KR20220034610A - 와이어 구동 방식 로봇의 모델링 및 제어 방법 - Google Patents

Abstract

본 발명은 와이어 구동 방식 로봇의 모델링 및 제어 방법에 관한 것이다. 본 발명에 따른 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법은, 로봇에 구비되는 모터의 정보를 센싱하는 단계와, 상기 모터의 정보를 순환 신경망(Recurrent Neural Network, RNN)의 입력값으로 입력하고, 상기 RNN의 출력값으로 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 추정하는 단계와, 상기 추정된 조인트 각도를 동역학 모델에 적용하여, 상기 추정된 조인트 각도에 대응되는 상기 모터의 토크를 산출하는 단계, 및 상기 산출된 모터의 토크를 이용하여 상기 로봇의 제어기를 도출하는 단계를 포함할 수 있다. 또한, 상기 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법은 자세에 따라서 달라지는 마찰을 정부호 공간에서 매개화 하여 최적화를 통해 마찰 계수를 구하는 단계를 더 포함할 수 있다.

Description

와이어 구동 방식 로봇의 모델링 및 제어 방법{MODELING AND CONTROL METHOD OF TENDON-DRIVEN ROBOT}

본 발명은 와이어 구동 방식 로봇의 동역학 모델링 방법과, 이를 이용한 제어방법에 관한 것이다.

전세계적으로 고령화가 진행되고 있으며, 그에 따라 노동인구 감소 및 인건비 상승과 같은 사회적인 문제가 대두되고 있다. 이러한 문제로 인하여, 산업 전반적으로 자동화의 필요성이 증가하고 있으며, 그 해법으로서, 로봇을 통한 자동화가 각광받고 있다. 이러한 추세에 맞추어, 최근에는 사회 곳곳에서 인력을 로봇으로 대체하려는 움직임이 활발해지고 있다.

특히 최근에는, 안전한 로봇을 구현하기 위한 여러가지 시도가 있는데, 그 중 하나가 가볍고 컴팩트한 디자인이 가능한 와이어 구동(tendon-driven, 텐던 드리븐, 힘줄 구동) 로봇이다.

와이어 구동 로봇은 베이스에 근접하게 액츄에이터 및 기타 무거운 기계 요소를 배치할 수 있게 하여, 기어 기반 변속기와 비교할 때 백래시가 적으면서도 더 작고 반사 관성이 크게 줄어들게 된다. 따라서, 와이어 구동 로봇은 오늘날 많은 외과 용 로봇, 로봇암(로봇팔), 협업 로봇 등에 널리 사용되고 있다.

하지만, 와이어 구동 로봇은 정확하게 제어하기가 어려운 문제를 가지고 있다. 와이어는 재료 특성에서 하중, 마모 및 온도 및 습도와 같은 환경 조건에 이르는 요인에 따라 비선형 및 반복 불가능한 탄성 거동을 나타낸다.

또한, 와이어 구동 방식은 일반적으로 여러 개의 조인트를 가지고 있어 추가적인 마찰을 유발하고 지연과 이력 현상이 발생할 수 있으며, 복잡한 배선 경로를 가지고 있어, 결과적으로 나타나는 마찰 거동을 모델링하고 식별하기가 특히 어렵다. 이러한 이유로 인하여, 와이어 구동 방식을 사용하면 모델링이 매우 어렵고 복잡해서 모델링을 기반으로 한 제어나 분석이 어렵게 된다. 또한, 모델링이 어려우므로, 정확한 궤도 추적이 필요한 작업의 경우에 와이어 구동 로봇의 광범위한 사용이 제한되고 있다.

따라서, 본 발명에서 제시하는 것과 같이 보다 정확하면서도 적용이 용이한 와이어 구동 로봇의 모델링 및 제어 방법이 착안될 수 있다.

본 발명은, 보다 정확하면서도 적용이 용이한 와이어 구동 로봇의 모델링 및 제어 방법을 제공하는 것이다.

본 발명은, 와이어의 비선형성과 로봇의 자세에 따른 마찰의 변화를 반영할 수 있는 와이어 구동 로봇의 모델링 및 제어 방법을 제공하는 것이다.

보다 구체적으로, 본 발명은, 역학 기반 모델의 일반화 및 직관적 예측 능력을 활용하는 와이어 구동 방식의 하이브리드 모델링 방법을 제공하는 것이다.

또한, 본 발명은 정확한 강체 멀티 바디 동역학 모델에 의해 역학의 가장 지배적 인 효과를 포착하는 와이어 구동 방식의 모델링 방법을 제공하는 것이다.

위에서 살펴본 과제를 해결하기 위하여, 본 발명에 따른 와이어 구동 방식 로봇의 모델링 및 제어 방법은 동역학 기반의 모델과 데이터 기반의 모델의 장점을 활용한 하이브리드 모델을 이용하여 와이어 메커니즘을 모델링한다.

구체적으로, 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법은, 로봇에 구비되는 모터의 정보를 센싱하는 단계와, 상기 모터의 정보를 순환 신경망(Recurrent Neural Network, RNN)의 입력값으로 입력하고, 상기 RNN의 출력값으로 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 추정하는 단계와, 상기 추정된 조인트 각도를 동역학 모델에 적용하여, 상기 추정된 조인트 각도에 대응되는 상기 모터의 토크를 산출하는 단계, 및 상기 산출된 모터의 토크를 이용하여 상기 로봇의 제어기를 도출하는 단계를 포함한다.

나아가, 본 발명에서, 상기 RNN의 입력값은 상기 모터의 위치, 속도 및 토크 중 적어도 하나를 포함할 수 있다. 상기 RNN의 출력값은 상기 로봇의 조인트 각도와 상기 와이어를 강체로 가정한 예측 조인트 각도의 차이가 산출될 수 있다.

상기 RNN은 게이트된 반복 유닛과 멀티 레이어 퍼셉트론을 구비할 수 있다. 상기 조인트 각도를 추정하는 단계에서는 복수의 조인트 각도가 복수의 개별 순환 신경망에 의하여 모델링될 수 있다.

본 발명에 따른 모델링 방법은, 상기 모터의 토크를 산출하는 단계에서 상기 로봇의 자세에 따라 가변되는 마찰계수를 이용하여 마찰 함수를 정의한다. 상기 로봇의 자세는 상기 모터의 각도 및 속도 중 적어도 하나를 포함할 수 있다.

상기 마찰계수는 정부호 대칭 행렬 공간 상에서 상기 로봇의 자세의 함수로 정의되며, 상기 매트릭스는 정부호내의 공간에서 모델링될 수 있다.

또한, 본 발명에서, 상기 모터의 정보는 센서에 의하여 센싱되며, 상기 조인트 각도는 상기 RNN에 의하여 추정되며, 마찰력은 최적화를 통하여 산출한 마찰계수를 이용하여 도출될 수 있다.

또한, 본 발명은 와이어 구동 방식 로봇의 제어 방법을 제시한다. 상기 제어 방법은, 로봇의 자세에 따라 가변되는 마찰계수를 이용하여 마찰 함수를 모델링하는 제1단계와, 상기 로봇에 구비되는 모터의 정보를 센싱하고, 신경망(Recurrent Neural Network, RNN)을 이용하여, 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 학습하는 제2단계, 및 상기 마찰계수와 상기 조인트 각도를 이용하여 상기 로봇의 동역학 모델을 해석하여 상기 로봇의 제어기를 도출하는 제3단계를 포함한다.

상기 로봇의 동역학 모델에서 와이어의 비선형성은 상기 RNN 학습을 통한 데이터 기반으로 모델링되고, 상기 로봇의 자세에 따른 마찰은 상기 마찰 함수에 의하여 모델링될 수 있다.

본 발명에 따른 와이어 구동 로봇의 모델링 및 제어 방법은, 동역학 기반 모델과 데이터 기반 모델의 장점을 활용한 하이브리드 모델을 통하여, 와이어 구동 방식에서 모델링을 보다 용이하게 한다. 따라서, 와이어 구동 방식에서 모델링을 기반으로 한 제어나 분석을 구현할 수 있다.

구체적으로, 본 발명은 동역학 기반 모델을 통하여, 예측과 분석을 가능하게 하며 상대적으로 작은 파라미터를 이용하여 와이어 구동 방식의 거동을 표현한다. 이 때에, 비선형성 구동의 표현에 장점이 있는 데이터 기반 모델을 활용하여, 와이어의 비선형성의 문제를 해결한다. 또한, 본 발명은 마찰계수를 자세의 함수로 정의함에 따라, 복잡한 기계적 구조로 인하여 로봇의 자세에 따라 마찰력이 달라지는 것을 표현할 수 있게 된다.

또한, 본 발명은 로봇의 자세에 의존하는 커플링 마찰 모델과 함께 정확한 강체 멀티 바디 동역학 모델을 적용하여, 역학의 가장 지배적인 효과를 포착할 수 있다. 나아가, 본 발명은 힘줄 역학(tendon dynamics)를 설명하는 순환 신경망 모델(recurrent neural network model )을 통하여 모터 위치, 속도 및 토크 판독 값에서 링크 조인트 각도를 추정할 수 있다. 이를 통하여, 강체 멀티 바디 동역학 모델과 커플링 마찰 모델이 보완되어, 보다 정확한 와이어 구동 방식의 모델링이 가능하게 된다.

도 1a는 본 발명에 따른 와이어 구동 방식 로봇을 설명하기 위한 개념도이고 도 1b는 도 1의 로봇의 정기구학(Forward kinematics)적 설정을 나타내는 개념도이다.
도 2는 본 발명에 따른 와이어 구동 방식 로봇의 메커니즘을 모델링하는 모델링 시스템을 설명하기 위한 개념도이다.
도 3은 본 발명의 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법을 대표적으로 나타내는 흐름도이다.
도 4는 도 3에서 마찰 함수를 모델링하는 방법을 대표적으로 나타내는 흐름도이다.
도 5는 도 3에서 로봇의 조인트 각도를 학습하는 방법을 대표적으로 나타내는 흐름도이다.
도 6은 본 발명의 조인트 각도를 예측하는 네크워크 구조를 나타내는 개념도이다.
도 7a, 도 7b 및 도 7c는 2개의 모터에 의한 2 자유도 메커니즘의 예시를 나타나는 개념도들이다.
도 8은 본 발명의 네크워크 구조로 예측한 실제 모터 각도 데이터에 대한 가상 모터 각도를 나타내는 그래프들이다.
도 9는 JAN 모델의 정확도를 산출한 그래프이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소에는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 발명은 동역학 기반 모델과 데이터 기반 모델의 장점을 활용한 하이브리드 모델을 이용하여 와이어 구동 방식 로봇의 모델링 및 제어 방법을 제공하는 것이다.

여기에서, 로봇은 i) 사람과 유사한 기능을 가진　기계, 또는　ii) 하나 또는 복수의　컴퓨터 프로그램으로 작동할 수 있고(programmable), 자동적으로 복잡한 일련의 작업(complex series of actions)을 수행하는 기계적 장치를 말한다. 또 다른 예로, 로봇은 형태가 있으며, 자신이 생각할 수 있는 능력을 가진 기계를 의미할 수 있다.

특히, 본 명세서에서 예시하는 로봇은, 기능적 관점에서 제조공장에서 조립, 용접, 핸들링 등을 수행하는 산업용 로봇 또는 환경을 인식하고 스스로 판단하는 기능을 가진 지능형 로봇 등이 될 수 있다. 또한, 본 명세서에서 설명되는 로봇은 한 가지 기능이 아니라, 여러가지 기능을 복합적으로 수행하도록 이루어질 수 있다.

나아가, 본 명세서에서 설명되는 로봇은, 모습과 행동이 인간을 닮은 안드로이드(android) 로봇, 인간과 유사한 신체 구조를 지닌 휴머노이드(humanoid) 로봇, 신체 일부가 기계로 개조된　사이보그(cyborg) 등의 형태로 구현될 수 있다.

또한, 본 명세서에서 설명되는 로봇은, 용도적 관점에서, 청소로봇, 오락로봇, 교육로봇, 재활로봇 등의 개인 서비스용 로봇 (service robot for personal and private use)과, 안내로봇, 소방로봇, 의료로봇, 배달로봇, 재난구조로봇, 이사로봇 등의 전문서비스용 로봇 (service robot for professional use)과, 용접로봇, 도장로봇, 이송로봇 등의 제조용 로봇 (industrial robot), 전투로봇, 정찰로봇 등의 군사용 로봇(military robot) 등을 포함할 수 있다.

한편, 본 명세서에서 설명되는 로봇은, 전술한 기능이나 용도를 구현하기 위하여, 액추에이터(actuator), 제어 시스템(control system), 엔드 이펙터(end effector), 매니퓰레이터(Manipulator), 센서(sensor) 등을 구비할 수 있다.

한편, 본 발명에 따른 로봇은 다양한 작업을 수행하기 위한 적절한 형태를 갖추기 위하여, 다관절의 매니퓰레이터를 가지는 다관절 로봇으로 구현될 수 있다.

또한, 본 발명에서는 상기 매니퓰레이터가 와이어 구동 방식을 통하여, 안전 기능이 강화된 가볍고 컴팩트 한 구조를 가질 수 있다. 여기서, 와이어 구동은 힘줄 구동(Tendon-driven)으로 지칭될 수 있다. 다만, 본 발명에서는 설명의 편의를 위하여 이하의 설명에서 와이어 구동으로 통일하여 지칭한다.

여기서, 와이어 구동 방식 로봇　(tendon-driven robot, TDR)은 팔다리가 생물학적　근골격계를　모방한 로봇이 될 수 있다. 와이어 구동 방식은 근육과　힘줄을 모방하기 위해 플라스틱 끈(plastic strap)이나 와이어(wire)을 사용할 수 있다. 따라서, 와이어 구동 방식의 텐든(tendon)은 힘줄 또는 와이어로 지칭될 수 있다. 본 발명에서는 설명의 편의를 위하여 이하의 설명에서 와이어로 통일하여 지칭한다.

다만, 본 발명의 실시예에서는 다관절의 매니퓰레이터와 와이어 구동 방식을 기준으로, 로봇의 모델링 및 제어 방법에 대하여 설명하나, 본 발명은 이에 한정되는 것은 아니다. 즉, 이하 설명되는 실시예는 로봇의 구조나 모델링 방법이면 타입에 관계없이 적용될 수 있다.

도 1a는 본 발명에 따른 와이어 구동 방식 로봇을 설명하기 위한 개념도이고, 도 1b는 도 1a의 로봇의 정기구학(Forward kinematics)적 설정을 나타내는 개념도이다.

도 1a를 참조하면, 본 실시예의 매니퓰레이터(100)의 운동학적 구조는 3자유도의 어깨(110), 1자유도의 팔꿈치(120) 및 3자유도의 손목(130)으로 구성될 수 있다. 각 조인트는 전기 모터로 구동되는 케이블로 작동되며, 어깨(110)는 낮은 백래시와 높은 역 구동을 위해 캡스턴(capstan)의 메커니즘이 사용될 수 있다. 반면에, 팔꿈치(120)와 손목(130)에는 도르래 토크 증폭 메커니즘(block-and-tackle torque amplification mechanism)이 적용되며, 이를 통하여 액추에이터가 베이스 근처에 근접하게 배치될 수 있다.

다수의 링크와 조인트가 연결되지만 각 케이블은 디커플링 메커니즘을 통해 관련 조인트에 힘을 전달할 수 있다. 예를 들어, 팔꿈치 조인트에서는 단일 모터로 구동되는 한 쌍의 와이어에 의해 1자유도의 롤링 조인트 메커니즘이 작동된다. 구체적으로, 한 쪽에서 와이어를 연장하면 반대쪽이 짧아져 모터에서 조인트로 힘이 가해지게 된다. 팔꿈치 조인트의 2개의 평행 회전축은 2개의 커플링 와이어에 의해 구속되어 2개의 조인트가 하나의 모터에 의하여 동일한 각속도로 회전하게 된다.

한편, 1자유도의 요(yaw) 조인트가 2자유도의 쿼터니언(quaternion) 조인트에 장착되어 3자유도의 손목 메커니즘이 구현될 수 있다.

상기에서 설명한 매니퓰레이터(100)는 고속의 안전 상호작용이 가능하고, 모든 조인트가 역 구동성, 낮은 반사 관성과 질량을 갖게 된다. 하지만, 복잡한 기계 구조, 예를 들어 모터에서 조인트로의 전달이 복잡하고, 복잡하고 좁은 공간이 피벗 및 조인트에서 베어링과 부싱의 사용을 제한하는 등으로 인하여, 제어를 위한 정확한 모델을 도출하는 것이 어렵다.

Kinematics

본 발명에서는 상기 매니퓰레이터(100)와 같이 와이어 구동 방식을 가지는 로봇의 복잡한 역학을 모델링하고 식별할 수 있는 하이브리드 프레임워크를 제시한다.

이를 위하여, 먼저 도 1b를 참조하여, 상기 매니퓰레이터(100)의 운동학 및 강체 멀티 바디 역학에 대한 모델을 검토한다.

먼저, 본 발명에서 예시하는 로봇은 m개의 조인트를 구비하며, n개의 모터에 의하여 구동될 수 있다. 이 경우에, m-n개의 독립적인 기구학 제한 조건을 가지며, 따라서 조인트의 공간의 차원은

으로, 모터의 개수와 동일한 n 차원이 된다.

또한, 와이어가 모터와 바디를 단단히 연결하기 위해 무한히 스티프(stiff)하다고 가정하면, 조인트 구성의 최소 매개 변수는 모터의 각도를 이용하여 다음의 식으로 정의될 수 있다.

상기 매니퓰레이터(100)에서는, 직렬로 연결된 10개의 본체는 7개의 모터로 작동되며 3 개의 독립적인 운동학적 구속 조건이 적용될 수 있다. 즉, m = 10, n = 7, and dim(J) = 10-3 = 7 이 될 수 있다. 도 1b에 도시 된 바와 같이, 처음 3 개의 어깨 조인트(θ1, θ2, θ3)는 각각 제1모터(q1), 제2모터(q2), 제3모터(q3)에 의하여 구동된다. 팔꿈치의 두 조인트는 롤링 조인트 메커니즘에 의해 구속되며 제4모터(q4)에 의해 구동될 수 있다. 두 팔꿈치 조인트 각도의 좌표는 동일한 값을 갖도록 정의할 수 있으므로 표기법의 단순성을 위해 (θ4, θ4)로 표시될 수 있다. 한편, 가장 복잡한 메커니즘 인 손목에는 3 개의 모터로 구동되는 총 5 개의 조인트 축이 형성되며, 결국, 조인트 각도의 벡터는 다음 식으로 표현될 수 있다.

이 경우에, 엔드 이펙터 운동의 위치와 방향은 다음과 같이 지수 표현의 곱을 사용하여 표현될 수 있다.

여기서 T ∈ SE(3) 는 고정 프레임에 대한 엔드 이펙터 프레임의 방향과 위치를 나타내고, Si ∈ se (3)은 조인트 i의 스크류 축을 나타내고, M ∈ SE (3)은 원점에서 고정된 프레임으로부터 엔드 이펙터 프레임까지의 좌표 변환을 나타낸다.

Rigid Body Dynamics

와이어가 무한히 스티프(stiff)하다고 가정하면, 시스템은 n차원 완전 작동 시스템(fully-actuated system)으로 간주될 수 있으며, 이 경우 역학은 아래의 식과 같은 형태로 표현될 수 있다.

여기서 M(θ) ∈ R^mxm 는 질량 매트릭스이고, C(θ;θ˙) ∈ R^mxm 은 코리올리 매트릭스, g(θ) ∈ R^m 은 중력에 해당하고, τ_fric ∈ Rⁿ 은 조인트 마찰 토크이고, τq ∈ Rn 은 모터 토크 입력이며, Js(·)∈ R^mxn 은 모터 각도와 조인트 각도 사이의 매핑 fs: Rⁿ → R^m 의 자코비안(Jacobian)에 해당한다. 따라서, 하기 식과 같이 표현될 수 있다.

이 경우에, 상기의 식들을 조합하면, 모터 상태에 대해서만 하기의 동적 방적식이 산출된다.

모터 토크에 대한 동적 방정식은 다음과 같이 모델 파라미터와 관련하여 선형으로 분해될 수 있다.

여기서 Y(·, ·, ·, ·) ∈ R^10x100 은 관성 역학 항에 대한 회귀 행렬이고, Φ ∈ R100 은 각 바디에 대한 관성 파라미터, φi ∈ R10 를 가지고, 나머지 항은 kc, kv ∈ Rⁿ 의 쿨롱 마찰계수와, 점성 마찰계수를 가지는 표준 쿨롱-비스코스 마찰 모델의 선형 파라미터를 나타낸다.

다시 식 (4)를 살펴보면, 조인트 각도(θ)를 산출하기 위하여, 조인트 엔코더가 필요하나, 와이어 구동 방식의 복잡한 기구 구조에서는 조인트 엔코더의 장착이 매우 어렵다. 또한, 조인트 마찰 토크(τ_fric)의 경우에도 본 발명의 로봇에서 마찰계수가 상수가 아니라 자세에 따라서 가변되므로, 이에 따라 변동하게 된다. 따라서, 물리적 페이로드의 파라미터를 보완하는 방법이 필요하게 된다.

이에, 본 발명에서는 하이브리드 모델을 제시하며, 자세 의존적(configuration-dependent) 커플링 마찰 모델과 탄성 와이어 역학을 반영하는 조인트 각도 추정 반복 신경망을 상기에서 설명한 강성 멀티 바디 역학 방정식에 적용한다. 이를 통하여 보다 역학(다이나믹스 모델)에 가까운 모델링을 수행하고, 그로 인해 제어 성능이 향상될 수 있다.

이하, 이러한 하이브리드 모델에 대하여 도면을 참조하여 보다 상세히 설명한다.

도 2는 본 발명에 따른 와이어 구동 방식 로봇의 메커니즘을 모델링하는 모델링 시스템을 설명하기 위한 개념도이고, 도 3은 본 발명의 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법을 대표적으로 나타내는 흐름도이다.

먼저, 도 2에 도시된 바와 같이, 본 발명에 따른 모델링 시스템(200)은, 제어부(210) 및 센싱부(220)를 포함할 수 있다.

상기 제어부(210)는 모터의 정보를 이용하여, 상기 로봇의 제어기를 도출하도록 이루어진다. 상기 제어부(210)는, 상기 센싱부(220)에서 센싱된 정보에 기반하여, 와이어 구동 방식 로봇의 메커니즘에 대한 모델링을 수행한다.

상기 센싱부(220)는 상기 로봇에 구비되는 모터의 정보를 센싱하도록 이루어진다. 이를 위하여, 상기 센싱부(220)는 적어도 하나의 센서를 포함할 수 있다. 이러한 예로서, 상기 센싱부(220)는 모터에 인가되는 전류를 센싱하는 전류센서(current sensor), 모터의 각도를 센싱하는 엔코더(encoder) 등을 구비할 수 있다. 이에 더하여, 상기 센싱부(220)는 가속도 및 각속도를 센싱하는 IMU 센서, 모터에 인가되는 토크를 센싱하는 토크센서(torque sensor) 등을 구비할 수 있다.

한편, 상기 제어부(210)는 상기 모터의 정보를 순환 신경망(Recurrent Neural Network, RNN)의 입력값으로 입력하고, 상기 RNN의 출력값으로 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 추정하며, 상기 추정된 조인트 각도를 동역학 모델에 적용하여, 상기 추정된 조인트 각도에 대응되는 상기 모터의 토크를 산출할 수 있다. 이 경우에, 상기 산출된 모터의 토크를 이용하여 상기 로봇의 제어기가 도출된다. 나아가, 상기 제어부(210)는 자세에 따라서 달라지는 마찰을 정부호 공간에서 매개화 하여 최적화를 통해 마찰 계수를 산출할 수 있다. 이러한 프로세스를 통하여, 상기 제어부는 와이어 구동 방식 로봇의 모델링을 수행할 수 있다. 이하에서는 이러한 와이어 구동 방식 로봇의 모델링 방법에 대하여 보다 상세히 설명한다.

도 3의 도시에 의하면, 와이어 구동 방식 로봇의 모델링은, 먼저 동역학 모델링을 수행한다(S110). 와이어 구동 방식에서 동역학 모델링을 수행하는 방법은 도 1a 및 도 1b를 참조하여 전술한 내용으로 갈음한다.

이후에, 로봇의 자세에 따라 가변되는 마찰계수를 이용하여 마찰 함수를 모델링하는 제1단계(S120)가 진행된다. 즉, 커플링 마찰 모델을 도입하여, 로봇의 자세에 따라 가변되는 마찰계수를 반영하여 마찰 함수를 모델링한다. 이러한, 마찰 모델은 자세 의존적 커플링 마찰 모델(configuration-dependent coupling friction model, CDCF)이라 지칭될 수 있다.

다음으로, 상기 로봇에 구비되는 모터의 정보를 센싱하고, 신경망(Recurrent Neural Network, RNN)을 이용하여, 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 학습하는 제2단계(S130)가 진행된다. 여기서 상기 신경망은 순환 신경망(Recurrent Neural Network, RNN)이 될 수 있다.

즉, 제2단계는 RNN을 이용한 학습 데이터를 이용하여, 모터 상태로부터 링크 조인트 각도를 추정하는 방법으로 동역학 모델링을 보완하는 것으로서, 데이터를 기반으로 하는 모델링 방법이 될 수 있다.

이와 같이, 본 발명에서는 상기 모터의 정보는 센서에 의하여 센싱되며, 상기 조인트 각도는 상기 RNN에 의하여 추정되며, 마찰력은 최적화를 통하여 산출한 마찰계수를 이용하여 도출될 수 있다. 보다 구체적으로, 상기 모터의 정보, 예를 들어 모터의 각도, 가속도 및 각속도, 모터에 인가되는 토크 또는 전류, 위치 등은 센서를 통하여 센싱될 수 있다.

따라서, 상기 센서에는 도 2를 참조하여 전술한 바와 같이, 모터에 인가되는 전류를 센싱하는 전류센서(current sensor), 모터의 각도를 센싱하는 엔코더(encoder) 등을 구비할 수 있다. 이에 더하여, 상기 센서는 가속도 및 각속도를 센싱하는 IMU 센서, 모터에 인가되는 토크를 센싱하는 토크센서(torque sensor) 등을 구비할 수 있다.

상기 조인트 각도는 전술한 바와 같이, 엔코더에 의하여 측정되는 것이 아니라 상기 모터의 정보를 이용하여 예측되며, 이를 위하여 RNN 이 구비될 수 있다.

또한, 조인트의 마찰 토크, 마찰력은 마찰력 모델링을 통하여 로봇 자세의 변화에 따라 실제 마찰력이 변하는 것을 반영하게 된다.

이와 같이, 본 발명에서는 상기 로봇의 동역학 모델에서 와이어의 비선형성은 상기 RNN 학습을 통한 데이터 기반으로 모델링되고, 상기 로봇의 자세에 따른 마찰은 상기 마찰 함수에 의하여 모델링된다. 이렇게, 하이브리드 모델링 방법에 의하여 동역학 모델링을 보완된다.

이후에, 상기 마찰계수와 상기 조인트 각도를 이용하여 상기 로봇의 동역학 모델을 해석하여 상기 로봇의 제어기를 도출하는 제3단계(S140)가 진행된다. 즉, 로봇의 제어기가 도출되며, 상기 제어기를 통하여 로봇이 자율적으로 제어될 수 있다. 이 경우, 로봇의 제어기로서, 모델 기반 궤적 추적 컨트롤러가 설계될 수 있다.

상기에서, 설명한 데이터 처리를 통하여, 보다 정확하면서도 와이어 구동 방식의 복잡한 문제를 해결할 수 있는 새로운 모델링 방법이 구현될 수 있다. 이하에서는, 상기 제1단계와 제2단계의 방법에 대하여 도면을 참조하여 보다 상세히 설명한다.

도 4는 도 3에서 마찰 함수를 모델링하는 방법을 대표적으로 나타내는 흐름도이다.

본 도면을 참조하면, 마찰함수를 모델링하는 방법은, 마찰함수를 정의하고(S121), 최적화를 수행(S123)하는 방법을 이용한다.

Configuration-Dependent Coupling Friction Model

본 발명에서, 쿨롱-비스코스(Coulomb-viscous) 마찰 모델을 기반으로 하며, 각 쿨롱 및 점성 마찰계수는 구성의 함수로 간주된다. 종래의 마찰 모델은 일반적으로 마찰이 식(7)에서 각 조인트에 대해 독립적인 것으로 가정한다. 이에 반해, 본 발명의 마찰 함수는 조인트 마찰 항목들이 하기 식과 같이 커플링되어 있다고 가정한다.

여기서 q는 조인트 각도 벡터이고, Kc 및 Kv는 각각 자세 의존적 쿨롱 및 점성 마찰계수 매트릭스(configuration-dependent Coulomb and viscous friction coefficient matrices)이다. 이러한, 마찰 모델은 CDCF 모델이 될 수 있다.

여기서, Kc 및 Kv 는 각각, 로봇의 자세나 위치에 따라 달라지는 값이 될 수 있다. 즉, 상기 마찰계수는 상기 로봇의 자세에 종속되는 쿨롱 마찰계수와 점성 마찰계수의 매트릭스로 설정될 수 있다.

마찰은 운동의 반대 방향으로 작용하기 때문에 q (-τ_fric(q))는 항상 음수가 된다. 이러한 조건을 만족시키기 위해, Kc는 양의 대각 행렬이고, Kv는 n x n의 대칭인 양의 유한 행렬의 공간(P (n))의 요소로 볼 수 있다.

이와 같이, 본 발명에서는 자세의 함수로서 마찰계수를 대칭인 양의 정부호(SPD, symmetric positive definite) 매트릭스로 표현한다. 즉, 매트릭스는 정부호 내의 공간에서 모델링될 수 있다(S122).

이 때에, 마찰 계수 매트릭스 K (·) : Rn → P(n)는 다양한 방법으로 표현이 가능하다. 예를 들어 유한한 수의 Ci ＼in P(n)을 제어점으로 갖는 B-스플라인 방법이 이용될 수 있다. 상기 B-스플라인은 가중치 값이 0보다 크거나 갖다는 성질이 존재하기 때문에 추가적인 조건 없이 마찰 계수 매트릭스를 매개화 할 수 있다.

보다 구체적으로, 정부호 공간내에 존재하는 유한개의 매개변수를 제어점 Ci 라 했을 때 마찰 계수 매트릭스를 아래와 같이 표현할 수 있다.

정부호 공간내의 거리 함수는 다양한 방법으로 정의될 수 있다. 실시간 모델 기반 제어를 위하여 간단한 거리 함수인 유클리디안 메트릭을 적용하면 아래와 같이 간단하게 표현이 가능하다.

가중치 함수 wi는 0보다 크거나 같은 값을 가지며, 상기 가중치 함수를 위하여 B-스플라인의 기저함수가 사용될 수 있다.

가중치 함수의 세트로서 n-차원 B-스플라인 표면에 대한 기저 함수를 사용하여 마찰계수 함수는 다음과 같이 표현될 수 있다.

u_i,1 및 u_i,m1+p1이 모터 각도 qi의 최소값 및 최대 값이라고 가정하면, K(q)는 항상 모든 구간(모든 자세)에서 양수가 될 수 있다. 양의 행렬 Kc(q)의 경우, 제어점 C_{1,…,1:m1,…}이 대각 행렬이 되어야 한다.

이 경우에, 상기 제어점을 찾는 것이 마찰을 모델링하는 과정이 되며, 이러한 제어점은 하기의 수학적 방법에 의하여 해석될 수 있다.

이러한 예로서, 로봇의 동역학 방정식은 상기 마찰 모델에 의하여 하기와 같이 표현된다.

이 때에, 동역학 모델은 다음과 같은 컨벡스 최적화 문제로서 재구성될 수 있다.

상기에서 설명한 방법으로, CDCF 모델이 설정될 수 있다. 다만, 본 발명은 반드시 이에 한정되는 것은 아니며, CDCF 모델은 로봇의 자세에 따라 마찰이 가변되는 형태의 모델이면 다른 모델도 적용가능하다. 또한, 상기 로봇의 자세는 상기 모터의 각도 및 속도 중 적어도 하나를 포함할 수 있다.

이 경우에 CDCF 모델이 효과적으로 정규화되고 과최적화를 방지하기 위해, 자세에 따라 달라지는 영향을 다루는 제어점에 대한 2차 페널티 항을 부과한다.

이상에서는 마찰 모델링에 대하여 설명하였으며, 본 발명에서는 마찰 모델링과 함께 조인트 각도를 예측하는 데이터 방식의 모델링이 진행될 수 있다. 도 5는 도 3에서 로봇의 조인트 각도를 학습하는 방법을 대표적으로 나타내는 흐름도이고, 도 6은 본 발명의 조인트 각도를 예측하는 네크워크 구조를 나타내는 개념도이다.

본 도면을 참조하면, 본 발명에서는 모터의 정보를 센싱(S131)하고, 센싱된 정보를 입력값으로 입력(S132)하고, RNN으로 학습하여 조인트 각도를 추정(S133)하는 단계가 진행될 수 있다.

이하, 이러한 단계가 진행되기 위한 조인트 각도의 관찰 모델에 대하여 설명한다.

Joint Angle Observer Model

만약, 모터와 출력 조인트가 견고하게 연결된 것으로 가정하면, 출력 조인트 각도는 모터 각도에서 결정될 수 있다. 하지만, 와이어의 탄성이 고려되면, 이러한 정적인 관계는 성립하지 않게 된다. 대신에, 모터 및 조인트 상태의 모두에 관한 시스템의 (n + m) 차원의 동역학은 다음과 같은 형태로 표현될 수 있다.

여기서, 와이어의 탄성 전위 에너지는 E = ψ(θ - fs (q)) ≥ 0 with ψ(0)=0 이 된다. 여기서, 포텐셜 에너지는 와이어가 늘어나지 않을 때 최소가 된다.

본 발명의 와이어 구동 방식의 로봇에도 상기와 같은 형태의 역학을 겪게 된다. 하지만, 조인트 엔코더가 없는 경우에 순수한 역학 기반 방법을 사용하여 모델링하는 것이 어렵게 된다. 즉, 상기 식에서 와이어의 힘에 해당하는 항목의 계산이 어려운 문제가 발생한다.

따라서, 본 실시예에서는 모터 각도, 속도 및 토크의 실시간 측정에서 비선형 조인트 각도 관찰자 역할을 하는 재발 신경망을 구비한다. 이러한 네크워크는 JAN (Joint Angle Observer)이라 지칭될 수 있다.

이러한 예로서, 도 6을 참조하면, 본 발명에서는 모터 데이터 q(t)에서 조인트 각도 θ(t)를 추정하기 위해 순환 신경망(RNN, Recurrent Neural Network, 140)을 적용한다. 상기 RNN(140)은 게이트 형 반복 단위(GRU, 141)와 완전히 연결된 MLP (Multi-Layer Perceptron)를 가질 수 있다.

도시에 의하면, GRU(141)는 LSTM과 같은 다른 유형의 재귀 신경망으로 대체될 수 있다. 본 실시예에서는 GRU 네트워크 구조를 채택하여 모터 데이터에서 조인트 각도를 추정한다.

즉, 모터의 정보를 RNN의 입력값으로 입력하고, 상기 RNN의 출력값으로 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 추정한다.

여기서, 상기 RNN의 입력값은 상기 모터의 위치, 속도 및 토크 중 적어도 하나를 포함할 수 있다. 또한, 상기 RNN의 출력값은 상기 로봇의 조인트 각도와 상기 와이어를 강체로 가정한 예측 조인트 각도의 차이가 산출된다.

보다 구체적으로, 도 6을 참조하면, 상기 RNN(140)은 게이트된 반복 유닛과 멀티 레이어 퍼셉트론을 구비할 수 있다. 이 경우에, n 개의 조인트 각도 각각은 개별적인 반복 신경망에 의해 모델링된다. 즉, 복수의 조인트 각도가 복수의 개별 순환 신경망에 의하여 모델링된다.

도시된 레이어들(142)은 출력 레이어(Output layer)를 제외하고 숨겨진 레이어로서 구비될 수 있다. 즉, GRU의 숨겨진 상태는 MLP에 대한 입력으로 사용되며, 이는 추정된 정적 모터 각도의 에러 벡터 e(t) 를 출력한다. 이 경우에, e (t)는 하기와 같이 표현될 수 있다.

원하는 조인트 각도 추정값은 하기와 같이 주어지며, 이를 통하여 간단하게 계산될 수 있다.

MLP는 활성화 기능을 갖는 각 층과 완전히 연결된다. 상기 MLP에 사용되는 활성화 함수는 ReLu, tanh 등 다양한 함수가 사용될 수 있다.

또한, 상기 MLP의 층수는 로봇의 자유도 등에 의해 달라질 수 있다. 계층의 수가 증가함에 따라 계산 시간은 일반적으로 증가한다. 일반화를 향상시키기 위해 초기 종료 방식이 이용된다. 손실 함수에는 제곱 오차의 합 등 여러 함수가 사용될 수 있다.

상기 추정된 조인트 각도를 동역학 모델에 적용하여, 상기 추정된 조인트 각도에 대응되는 상기 모터의 토크를 산출된다. 또한, 상기 산출된 모터의 토크를 이용하여 상기 로봇의 제어기가 도출된다. 이 경우에, 상기 로봇의 자세에 따라 가변되는 마찰계수를 이용하여 마찰 함수를 정의하며, CDCF 모델이 상기 JAN 모델과 함께 반영될 수 있다.

상기에서 설명된 바와 같이, 본 발명은 동역학 기반 모델을 통하여, 예측과 분석을 가능하게 하며 상대적으로 작은 파라미터를 이용하여 와이어 구동 방식의 거동을 표현한다. 이 때에, 비선형성 구동의 표현에 장점이 있는 데이터 기반 모델을 활용하여, 와이어의 비선형성의 문제를 해결한다. 또한, 본 발명은 마찰계수를 자세의 함수로 정의함에 따라, 복잡한 기계적 구조로 인하여 로봇의 자세에 따라 마찰력이 달라지는 것을 표현할 수 있게 된다.

이하에서는, 본 발명의 하이브리드 모델을 이용한 와이어 메커니즘 모델링의 유용함에 대하여 도 7a 내지 도 7c를 참조하여 설명한다.

도 7a, 도 7b 및 도 7c는 2개의 모터에 의한 2 자유도 메커니즘의 예시를 나타나는 개념도들이다.

도 7a는 도 1a의 매니퓰레이터에서 손목 부분을 나타내는 확대도이며, 두개의 모터에 의하여 2자유도의 평행한 메커니즘을 보여준다. 도 7b는 도 7a의 손목 부분이 틸팅되는 동작을 나타내며, 도 7c는 4개의 조인트에 대한 open-chain mechanism 의 가정을 나타낸다.

로터 관성을 무시하면, JAN 모델에서 설명한 동역학 식은 하기와 같이 표현될 수 있다.

이 경우에, 조인트에는 토크 센서나 엔코더가 없기 때문에 조인트 값인 τ_θ 과 θ 는 직접 측정할 수 없다.

따라서, 모션 캡처 마커를 엔드 이펙터에 부착하여 조인트 각도 네트워크(JAN)를 훈련시키기 위한 조인트 레벨 운동학 데이터를 수집한다.

동적 모델을 식별하기 전에 JAN 모델에서 전술한 바와 같이 조인트 각도를 추정하도록 JAN 모델을 학습시킨다. 이 경우에, 모터 각도, 속도 및 전류는 모터 드라이버에서 수집이 가능하다. 모터 토크의 경우는 전류로부터 계산이 가능하다. 반면에, 출력 조인트 각도는 모션 캡처 시스템에서 수집한 엔드 이펙터 위치 및 자세가 주어지면 역 기구학을 해결하여 간접적으로 얻을 수 있다.

도 8은 본 발명의 네크워크 구조로 예측한 실제 모터 각도 데이터에 대한 가상 모터 각도를 나타내는 그래프이며, 도 8의 왼쪽 그래프는 일방향(한쪽 방향)으로 움직이는 경우이고, 오른쪽 그래프는 움직이는 방향을 전환하면서 움직이는 경우를 나타낸다. 'Inv. Kin.'은 모션 캡처 데이터를 이용하여 계산된 가상의 모터 각도이고, JAN은 JAN 모델에 의하여 산출된 모터 각도를 나타낸다. 도 9는 JAN 모델의 정확도를 산출한 것으로서, 에러 e는 모터 각도와 가상 모터 각도 사이의 차이를 나타낸다. 도 9로부터 학습된 JAN 모델이 테스트 세트에서 효과적으로 일반화됨을 알 수 있다.

표 1을 참조하면, 모터 각도와 조인트 각도 사이의 정적 매핑을 사용하는 것과 비교하여 모터 1과 2의 예측 오차는 각각 49.14 %와 56.82 % 감소한다.

[표 1]

또한, 도 7a 내지 도 7c에서 예시한 2자유도 손목 메커니즘에서 CDCF 모델을 이용하여 효과적으로 마찰이 모델링됨이 테스트될 수 있다.

표 2를 참조하면, JAN 모델과 CDCF 모델의 조합이 테스트 데이터 세트에서 최상의 모터 토크 예측 정확도를 제공함을 알 수 있다. RMS 예측 토크 오차는 기존 방법과 비교하여 13.05 % 감소하였다. 또한, 표 2에서 알 수 있듯이 마찰 모델링은 와이어 효과의 모델링보다 전체 정확도에 더 많은 영향을 미친다. 따라서, 본 발명의 와이어 구동 방식의 로봇 모델링에서 CDCF 모델만이 단독으로 보완되는 것도 가능하다. 다만, 이는 JAN 모델이 단독으로 보완되는 것을 배제하는 의미는 아니며, JAN 모델만이 단독으로 사용되는 것도 가능하다.

[표 2]

이상에서, 설명한 바와 같이 JAN 모델과 CDCF 모델의 조합은 매우 효과적이며, 이는 도 3의 로봇 제어기를 도출하는 단계(S140)에서 활용된다.

이러한 예로서, 모델 기반 궤적 추적 제어 작업으로 본 발명의 JAN 모델과 CDCF 모델의 조합이 검증될 수 있다. 이러한 예로서, 수동성 기반 추적 제어법(passivity-based tracking control law)에 기반한 제어법이 설계되었으며, 실험에 사용된 원하는 궤적의 경우, RMS 추적 오류는 CDCF 모델이 표준 쿨롱-비스쿠스 마찰 모델을 사용하는 것에 비해 29.22 % 로 감소하였다.

한편, 상기에서 설명한 JAN 모델과 CDCF 모델은 다른 형태의 매니퓰레이터에도 적용이 가능하다. 이러한 예로서, 7자유도의 매니튤레이터로 확장이 가능하다. 다만, 이 경우에 조인트와 모터간의 결합 특성에 따라서, 일부는. 표준 조인트 방식 쿨롱-비스쿠스 모델이 마찰 모델링이 적용되고, 일부는 CDCF 모델이 적용되는 것도 가능하다.

상기에서는 복잡한 와이어 구동 방식의 로봇을 위한 하이브리드 동적 모델링 프레임 워크에 대하여 설명하였다. 이러한 하이브리드 동적 모델링에 의하여, 와이어의 비선형성과 로봇의 자세에 따른 마찰의 변화를 반영할 수 있으며, 이를 통하여 보다 정확한 와이어 구동 방식의 모델링이 가능하게 된다.

상기와 같이 설명된 와이어 구동 방식 로봇의 모델링 및 제어 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims (16)

1. 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법에 있어서,
   로봇에 구비되는 모터의 정보를 센싱하는 단계;
   상기 모터의 정보를 순환 신경망(Recurrent Neural Network, RNN)의 입력값으로 입력하고, 상기 RNN의 출력값으로 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 추정하는 단계;
   상기 추정된 조인트 각도를 동역학 모델에 적용하여, 상기 추정된 조인트 각도에 대응되는 상기 모터의 토크를 산출하는 단계; 및
   상기 산출된 모터의 토크를 이용하여 상기 로봇의 제어기를 도출하는 단계를 포함하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
2. 제1항에 있어서,　
   상기 RNN의 입력값은 상기 모터의 위치, 속도 및 토크 중 적어도 하나를 포함하는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
3. 제2항에 있어서,　　
   상기 RNN의 출력값은 상기 로봇의 조인트 각도와 상기 와이어를 강체로 가정한 예측 조인트 각도의 차이가 산출되는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
4. 제1항에 있어서,　
   상기 RNN은 게이트된 반복 유닛과 멀티 레이어 퍼셉트론을 구비하는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
5. 제4항에 있어서,　
   상기 조인트 각도를 추정하는 단계에서는 복수의 조인트 각도가 복수의 개별 순환 신경망에 의하여 모델링되는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
6. 제1항에 있어서,
   상기 모터의 토크를 산출하는 단계에서 상기 로봇의 자세에 따라 가변되는 마찰계수를 이용하여 마찰 함수를 정의하는 것을 특징으로 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
7. 제6항에 있어서,
   상기 로봇의 자세는 상기 모터의 각도 및 속도 중 적어도 하나를 포함하는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
8. 제6항에 있어서,
   상기 마찰계수는 상기 로봇의 자세에 종속되는 쿨롱 마찰계수와 점성 마찰계수의 매트릭스로 설정되는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
9. 제8항에 있어서,
   상기 매트릭스는 정부호내의 공간에서 모델링되는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
10. 제1항에 있어서,
    상기 모터의 정보는 센서에 의하여 센싱되며, 상기 조인트 각도는 상기 RNN에 의하여 추정되며, 마찰력은 최적화를 통하여 산출한 마찰계수를 이용하여 도출되는 것을 특징으로 하는 와이어 구동 방식 로봇의 메커니즘을 모델링하는 방법.
11. 와이어 구동 방식 로봇의 제어 방법에 있어서,
    로봇의 자세에 따라 가변되는 마찰계수를 이용하여 마찰 함수를 모델링하는 제1단계;
    상기 로봇에 구비되는 모터의 정보를 센싱하고, 신경망(Recurrent Neural Network, RNN)을 이용하여, 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 학습하는 제2단계; 및
    상기 마찰계수와 상기 조인트 각도를 이용하여 상기 로봇의 동역학 모델을 해석하여 상기 로봇의 제어기를 도출하는 제3단계를 포함하는 와이어 구동 방식 로봇의 제어 방법.
12. 제11항에 있어서,
    상기 로봇의 동역학 모델에서 와이어의 비선형성은 상기 RNN 학습을 통한 데이터 기반으로 모델링되고, 상기 로봇의 자세에 따른 마찰은 상기 마찰 함수에 의하여 모델링되는 것을 특징으로 하는 와이어 구동 방식 로봇의 제어 방법.
13. 제12항에 있어서,
    상기 RNN의 입력값은 상기 모터의 위치, 속도 및 토크 중 적어도 하나를 구비하고,
    상기 RNN의 출력값은 상기 로봇의 조인트 각도와 상기 와이어를 강체로 가정한 예측 조인트 각도의 차이가 산출되는 것을 특징으로 하는 와이어 구동 방식 로봇의 제어 방법.
14. 제12항에 있어서,
    상기 로봇의 자세는 상기 모터의 각도 및 속도 중 적어도 하나를 포함하는 것을 특징으로 하는 와이어 구동 방식 로봇의 제어 방법.
15. 제12항에 있어서,
    상기 마찰계수는 정부호 대칭 행렬 공간 상에서 상기 로봇의 자세의 함수로 정의되며,
    상기 매트릭스는 정부호내의 공간에서 모델링되는 것을 특징으로 하는 와이어 구동 방식 로봇의 제어 방법.
16. 와이어 구동 방식 로봇의 메커니즘을 모델링하는 모델링 시스템에 있어서,
    로봇에 구비되는 모터의 정보를 센싱하는 센싱부;
    상기 모터의 정보를 이용하여, 상기 로봇의 제어기를 도출하는 제어부를 포함하고,
    상기 제어부는,
    상기 모터의 정보를 순환 신경망(Recurrent Neural Network, RNN)의 입력값으로 입력하고, 상기 RNN의 출력값으로 상기 모터의 정보에 대응되는 상기 로봇의 조인트 각도를 추정하며,
    상기 추정된 조인트 각도를 동역학 모델에 적용하여, 상기 추정된 조인트 각도에 대응되는 상기 모터의 토크를 산출하고,
    상기 산출된 모터의 토크를 이용하여 상기 로봇의 제어기를 도출하는 것을 특징으로 하는 모델링 시스템.

Images