6.44 SVD의 로봇 자코비안 분석 응용

1. 도입

로봇 매니퓰레이터의 자코비안 행렬은 관절 공간과 작업 공간 사이의 미분 관계를 표현하는 중심적인 수학적 객체이다. 자코비안의 구조와 성질은 로봇의 운동 능력, 힘 전달 특성, 특이 형상의 발생, 그리고 제어의 안정성에 직접적인 영향을 미친다. 특이값 분해는 자코비안의 모든 핵심적인 성질을 동시에 드러내는 가장 강력한 도구이며, 운동학 분석, 동역학 평가, 그리고 제어 설계의 다양한 측면에서 광범위하게 활용된다.

2. 자코비안 행렬의 정의와 일반적 형태

n 자유도를 가지는 매니퓰레이터의 관절 좌표를 \mathbf{q} \in \mathbb{R}^n, 작업 공간 변수를 \mathbf{x} \in \mathbb{R}^m이라 하자. 정기구학 사상 \mathbf{x} = f(\mathbf{q})의 자코비안 행렬은 다음과 같이 정의된다.

J(\mathbf{q}) = \frac{\partial f}{\partial \mathbf{q}} \in \mathbb{R}^{m \times n}

이 행렬은 미분 운동학의 핵심 관계

\dot{\mathbf{x}} = J(\mathbf{q}) \dot{\mathbf{q}}

를 정의한다. 일반적으로 공간 자코비안의 경우 m = 6이며, 위치와 자세에 대한 6개의 작업 공간 자유도를 표현한다. 자유도의 수 n은 로봇의 관절 수와 일치하며, n = 6인 경우 비여유 매니퓰레이터, n > 6인 경우 여유 매니퓰레이터로 분류된다.

3. 자코비안의 특이값 분해

자코비안 J(\mathbf{q}) \in \mathbb{R}^{m \times n}의 특이값 분해는 다음과 같이 표현된다.

J(\mathbf{q}) = U \Sigma V^\top = \sum_{i=1}^{r} \sigma_i \mathbf{u}_i \mathbf{v}_i^\top

여기서

• \sigma_1 \geq \sigma_2 \geq \cdots \geq \sigma_r > 0는 양의 특이값으로, r = \mathrm{rank}(J)이다.
• \mathbf{u}_1, \mathbf{u}_2, \ldots, \mathbf{u}_r은 작업 공간 \mathbb{R}^m에서의 좌특이벡터이다.
• \mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n은 관절 공간 \mathbb{R}^n에서의 우특이벡터이다.

이 분해는 자코비안이 관절 공간의 우특이벡터 방향을 작업 공간의 좌특이벡터 방향으로 사상하며, 그 사상에서의 신축률이 대응 특이값임을 명확하게 보여 준다.

4. 가조작성 타원체

특이값 분해의 가장 직관적인 응용은 가조작성 타원체(manipulability ellipsoid)의 정의이다. 단위 노름의 관절 속도 \dot{\mathbf{q}}에 의하여 생성될 수 있는 작업 공간 속도들의 집합

\{ \dot{\mathbf{x}} = J\dot{\mathbf{q}} : \|\dot{\mathbf{q}}\| \leq 1 \}

은 가조작성 타원체를 형성한다. 자코비안의 특이값 분해를 이용하면 이 타원체의 구조가 명시적으로 드러난다.

• 주축의 방향: 좌특이벡터 \mathbf{u}_1, \mathbf{u}_2, \ldots, \mathbf{u}_r
• 주축의 길이: 대응하는 특이값 \sigma_1, \sigma_2, \ldots, \sigma_r
• 타원체의 부피: 모든 특이값의 곱에 비례, V \propto \prod_{i=1}^{r} \sigma_i

가장 큰 특이값에 대응하는 방향은 가장 빠르게 움직일 수 있는 작업 공간 방향을, 가장 작은 특이값에 대응하는 방향은 가장 느리게 움직이는 방향을 나타낸다. 가장 작은 특이값이 영에 가까워지면 그 방향으로의 운동이 사실상 불가능해지며, 이는 특이 형상에 접근하고 있음을 의미한다.

5. 가조작성 척도

가조작성 타원체의 형상과 크기를 정량화하는 다양한 척도가 정의되어 왔다.

5.1 요시카와 가조작성 척도

가장 널리 사용되는 가조작성 척도는 요시카와(Yoshikawa)에 의하여 도입된 다음의 양이다.

w_Y(\mathbf{q}) = \sqrt{\det(J J^\top)} = \prod_{i=1}^{r} \sigma_i

이는 가조작성 타원체의 부피에 비례하며, 자코비안이 관절 속도 노름 단위당 작업 공간에서 만들어 낼 수 있는 운동 능력의 총량을 나타낸다. 특이 형상에서 이 값은 정확히 영이 된다.

5.2 조건수

자코비안의 조건수는 운동 능력의 등방성을 측정한다.

\kappa(J) = \frac{\sigma_1}{\sigma_r}

조건수가 1에 가까울수록 가조작성 타원체는 구에 가까우며, 모든 방향으로 균일한 운동 능력을 가진다. 조건수가 클수록 타원체는 길게 늘어진 형상이 되어 일부 방향에서는 운동이 매우 느려진다. 등방 조건(isotropic condition)은 \sigma_1 = \sigma_2 = \cdots = \sigma_r일 때 달성되며, 이는 로봇의 작업 공간 내에서 가장 균형 잡힌 운동 능력을 보장한다.

5.3 최소 특이값

특이 형상으로부터의 거리를 측정하는 가장 직접적인 척도는 가장 작은 특이값 \sigma_r이다. 이 값이 미리 정한 임계값보다 작아지면 로봇이 특이점에 접근하고 있다는 경고로 간주되며, 특이점 회피 제어가 활성화된다.

6. 특이 형상의 분류와 감지

자코비안의 랭크가 만랭크보다 작아지는 자세를 특이 형상이라 한다. 특이값 분해는 특이 형상을 정량적으로 감지하고 그 유형을 분류하는 데 사용된다.

6.1 특이값 추세 분석

매니퓰레이터의 운동 중에 자코비안의 특이값들을 실시간으로 추적함으로써 특이 형상의 접근을 미리 감지할 수 있다. 일반적인 감시 지표는 다음과 같다.

• 가장 작은 특이값 \sigma_r의 값과 그 변화율
• 조건수 \sigma_1/\sigma_r의 추세
• 가조작성 척도의 변화

6.2 특이 운동 방향의 식별

특이 형상에서 영이 되는 특이값에 대응하는 우특이벡터는 그 자세에서 작업 공간 운동을 만들어 내지 못하는 관절 운동의 방향을 나타낸다. 이는 특이점을 회피하거나 특이점을 통과하기 위한 관절 운동 계획에 직접 활용된다.

6.3 차단된 작업 공간 방향

특이 형상에서 영 특이값에 대응하는 좌특이벡터는 그 자세에서 어떤 관절 운동으로도 만들어 낼 수 없는 작업 공간 운동의 방향을 나타낸다. 이는 작업 계획에서 도달 불가능한 방향을 미리 인지하고 회피하는 데 사용된다.

7. 영 공간과 여유 자유도 활용

여유 매니퓰레이터(n > m)의 경우, 자코비안의 영 공간은 n - m 차원 이상의 부분 공간을 형성하며, 이는 작업 공간에 영향을 주지 않는 관절 운동의 자유도를 의미한다. 특이값 분해를 통하여 영 공간의 정규 직교 기저를 명시적으로 추출할 수 있으며, 이는 다음의 응용을 가능하게 한다.

7.1 영 공간 사영 행렬

P_N = I - J^+ J = \sum_{i=r+1}^{n} \mathbf{v}_i \mathbf{v}_i^\top로 정의되는 사영 행렬은 임의의 관절 속도를 자코비안의 영 공간으로 사영한다. 이 사영을 활용하면 주작업과 부차 작업을 위계적으로 결합할 수 있다.

\dot{\mathbf{q}} = J^+ \dot{\mathbf{x}}_d + P_N \dot{\mathbf{q}}_0

여기서 \dot{\mathbf{q}}_0는 부차 목표(예: 관절 한계 회피, 장애물 회피, 가조작성 최대화)에 대응하는 후보 운동이다.

7.2 부차 목표 최적화

영 공간 사영을 통하여 부차 목표 함수의 경사 방향으로 운동하면서 동시에 주작업을 정확히 수행할 수 있다. 일반적인 부차 목표로는 다음이 사용된다.

• 관절 한계 중심으로부터의 거리 최대화
• 가조작성 척도의 최대화
• 장애물로부터의 거리 최대화
• 에너지 소비 최소화

8. 힘 조작성과 운동-힘 이중성

자코비안의 전치 J^\top는 작업 공간의 힘과 토크를 관절 토크로 사상한다.

\boldsymbol{\tau} = J^\top \mathbf{F}

이 관계의 특이값 분해를 통하여 힘 조작성 타원체(force manipulability ellipsoid)를 정의할 수 있다. 흥미로운 점은 운동 조작성 타원체와 힘 조작성 타원체가 정확히 서로 직교적인 관계를 가진다는 것이다. 즉, 운동 조작성 타원체의 주축 방향과 힘 조작성 타원체의 주축 방향은 일치하지만, 주축의 길이는 서로 역수 관계에 있다.

이는 운동과 힘 사이의 본질적인 절충을 의미한다. 빠른 운동이 가능한 방향에서는 큰 힘을 발휘하기 어렵고, 큰 힘을 발휘할 수 있는 방향에서는 운동이 느리다. 이 이중성은 작업 도구의 설계, 작업 자세의 선택, 그리고 임피던스 매칭에서 핵심적으로 고려되어야 한다.

9. 동적 조작성과 가속도 능력

정적인 가조작성 척도는 단위 관절 속도에 대한 작업 공간 속도만을 평가한다. 동적 조작성(dynamic manipulability)은 단위 관절 토크에 대한 작업 공간 가속도를 평가하며, 다음의 행렬을 활용한다.

J(\mathbf{q}) M(\mathbf{q})^{-1} J(\mathbf{q})^\top

여기서 M(\mathbf{q})는 관성 행렬이다. 이 행렬의 특이값 분해는 동적 가조작성 타원체를 정의하며, 가속도 응답의 방향성을 정량화한다. 이는 빠른 동작이 요구되는 로봇 작업에서 자세 선정에 활용된다.

10. 특이값 기반 댐핑 제어

특이점 부근에서 안정한 운동을 보장하기 위한 댐핑 최소 제곱 기법은 자코비안의 특이값 분해와 자연스럽게 결합된다. 댐핑 의사 역행렬은 다음과 같이 표현된다.

J^+_\lambda = \sum_{i=1}^{r} \frac{\sigma_i}{\sigma_i^2 + \lambda^2} \mathbf{v}_i \mathbf{u}_i^\top

특이값이 충분히 크면 \sigma_i / (\sigma_i^2 + \lambda^2) \approx 1/\sigma_i이 되어 통상의 의사 역행렬에 가까워지지만, 특이값이 작으면 댐핑 항이 우세해져 \sigma_i / \lambda^2로 제한된다. 이는 작은 특이값에 의한 폭발적인 관절 속도를 방지한다.

가변 댐핑 기법(variable damping)에서는 가장 작은 특이값의 크기에 따라 \lambda를 동적으로 조정함으로써 정확도와 안정성 사이의 균형을 최적화한다.

11. 자코비안의 시간 변화와 제어 갱신

자코비안은 자세에 따라 변화하므로, 매 제어 주기마다 새로 계산되고 분해되어야 한다. 그러나 인접한 자세 사이에서 자코비안의 변화는 일반적으로 작으므로, 점진적 갱신 기법을 통하여 SVD를 효율적으로 갱신할 수 있다. 점진적 SVD 알고리듬은 실시간 제어 루프에서 계산 부담을 크게 절감한다.

12. 측정 자코비안과 보정

실제 로봇에서는 명목 운동학 모델과 실제 운동학 사이에 차이가 존재한다. 측정된 작업 공간 변위와 명령된 관절 변위의 관계로부터 측정 자코비안을 추정할 수 있으며, 이를 명목 자코비안과 비교함으로써 운동학 매개 변수의 보정이 가능하다. 이 과정에서도 SVD가 핵심적으로 활용된다.

13. 다양한 매니퓰레이터에 대한 응용

13.1 직렬 매니퓰레이터

산업용 6축 매니퓰레이터에서 SVD 기반 자코비안 분석은 작업 공간 내의 특이 영역을 식별하고, 작업 영역의 가용 부분을 결정하며, 효율적인 자세를 선택하는 데 활용된다. 특히 손목 특이점, 팔꿈치 특이점, 어깨 특이점의 식별과 회피가 중요하다.

13.2 병렬 매니퓰레이터

스튜어트 플랫폼과 같은 병렬 매니퓰레이터에서는 직접 자코비안과 역 자코비안이 모두 정의되며, 두 자코비안 모두에서 특이 형상이 발생할 수 있다. SVD는 두 종류의 특이 형상을 통합적으로 분석하는 도구를 제공한다.

13.3 케이블 구동 로봇

케이블 구동 로봇의 자코비안은 케이블의 양의 장력 제약을 가지므로, 통상의 SVD 분석을 일부 변형하여 적용한다. 케이블 장력의 양수성을 보장하면서 작업 공간 운동을 만들어 내는 능력이 SVD를 통하여 평가된다.

13.4 모바일 매니퓰레이터

모바일 베이스와 매니퓰레이터를 결합한 시스템의 통합 자코비안은 매우 큰 차원을 가지며, 가중된 의사 역행렬이 사용된다. SVD는 가중 행렬과 결합되어 모바일 베이스와 매니퓰레이터 사이의 작업 분배를 결정한다.

참고문헌

• Yoshikawa, T. (1985). Manipulability of robotic mechanisms. International Journal of Robotics Research, 4(2), 3-9.
• Nakamura, Y. (1991). Advanced Robotics: Redundancy and Optimization. Addison-Wesley.
• Spong, M. W., Hutchinson, S., & Vidyasagar, M. (2020). Robot Modeling and Control (2nd ed.). Wiley.
• Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2010). Robotics: Modelling, Planning and Control. Springer.
• Lynch, K. M., & Park, F. C. (2017). Modern Robotics: Mechanics, Planning, and Control. Cambridge University Press.
• Murray, R. M., Li, Z., & Sastry, S. S. (1994). A Mathematical Introduction to Robotic Manipulation. CRC Press.

Version: 1.0