7.133 로봇 캘리브레이션과 파라미터 추정 응용

1. 로봇 캘리브레이션의 개요

로봇 캘리브레이션(robot calibration)은 로봇의 기구학적, 동역학적 모델의 파라미터를 실측 데이터로부터 정밀하게 추정하여, 모델과 실제 로봇 사이의 불일치를 최소화하는 과정이다. 제조 공차, 조립 오차, 마모, 열변형 등에 의해 명목 파라미터와 실제 파라미터 사이에 편차가 존재하며, 이를 보정하지 않으면 위치 정확도가 저하된다.

2. 기구학적 캘리브레이션

2.1 문제의 정식화

기구학적 캘리브레이션은 로봇의 DH 파라미터 오차를 추정하여 순방향 기구학 모델의 정확도를 향상시킨다. 명목 DH 파라미터 $\boldsymbol{\theta}_0$ 에 오차 $\delta\boldsymbol{\theta}$ 를 가산한 실제 파라미터 $\boldsymbol{\theta} = \boldsymbol{\theta}_0 + \delta\boldsymbol{\theta}$ 에 대해, 말단 장치의 실측 위치/자세 $\mathbf{T}_i^{meas}$ 와 모델 예측 $\mathbf{T}_i^{model}(\boldsymbol{\theta})$ 의 차이를 최소화한다.

$\min_{\delta\boldsymbol{\theta}} \quad \sum_{i=1}^{N} \lVert \mathbf{e}_i(\delta\boldsymbol{\theta}) \rVert^2$

여기서 $\mathbf{e}_i$ 는 $i$ 번째 측정 자세에서의 위치/자세 오차이다.

2.2 식별 가능성(Identifiability)

모든 기구학적 파라미터가 독립적으로 추정 가능한 것은 아니다. 일부 파라미터는 다른 파라미터와 결합되어 효과가 구별 불가능하며, 이를 식별 불가능(non-identifiable) 파라미터라 한다. 야코비안의 특이값 분해를 통해 식별 가능한 파라미터의 최소 집합을 결정한다. 6자유도 직렬 매니퓰레이터에서 통상 24개의 DH 파라미터 중 약 20~22개가 독립적으로 식별 가능하다.

2.3 측정 자세의 최적 선택

캘리브레이션의 정밀도는 측정 자세(calibration pose)의 선택에 크게 의존한다. 야코비안의 조건수를 최소화하거나 정보 행렬의 행렬식을 최대화하는 자세의 집합을 최적화하는 실험 설계(optimal experiment design) 기법이 사용된다.

$\max_{\{\mathbf{q}_1, \ldots, \mathbf{q}_N\}} \quad \det\left(\sum_{i=1}^{N} \mathbf{J}_i^T\mathbf{J}_i\right)$

3. 동역학적 캘리브레이션

3.1 동역학 파라미터 추정

로봇의 동역학 모델 $\boldsymbol{\tau} = \mathbf{Y}(\mathbf{q}, \dot{\mathbf{q}}, \ddot{\mathbf{q}})\boldsymbol{\pi}$ 에서 동역학 파라미터 벡터 $\boldsymbol{\pi}$ (질량, 질량 중심, 관성 텐서, 마찰 계수)를 추정한다. 여기서 $\mathbf{Y}$ 는 회귀 행렬(regressor matrix)이다.

동역학 모델이 파라미터에 대해 선형이므로, 다수의 관절 자세/속도/가속도 데이터를 수집하면 과결정 선형 시스템을 구성할 수 있다.

$\begin{bmatrix} \boldsymbol{\tau}_1 \\ \vdots \\ \boldsymbol{\tau}_N \end{bmatrix} = \begin{bmatrix} \mathbf{Y}_1 \\ \vdots \\ \mathbf{Y}_N \end{bmatrix} \boldsymbol{\pi} + \boldsymbol{\epsilon}$

가중 최소 제곱법으로 $\boldsymbol{\pi}$ 를 추정한다.

3.2 여기 궤적(Excitation Trajectory)

동역학 파라미터의 정밀한 추정을 위해, 회귀 행렬의 조건수를 최소화하는 여기 궤적을 최적 설계한다. 푸리에 급수 기반의 주기적 궤적이 널리 사용되며, 계수를 최적화하여 정보 행렬의 조건수를 개선한다.

4. 핸드-아이 캘리브레이션

로봇 말단 장치에 장착된 카메라(eye-in-hand) 또는 외부에 고정된 카메라(eye-to-hand)와 로봇 사이의 상대 자세를 추정하는 문제이다.

$\mathbf{A}_i\mathbf{X} = \mathbf{X}\mathbf{B}_i, \quad i = 1, \ldots, N$

여기서 $\mathbf{A}_i$ 는 로봇 말단의 상대 운동, $\mathbf{B}_i$ 는 카메라의 상대 운동, $\mathbf{X}$ 는 추정할 핸드-아이 변환이다. 이 문제는 회전 부분과 병진 부분을 분리하여 풀거나, 전체를 비선형 최소 제곱으로 동시 최적화한다.

5. 센서 캘리브레이션

5.1 카메라 캘리브레이션

카메라의 내부 파라미터(초점 거리, 주점, 왜곡 계수)를 캘리브레이션 패턴(체커보드 등)의 영상으로부터 추정한다. 장(Zhang, 2000)의 방법이 표준으로 사용되며, 비선형 최소 제곱(LM 알고리즘)으로 재투영 오차를 최소화한다.

5.2 IMU 캘리브레이션

관성 측정 장치(IMU)의 바이어스, 스케일 팩터, 비직교성(misalignment)을 추정한다. 중력 벡터와 회전 속도의 기지 기준값을 이용하여 비선형 최소 제곱 문제로 정식화한다.

5.3 LiDAR-카메라 외부 캘리브레이션

LiDAR와 카메라 사이의 상대 자세를 추정하여 점군(point cloud)과 영상의 정합(registration)을 수행한다. 대응점의 재투영 오차를 최소화하는 비선형 최소 제곱 문제이다.

6. 최적화 알고리즘의 선택

로봇 캘리브레이션의 비선형 최소 제곱 문제에서 레벤버그-마쿼트 알고리즘이 표준 해법이다. 문제의 규모가 소~중규모(파라미터 수 수십~수백)이므로, 야코비안의 밀집 촐레스키 분해가 실용적이다. 파라미터의 물리적 의미를 반영한 스케일링과 구간 제약(양수 조건 등)의 적용이 중요하다.

7. 참고 문헌

Hollerbach, J. M., Khalil, W., & Gautier, M. (2016). “Model Identification.” In Springer Handbook of Robotics (2nd ed.), 113–138. Springer.
Tsai, R. Y., & Lenz, R. K. (1989). “A New Technique for Fully Autonomous and Efficient 3D Robotics Hand/Eye Calibration.” IEEE Transactions on Robotics and Automation, 5(3), 345–358.
Zhang, Z. (2000). “A Flexible New Technique for Camera Calibration.” IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(11), 1330–1334.
Swevers, J., Ganseman, C., Tükel, D. B., De Schutter, J., & Van Brussel, H. (1997). “Optimal Robot Excitation and Identification.” IEEE Transactions on Robotics and Automation, 13(5), 730–740.

version: 1.0