6.96 실시간 자코비안 갱신과 적응 제어

자코비안 행렬은 관절 변수의 함수이므로 로봇이 운동하는 동안 지속적으로 변화한다. 실시간 제어에서는 매 제어 주기마다 자코비안을 갱신하여야 하며, 기구학적 매개변수의 불확실성이 존재하는 경우에는 적응적(adaptive) 기법을 통해 자코비안을 보정하여야 한다. 본 절에서는 실시간 자코비안 갱신의 구현 방법과 적응 제어에서의 자코비안 활용을 다룬다.

1. 실시간 자코비안 갱신의 필요성

자코비안 기반 제어기는 현재 형상 \mathbf{q}(t)에서의 자코비안 J(\mathbf{q}(t))를 사용하여 관절 명령을 계산한다. 로봇이 운동하면 형상이 변화하므로, 이전 시각에 계산된 자코비안은 현재 시각에서 부정확해진다. 자코비안 갱신 주기가 제어 주기보다 느리면 추종 성능이 저하되며, 고속 운동에서는 불안정의 원인이 될 수 있다.

2. 주기적 갱신 방식

가장 직접적인 방법은 매 제어 주기 \Delta t마다 현재 관절 위치 \mathbf{q}_k를 측정하고, 이로부터 자코비안을 재계산하는 것이다.

J_k = J(\mathbf{q}_k)

이 방식의 계산 비용은 자코비안의 계산 복잡도에 의존하며, 순방향 재귀 알고리즘을 사용하면 O(n)으로 효율적이다. 일반적인 산업용 로봇의 제어 주기(1~10 ms)에서 6 자유도 매니퓰레이터의 자코비안 갱신은 충분히 실시간 처리 가능하다.

3. 자코비안의 예측적 갱신

고속 운동에서 계산 지연(computational delay)을 보상하기 위해, 현재 시각의 관절 속도를 이용하여 다음 제어 주기의 자코비안을 예측할 수 있다.

J_{k+1} \approx J_k + \dot{J}_k \, \Delta t

여기서 \dot{J}_k는 현재 시각에서의 자코비안 시간 미분이다. 이 1차 예측은 관절 속도가 크고 제어 주기가 긴 경우에 갱신 정확도를 향상시킨다.

4. 기구학적 매개변수 불확실성

실제 로봇에서는 제조 공차, 마모, 열 변형 등으로 인해 기구학적 매개변수(링크 길이, 관절 오프셋 등)가 공칭값(nominal value)과 차이를 보일 수 있다. 이 경우 공칭 자코비안 \hat{J}(\mathbf{q})과 실제 자코비안 J(\mathbf{q}) 사이에 오차가 존재한다.

J(\mathbf{q}) = \hat{J}(\mathbf{q}) + \Delta J(\mathbf{q})

이 자코비안 오차 \Delta J는 궤적 추종 오차의 직접적인 원인이 된다.

5. 적응적 자코비안 추정

기구학적 매개변수를 온라인으로 추정하여 자코비안을 보정하는 적응 제어 기법이 적용될 수 있다.

5.1 매개변수 추정에 기반한 방법

순기구학 함수가 기구학적 매개변수 벡터 \boldsymbol{\phi} \in \mathbb{R}^p에 선형적으로 의존하는 경우, 다음과 같이 회귀(regressor) 형식으로 표현할 수 있다.

\dot{\mathbf{x}} = Y(\mathbf{q}, \dot{\mathbf{q}}) \, \boldsymbol{\phi}

여기서 Y \in \mathbb{R}^{m \times p}는 관절 변수와 관절 속도로 구성된 회귀 행렬이다. 매개변수 추정값 \hat{\boldsymbol{\phi}}를 다음의 적응 법칙으로 갱신한다.

\dot{\hat{\boldsymbol{\phi}}} = \Gamma Y^\top \mathbf{e}

여기서 \Gamma \in \mathbb{R}^{p \times p}는 양정치 적응 이득 행렬, \mathbf{e}는 작업 공간 추종 오차이다. 추정된 매개변수로부터 자코비안을 갱신한다.

\hat{J}(\mathbf{q}, \hat{\boldsymbol{\phi}})

5.2 자코비안의 직접 적응

기구학적 매개변수를 명시적으로 추정하지 않고, 자코비안 자체를 직접 적응적으로 갱신하는 방법도 가능하다. 자코비안의 추정값 \hat{J}를 다음과 같이 갱신한다.

\dot{\hat{J}} = -\eta \, \mathbf{e} \, \dot{\mathbf{q}}^\top

여기서 \eta > 0는 적응 이득이다. 이 방법은 매개변수 모델이 불필요하다는 장점이 있으나, 수렴 조건이 제한적이고 자코비안의 물리적 구조가 보장되지 않는 단점이 있다.

6. 강건 제어와의 결합

자코비안 불확실성이 있는 경우, 적응 제어 외에 강건 제어(robust control) 기법을 적용하여 불확실성의 영향을 억제할 수 있다. 대표적인 방법은 다음과 같다.

6.1 슬라이딩 모드 제어

작업 공간 슬라이딩 면(sliding surface)을 다음과 같이 정의한다.

\mathbf{s} = \dot{\mathbf{e}} + \Lambda \mathbf{e}

여기서 \Lambda는 양정치 이득 행렬이다. 슬라이딩 모드 제어기는 자코비안의 불확실성 범위 내에서 \mathbf{s} \to \mathbf{0}을 강제하며, 이는 궤적 추종 오차의 지수적 수렴을 보장한다.

6.2 H_\infty 강건 제어

자코비안 불확실성을 구조적 불확실성(structured uncertainty)으로 모델링하고, 최악의 경우에 대해 성능을 보장하는 H_\infty 제어기를 설계할 수 있다.

7. 계산 효율성을 위한 전략

실시간 자코비안 갱신의 계산 부하를 줄이기 위한 전략은 다음과 같다.

1. 부분 갱신: 가장 큰 변화를 보이는 관절에 대응하는 열 벡터만 선택적으로 갱신한다.

2. 저주파 갱신: 저속 운동에서는 자코비안 갱신 주기를 제어 주기보다 길게 설정하여 계산 부하를 경감한다.

3. 조회표(look-up table) 활용: 관절 공간을 이산화하여 사전 계산된 자코비안 값을 저장하고, 실시간에서 보간하여 사용한다.

4. 기호적 사전 계산: 자코비안의 해석적 표현을 오프라인에서 유도하고 코드를 자동 생성하여, 실시간에서는 삼각 함수 평가만으로 자코비안을 구성한다.

8. 참고 문헌

• Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2009). Robotics: Modelling, Planning and Control. Springer.
• Spong, M. W., Hutchinson, S., & Vidyasagar, M. (2006). Robot Modeling and Control. John Wiley & Sons.
• Slotine, J.-J. E., & Li, W. (1991). Applied Nonlinear Control. Prentice Hall.
• Craig, J. J. (2005). Introduction to Robotics: Mechanics and Control. 3rd ed. Pearson Prentice Hall.
• Cheah, C. C., Liu, C., & Slotine, J.-J. E. (2006). “Adaptive Jacobian Tracking Control of Robots with Uncertainties in Kinematic, Dynamic and Actuator Models.” IEEE Transactions on Automatic Control, 51(6), 1024–1029.

v 0.1