AI학습기반 양팔 및 휴머노이드 로봇용 작업계획 프레임워크 개발 = Development of a Learning-Based Task Planning Framework for Dual-Arm and Humanoid Robots

국문 초록 (Abstract)

본 논문에서는 제어기 소프트웨어, AI학습 모듈, 사용자 인터페이스로 구성된 AI학습기반 양팔 및 휴머노이드 로봇용 작업계획 프레임워크를 제안하였다. 제어기 소프트웨어는 Rust 언어로 개발되었으며 PREEMPT_RT 기반의 Ubuntu 실시간 운영체제 환경에서 EtherCAT 통신, 궤적 생성, 기구학 해석, 실시간 스케줄링, TCP 통신, 통합 전역 상태 관리 기능을 포함한다. AI학습 모듈은 NVIDIA Jetson Orin Nano에 구현되었고 제어기와 상호 통신하며 강화학습 모델을 추론한다. 모델은 Isaac Lab 환경에서 학습된 후 ONNX 변환과 TensorRT 최적화를 거쳐 Jetson GPU 상에서 FP16 정밀도로 추론이 가능하도록 구성하였다. 사용자 인터페이스는 Tauri 및 React 기반으로 개발되어 로봇의 상태를 3D로 시각화하며 단일, 양팔 로봇과 휴머노이드를 위한 Jog 인터페이스 및 스크립트 명령 시스템을 제공한다. 제시된 프레임워크는 실제 구동기를 이용한 실험을 통해 실시간 성능과 안정성을 검증하였으며, 핵심 제어 루프의 지연 편차는 약 12μs로 측정되었다. 실시간 제어 시스템과 인공지능 기반 추론 시스템을 결합한 로봇 작업계획 프레임워크를 구현하였으며, 향후 확장 가능한 기술적 기반을 제시하였다.

다국어 초록 (Multilingual Abstract)

This paper proposes an AI learning–based task planning framework for dual-arm and humanoid robots, composed of controller software, an AI learning module, and a user interface. The controller software is developed in the Rust programming language and operates on a PREEMPT_RT–based Ubuntu real-time operating system. It integrates EtherCAT communication, trajectory generation, kinematic analysis, real-time scheduling, TCP communication, and unified global state management.
The AI learning module is implemented on an NVIDIA Jetson Orin Nano and performs inference of reinforcement learning models while communicating bidirectionally with the controller. The models are trained in the Isaac Lab environment and subsequently converted to ONNX format and optimized using TensorRT, enabling FP16-precision inference on the Jetson GPU.
The user interface is developed using Tauri and React, providing real-time 3D visualization of robot states as well as jog interfaces and a script-based command system for single-arm, dual-arm, and humanoid robots. The proposed framework is experimentally validated using real actuators, demonstrating real-time performance and system stability. The jitter of the core control loop is measured to be approximately 12㎲.
By integrating real-time control systems with AI-based inference, this work presents a practical and extensible robotic task planning framework and provides a scalable technical foundation for future development.

목차 (Table of Contents)

• 국문요약 = ⅴ
• 1. 서 론 = 1
• 2. 프레임워크 설계 = 2
• 2.1 전체 프레임워크 구성 = 2
• 2.2 제어기 소프트웨어 = 2
• 2.3 AI학습 모듈 = 3
• 2.4 사용자 인터페이스 = 3
• 3. 제어기 소프트웨어 개발 = 4
• 3.1 궤적 생성 = 5
• 3.2 기구학 해석 = 6
• 3.3 EtherCAT 통신 = 7
• 3.4 TCP 통신 = 8
• 3.5 실시간 스케줄링 = 9
• 3.6 통합 전역 상태 = 10
• 3.7 로봇 구성 파일 = 11
• 4. AI학습 모듈 개발 = 13
• 4.1 시스템 구성 = 13
• 4.2 휴머노이드 보행 모델 강화학습 진행 = 14
• 4.3 휴머노이드 보행 모델 추론 = 15
• 5. 사용자 인터페이스 개발 = 16
• 5.1 로봇 시각화 = 17
• 5.2 조인트, 엔드이펙터 상태 표시 = 18
• 5.3 Jog 인터페이스 = 19
• 5.4 명령 스크립트 = 20
• 5.5 AI학습 모듈 인터페이스 = 21
• 6. 실험 및 평가 = 22
• 6.1 가상 협동로봇 실험 환경 = 22
• 6.2 가상 협동로봇 실험 시나리오 = 22
• 6.3 가상 협동로봇 실험 평가 항목 = 22
• 6.4 가상 협동로봇 실험 결과 분석 = 22
• 6.5 Isaac Lab 휴머노이드 실험 환경 = 23
• 6.6 Isaac Lab 휴머노이드 실험 시나리오 = 23
• 6.7 Isaac Lab 휴머노이드 실험 평가 항목 = 24
• 6.8 Isaac Lab 휴머노이드 실험 결과 분석 = 24
• 7. 결론 및 향후 연구 = 26
• 참고문헌 = 27
• ABSTRACT = 28