17.40 매개변수 식별을 위한 실험 설계

1. 개요

동역학 매개변수의 정확한 식별을 위해서는 적절한 실험 데이터가 요구된다. 임의의 운동에서 수집된 데이터만으로는 일부 매개변수가 제대로 여기(excite)되지 않아 추정치가 부정확하거나 비물리적 결과를 낳을 수 있으며, 실험 설계는 이러한 문제를 방지하는 핵심 절차이다. 실험 설계의 목표는 회귀자 $Y(q,\dot{q},\ddot{q})$ 가 모든 매개변수 방향에 대해 충분한 정보를 제공하도록 운동 궤적을 구성하는 것이며, 이를 통해 식별 공분산 타원체가 작아지고 추정의 정밀도가 향상된다. 본 절은 실험 설계의 최적성 기준, 여기 궤적의 매개변수화, 물리적 제약의 처리, 여러 최적화 기법의 특성을 체계적으로 제시한다.

2. 식별 가능성과 피셔 정보 행렬

실험의 품질은 피셔 정보 행렬(Fisher information matrix)로 정량화된다.

$\mathcal{F} = \sum_{k=1}^{N} Y_k^\top W_k Y_k$

여기서 $Y_k$ 는 $k$ 번째 샘플의 회귀자, $W_k$ 는 측정 잡음의 역공분산이다. 식별 가능성은 $\mathcal{F}$ 의 계수와 고유치 구조로 결정되며, 최소 고유치가 작으면 일부 방향의 매개변수가 잡음에 매우 민감하게 추정된다. 식별 공분산은 $\mathcal{F}^{-1}$ 에 비례하므로, $\mathcal{F}$ 를 최대화하는 것이 실험 설계의 목표가 된다.

최적성 기준

실험 설계에서는 $\mathcal{F}$ 의 특성을 최적화하는 여러 기준이 사용된다. 대표적 기준은 다음과 같다.

D-최적: $\det(\mathcal{F})$ 최대화. 식별 공분산 타원체의 부피를 최소화한다.
A-최적: $\mathrm{tr}(\mathcal{F}^{-1})$ 최소화. 매개변수 분산의 합을 최소화한다.
E-최적: $\lambda_{\min}(\mathcal{F})$ 최대화. 최악 방향의 식별 정밀도를 개선한다.
조건수 최적화: $\mathrm{cond}(\mathcal{F})$ 최소화. 수치적 안정성을 높인다.

이들 기준은 목적에 따라 상이한 궤적을 만들어내며, 로봇 식별에서는 조건수 최적화가 자주 선호된다. 특히 잘못 식별된 소수의 매개변수가 전체 모델의 품질을 지배하는 경우, 조건수 기반 접근이 실무적으로 유리하다.

여기 궤적의 매개변수화

실험 궤적은 설계 자유도가 제한된 함수 공간에서 매개변수화되어야 한다. Swevers 등이 제안한 기법은 각 관절의 궤적을 유한 푸리에 급수로 표현하는 방식이다.

$q_i(t) = q_{i,0} + \sum_{k=1}^{N_f}\left[\frac{a_{ik}}{k\omega_f}\sin(k\omega_f t) - \frac{b_{ik}}{k\omega_f}\cos(k\omega_f t)\right]$

여기서 $\omega_f$ 는 기본 주파수, $a_{ik}, b_{ik}$ 는 설계 변수, $N_f$ 는 고조파 개수이다. 이 형식은 주기성이 보장되므로 실험 시작과 종료 시의 운동 상태가 일치하여 경계 조건 처리가 단순하다. 또한 속도와 가속도가 해석적으로 계산되므로 수치 미분이 필요 없다는 장점이 있다. 유사한 접근으로 B-스플라인, 스플라인 합성, 시간 제어점 기반 매개변수화가 사용되기도 한다.

3. 물리적 제약의 통합

실험 설계는 로봇의 물리적 한계를 반드시 고려해야 한다. 대표적 제약은 다음과 같다.

관절 각도 한계: $q_{\min} \le q(t) \le q_{\max}$
관절 속도 한계: $|\dot{q}(t)| \le \dot{q}_{\max}$
관절 토크 한계: $|\tau(t)| \le \tau_{\max}$
작업 공간 한계와 장애물 회피
여유 전력 제약

이러한 제약 하에서 최적화를 수행하기 위해 일반적으로 제약 조건이 있는 비선형 프로그래밍(constrained NLP) 문제로 공식화한다. 목적 함수는 조건수나 $-\lambda_{\min}(\mathcal{F})$ 이며, 설계 변수는 푸리에 계수나 스플라인 제어점이다.

4. 정지 초기 조건

실험 궤적은 로봇이 정지한 상태에서 시작하고 정지한 상태에서 종료되어야 하며, 이는 안전성과 반복성 확보에 필요하다. 푸리에 급수 매개변수화에서는 궤적의 첫 도함수가 경계에서 자동으로 영이 되므로 이 조건이 자연스럽게 만족되며, 스플라인 기반 매개변수화에서는 경계에서의 속도와 가속도가 영이 되도록 추가 제약이 부과된다. 이러한 조건은 실험 반복 시 같은 궤적을 여러 번 실행할 수 있도록 해준다.

5. 샘플링 주파수와 잡음 처리

실험 데이터는 적절한 샘플링 주파수로 측정되어야 하며, 일반적으로 로봇의 주된 공진 주파수보다 충분히 높은 값이 요구된다. 측정된 위치는 수치 미분을 통해 속도와 가속도로 변환되지만, 단순 수치 미분은 잡음을 증폭시키므로 저역 통과 필터링이나 Savitzky-Golay 필터가 사용된다. 또한 양방향 필터링을 통해 위상 지연을 제거하여 가속도 추정의 정확성을 높인다. 잡음 공분산은 회귀자 가중치 $W_k$ 에 반영되어 잡음이 큰 샘플의 영향을 감소시키는 역할을 한다.

6. 매개변수 그룹별 여기

모든 매개변수가 동일한 운동 양식으로 여기되는 것은 아니다. 중력 매개변수는 느린 운동에서도 드러나지만, 관성 매개변수는 높은 가속도가 필요하며, 코리올리 매개변수는 동시에 두 개 이상의 관절이 움직이는 복합 운동에서 드러난다. 마찰 매개변수는 다양한 속도 범위에서 측정되어야 스트라이벡 영역까지 포착할 수 있다. 따라서 여기 궤적은 서로 다른 매개변수 그룹이 모두 충분히 여기되도록 설계되어야 하며, 여러 단계로 분할된 실험이 종종 사용된다.

7. 최적화 알고리즘

실험 설계 문제는 일반적으로 비볼록 최적화 문제이며, 국소 최적에 빠지기 쉽다. 이를 극복하기 위해 다양한 전략이 사용된다. 첫째, SQP(Sequential Quadratic Programming)는 제약 조건이 있는 국소 최적화에 널리 사용된다. 둘째, 유전 알고리즘, 입자 군집 최적화, 시뮬레이티드 어닐링과 같은 메타휴리스틱 기법은 전역 탐색에 효과적이지만 계산 비용이 크다. 셋째, 여러 초기 시작점에서 국소 최적화를 수행하는 다중 시작 전략은 실용적 절충안이다. 넷째, 최근에는 미분 가능 동역학 모델을 활용한 경사 기반 최적화가 활발히 연구되고 있다.

8. 반복 정제와 설계-식별 루프

첫 번째 실험에서 얻어진 추정치는 모델을 개선하여 더 나은 설계를 가능케 한다. 이러한 반복 절차는 적응적 실험 설계로 불리며, 현재 추정치에 기반해 피셔 정보 행렬을 다시 계산하고, 개선된 궤적을 생성하는 과정을 반복한다. 이 접근은 초기 모델의 불확실성이 큰 경우 특히 유용하며, 식별 정확도가 점진적으로 향상되는 효과를 제공한다.

9. 안전성과 반복성

실험 설계에서는 안전성과 반복성이 항상 우선된다. 식별 실험은 일반적으로 격리된 안전 영역에서 수행되며, 충돌 방지 장치와 비상 정지 기능이 요구된다. 또한 동일한 궤적을 여러 번 실행하여 잡음의 통계적 분석을 가능하게 하며, 평균화와 공분산 추정을 통해 측정의 신뢰성을 높인다. 반복성은 매개변수 식별의 통계적 유의성을 확보하는 데 필수적이다.

10. 본 절의 의의

본 절은 동역학 매개변수 식별의 품질을 결정하는 실험 설계의 원리와 기법을 체계적으로 정리한다. 피셔 정보 행렬, 최적성 기준, 궤적 매개변수화, 물리적 제약, 수치적 고려 사항, 최적화 알고리즘, 반복 정제는 모두 정밀한 식별을 위한 기반을 형성한다. 잘 설계된 실험은 매개변수 추정의 정확성과 물리적 타당성을 동시에 확보하며, 후속 절에서 다룰 최소자승 추정과 매개변수 검증의 수학적 전제 조건이 된다.

11. 학습 권장사항

독자는 2자유도 매니퓰레이터에 대해 푸리에 급수 기반 여기 궤적을 설계하고, 조건수 최적화를 통해 궤적의 계수를 조정해 볼 것을 권장한다. 동일한 수의 샘플 수에서 임의 궤적과 최적화된 궤적의 추정 공분산을 비교하면 실험 설계의 효과가 정량적으로 드러난다. 또한 관절 한계와 토크 한계를 제약 조건으로 통합한 상태에서 최적화를 수행해 보면, 실제 물리적 제약이 설계에 미치는 영향을 체험할 수 있다.

12. 참고 문헌

Swevers, J., Ganseman, C., Tukel, D. B., De Schutter, J., & Van Brussel, H. (1997). Optimal robot excitation and identification. IEEE Transactions on Robotics and Automation, 13(5), 730–740.
Gautier, M., & Khalil, W. (1992). Exciting trajectories for the identification of base inertial parameters of robots. International Journal of Robotics Research, 11(4), 362–375.
Park, K. J. (2006). Fourier-based optimal excitation trajectories for the dynamic identification of robots. Robotica, 24(5), 625–633.
Pukelsheim, F. (2006). Optimal Design of Experiments. SIAM.
Walter, É., & Pronzato, L. (1997). Identification of Parametric Models from Experimental Data. Springer.
Calafiore, G., Indri, M., & Bona, B. (2001). Robot dynamic calibration: Optimal excitation trajectories and experimental parameter estimation. Journal of Robotic Systems, 18(2), 55–68.
Presse, C., & Gautier, M. (1993). New criteria of exciting trajectories for robot identification. IEEE International Conference on Robotics and Automation.

version: 1.0