Integrating model-based and learning-based approaches for complex robotic control

국문 초록 (Abstract)

본 학위논문은 모델 기반 구조와 학습 기반 접근법을 통합하여 복잡한 로봇 제어를 가능하게 하는 프레임워크를 제시한다. 주요 기여는 전자영구자석(EPM) 발을 사용하여 강자성 표면에서 고하중(최대 25kg)을 운반하며 이동하는 4족 로봇을 위한 강화학습 프레임워크 및 로봇 전용 뉴로심볼릭 계획 프레임웍 개발이다. 이 제어 구현은 네 가지 핵심 과제를 해결한다: 공극 거리 민감도로 인한 정밀한 EPM 활성화 타이밍, 준정적 보행에서의 확장된 스윙 궤적 제어, 금속 간 접촉에서의 충격력 관리, 기어 액추에이터의 기계적 백래시 보상. 두 가지 주요 기술적 기여를 제시한다. 첫째, 비대칭 다항식 함수를 사용하는 발 스윙 궤적 보상을 도입하여 스윙 단계 전반에 걸쳐 연속적인 가이드를 제공하고, 충격 감소를 위한 제로 속도 착지를 가능하게 한다. 이 접근법은 2~10초의 보행 주기에서 기준 방법 대비 최대 89%의 착지 속도 감소를 달성한다. 둘째, 가상 더미 링크를 사용한 이중 조인트 분해를 통해 기어 백래시를 명시적으로 모델링하고, 훈련 중 기계적 유격을 점진적으로 도입하는 백래시 인식 커리큘럼 학습을 구현한다. 이 구조화된 접근법은 백래시 모델링 없는 훈련 대비 3.1배 낮은 조인트 저크와 40% 낮은 접촉 속도를 달성한다. 시뮬레이션 결과는 다양한 보행 주기와 하중 조건에서 우수한 성능을 보여주며, 하드웨어 실험은 강자성 표면에서 최대 25kg의 하중을 운반하며 안정적인 이동이 가능함을 검증한다. 제거 실험(ablation studies)은 각 구성요소가 최종 성능에 필수적임을 보여준다. 더 나아가, 자기 이동 연구와 신경-기호 지속 학습의 사례 연구를 통해 구조화된 학습의 통합 원리를 도출한다: (1) 영역 구조의 명시적 모델링이 노이즈로 처리하는 것보다 우수하며, (2) 복잡성의 점진적 도입이 안정적인 학습을 가능하게 하고, (3) 학습된 구성요소와 모델 기반 구성요소의 상호 보완적 통합이 양 패러다임의 강점을 활용한다. 이러한 원리는 연속 운동 제어부터 이산 기호 계획까지 다양한 영역에서 효과적임이 입증되어 광범위한 적용 가능성을 시사한다. 본 연구는 모델 기반 통찰력과 학습 기반 유연성의 통합이 어느 한 패러다임만으로는 달성할 수 없는 복잡한 로봇 행동을 가능하게 함을 보여준다. 물리학적 정보를 활용한 보상과 명시적 기계 모델링은 까다로운 물리적 작업에 대한 시뮬레이션-실제 전이를 가능하게 하며, 유사한 통합 전략이 다양한 제어 패러다임에 적용 가능함을 확인한다.

다국어 초록 (Multilingual Abstract)

This thesis addresses two robotics problems: magnetic-legged locomotion and neuro-symbolic learning. First, we develop a reinforcement learning framework for quadrupedal robots with EPM feet to traverse ferromagnetic surfaces with high payloads. Key contributions: (1) asymmetric polynomial trajectory reward for zero-velocity landing, (2) progressive backlash curriculum learning. Experiments show 89% touchdown velocity reduction and successful 25 kg payload locomotion. Second, we present NESYC, a neuro-symbolic continual learning framework for embodied agents. It combines LLMs for hypothesis generation with symbolic validation for actionable knowledge. Experiments show zero-shot transfer to novel tasks with limited samples.

목차 (Table of Contents)

• 1. INTRODUCTION 1
• 1.1 Motivation 1
• 1.2 Research Objectives 1
• 1.3 Contributions 2
• 2. BACKGROUND AND RELATED WORK 3
• 2.1 Legged Locomotion 3
• 2.2 Magnetic Adhesion Systems 4
• 2.3 Reinforcement Learning for Robotics 6
• 2.4 Structured Learning and Domain Knowledge 7
• 3. LEARNING ROBUST MAGNETIC LEGGED LOCOMOTION 7
• 3.1 Problem Formulation 8
• 3.2 Hardware Design 12
• 3.2.1 Mechanical Design 12
• 3.2.2 Electropermanent Magnet Feet 13
• 3.3 Control Framework 14
• 3.3.1 Foot Swing Trajectory Reward 16
• 3.3.2 Backlash-Aware Training 20
• 3.4 Experimental Results 25
• 3.4.1 Simulation Results 25
• 3.4.2 Hardware Validation 29
• 4. NEURO-SYMBOLIC CONTINUAL LEARNING 33
• 4.2 Neuro-Symbolic Continual Learning: A Case Study 33
• 4.2.1 Problem Formulation and Framework 33
• 4.2.2 Key Results and Insights 35
• 5. CONCLUSION 37
• 5.1 Summary of Contributions 37
• REFERENCES 39
• ABSTRACT (Korean) 45