고정밀 매니퓰레이터 모방학습을 위한 객체 자세 기반 이상치 탐지 및 보정 기법 = Object Pose?Driven Outlier Detection and Correction for High-Fidelity Manipulator Imitation Learning

국문 초록 (Abstract)

본 연구는 폭발물 처리(EOD)와 같이 높은 정밀도와 신뢰성이 요구되는 로봇 조작 임무를 수행함에 있어, 전문가의 시연 데이터에 포함된 이상치가 모방학습(Imitation Learning) 정책의 성능에 미치는 부정적인 영향을 분석하고 이를 해결하기 위한 새로운 전처리 기법을 제안한다.

최신 모방학습 기법인 ACT(Action Chunking with Transformers) 등은 신경망 구조 개선을 통해 예측 안정성을 높였으나, 학습 데이터 자체에 포함된 인간의 손 떨림이나 조작 실수와 같은 ‘운동학적 이상치’ 문제는 여전히 해결 과제로 남아있다. 이러한 이상치는 모델의 학습 분포를 왜곡하고 실행 단계에서 오차 누적(Compound Error)을 유발하여 최종 임무 성공률을 저하시킨다.

본 논문에서 제안하는 OCPE(Object Pose-Driven Outlier Detection and Correction) 기법은 로봇의 관절 값에만 의존하던 기존 방식에서 벗어나, 조작 대상 물체의 6자유도(6-DoF) 자세 변화를 직접 추적한다. 구체적으로는 물체의 회전 벡터(Rotation Vector) 변화율을 분석하여 비의도적 돌발 동작이 발생한 이상 이벤트(AE) 구간을 정량적으로 탐지하고, 이를 선형 보간 기반의 궤적 재구성 알고리즘을 통해 매끄러운 동작으로 보정한다.

목차 (Table of Contents)

• I. 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.1.1 비대칭 전력의 위협과 현대전 양상의 변화 1
• 1.1.2 유·무인 복합 전투체계(MUM-T)와 EOD 로봇의 전략적 가치 1
• 1.1.3 원격 제어(Tele-operation) 방식의 구조적 한계 1
• 1.2 모방 학습(Imitation Learning)의 대두와 데이터 품질 이슈 2
• 1.2.1 자율 조작(Autonomous Manipulation)을 위한 패러다임 전환 2
• 1.2.2 "Garbage In, Garbage Out": 데이터 품질의 병목 현상 3
• 1.3 문제 제기 3
• 1.3.1 인간 시연 데이터의 불완전성과 운동학적 이상치 3
• 1.3.2 공변량 변화(Covariate Shift)와 오차 누적 3
• 1.4 연구 목적 및 제안 방법 4
• 1.4.1 데이터 중심 AI(Data-Centric AI) 관점의 접근 4
• 1.4.2 객체 자세 기반 이상치 탐지 및 보정(OCPE) 5
• 1.5 연구의 기여점 5
• 1.6 논문의 구성 6
• II. 이론적 배경 6
• 2.1 로봇 팔의 운동학(Robot Kinematics) 6
• 2.1.1 좌표계 변환 및 균일 변환 행렬 7
• 2.1.2 정운동학(Forward Kinematics)과 D-H 파라미터 7
• 2.1.3 역운동학(Inverse Kinematics) 8
• 2.1.4 자코비안 행렬과 특이점 8
• 2.2 모방 학습(Imitation Learning) 9
• 2.2.1 행동 복제(Behavioral Cloning, BC) 9
• 2.2.2 DAgger(Dataset Aggregation) 9
• 2.3 트랜스포머와 ACT 10
• 2.3.1 어텐션 메커니즘 10
• 2.3.2 CVAE(Conditional Variational Autoencoder) 11
• 2.3.3 액션 청킹(Action Chunking) 11
• 2.4 이상치 탐지 11
• 2.4.1 통계적 탐지 기법 11
• 2.4.2 회전 벡터와 로드리게스 공식 11
• 2.4.3 PnP(Perspective-n-Point) 알고리즘 12
• III. 관련 연구 12
• 3.1 행동 복제 및 한계 13
• 3.1.1 행동 복제의 정의 및 발전 13
• 3.1.2 공변량 변화와 오차 누적 문제 13
• 3.1.3 데이터 품질에 대한 민감성과 "Garbage In, Garbage Out" 14
• 3.2 상호작용 기반 모방 학습 14
• 3.2.1 DAgger(Dataset Aggregation) 14
• 3.2.2 현실적 한계 및 비용 문제 15
• 3.3 최신 연구 동향: 생성형 모방 학습과 ACT 16
• 3.3.1 생성 모델의 도입 16
• 3.3.2 ACT 모델 16
• 3.4 데이터 품질 문제와 이상치 탐지 18
• 3.4.1 로봇 학습에서의 데이터 중심 AI 18
• 3.4.2 기존 이상치 탐지 기법의 한계 18
• 3.4.3 본 연구의 차별성: 객체 자세(Object Pose)의 활용 18
• IV. 데이터셋 구축 및 특성 분석 19
• 4.1 EOD 임무 환경 및 데이터 수집 프로토콜 19
• 4.1.1 하드웨어 구성 및 제어 인터페이스 19
• 4.1.2 상태 공간 및 행동 공간의 수학적 정의 20
• 4.1.3 데이터 수집 시나리오 및 기준 20
• 4.2 원시 데이터의 운동학적 특성 분석 20
• 4.2.1 저크(Jerk) 분석을 통한 움직임의 매끄러움 평가 20
• 4.2.2 주파수 도메인 분석 21
• 4.3 이상치의 유형 분류 및 영향도 분석 22
• 4.3.1 유형 1: 고주파 미세 떨림 22
• 4.3.2 유형 2: 통신 지연에 의한 급격한 튀는 동작 23
• 4.3.3 유형 3: 정지 구간의 표류 23
• 4.4 데이터 전처리의 기대 효과: 사전 검증 24
• 4.4.1 비교 실험 설계 및 환경 구축 24
• 4.4.2 학습 결과 비교 및 성능 분석 25
• 4.4.3 소결 및 OCPE 도입의 당위성 25
• V. 제안한 방법 26
• 5.1 전체 시스템 구조 26
• 5.1.1 데이터 수집 환경 27
• 5.1.2 OCPE 프레임워크의 3단계 모듈 27
• 5.2 객체 자세 추정 28
• 5.2.1 ArUco 마커 인식 및 영상 처리 28
• 5.2.2 PnP 알고리즘을 통한 6-DoF 자세 추출 29
• 5.2.3 로드리게스 변환의 적용 29
• 5.3 이상치 탐색 알고리즘 30
• 5.3.1 슬라이딩 윈도우(Detection Window) 설계 30
• 5.3.2 통계적 임계값 기반 판정 로직 30
• 5.4 이상치 보정 알고리즘 31
• 5.4.1 보정 구간의 설정 및 데이터 폐기 31
• 5.4.2 선형 보간법 적용의 당위성 31
• 5.5 실시간 데이터 처리 구조 32
• 5.6 소프트웨어 아키텍처 및 구현 최적화 32
• 5.6.1 비동기 멀티스레딩 및 멀티프로세싱 32
• 5.6.2 타임스탬프 기반 정밀 데이터 동기화 33
• 5.7 시스템 안전 메커니즘 34
• VI. 성능 실험 34
• 6.1 실험 환경 34
• 6.1.1 하드웨어 구성 35
• 6.1.2 소프트웨어 환경 36
• 6.2 실험 방법 및 시나리오 36
• 6.2.1 실험 과제: Pick-and-Place 36
• 6.2.2 데이터 수집 및 이상치 주입 36
• 6.3 실험 결과 및 분석 37
• 6.3.1 이상치 탐지 성능 37
• 6.3.2 이상치 보정 및 궤적 개선 효과 39
• 6.3.3 한계점 및 고찰 40
• 6.4 처리 시간 및 실시간성 분석 40
• 6.5 임계값 선정에 따른 민감도 분석 41
• 6.6 기존 기법과의 비교 분석 42
• VII. 결론 42
• 7.1 연구 요약 및 종합 결론 42
• 7.2 연구의 학술적 및 기술적 기여 44
• 7.3 연구의 한계점 44
• 7.4 향후 연구 방향 45
• References 47
• Abstract 49