례를 소개합니다.

로봇이 물체를 파지하거나 환경과 접촉하며 작업을 수행할 때 다양한 제약조건이 발생한다. 예를 들어, 컵에 담긴 물을 옮길 때는 기울기 제한이 필요하고, 문을 열 때는 힌지 중심의 원호 궤적을 따라야 하며, 양손으로 큰 물체를 협동 조작할 때는 양팔 간 닫힌 체인 제약이 생성된다. 이러한 제약조건은 이동 가능한 형상공간을 저차원 다양체로 제한한다. 또한, 양 팔 매니풀레이션 등 고차원 문제에서는 계산 복잡도가 기하급수적으로 증가하여 계획이 실패하거나 비효율적으로 오랜 시간이 소요되는 문제가 있다. 본 발표에서는 이러한 제약이 있는 상황에서의 동작 계획 문제를 소개하고 이를 효율적으로 해결하기 위한 모션 계획 방법을 설명하고자 한다.

다중 로봇 시스템이 대규모 환경에서 자율적으로 협업하기 위해서는 공간에 대한 이해를 공유하고 축적하는 것이 필수적이다. 본 발표에서는 3D Foundation Model 및 Vision-Language Model을 활용하여 다중 로봇이 환경의 의미적 정보를 포함한 공간 기억을 구축하고 공유하는 프레임워크를 소개한다. 특히 로봇 간 이질적인 관측 조건에서도 강건한 장소 인식과 맵 병합이 가능한 기술, 그리고 자연어 질의를 통해 공간-시간적 정보를 검색할 수 있는 spatio-temporal memory 시스템에 대해 논의한다.