17.42 동역학 매개변수의 실험적 검증

17.42 동역학 매개변수의 실험적 검증

1. 개요

동역학 매개변수 식별의 최종 단계는 추정된 매개변수가 실제 로봇의 거동을 정확히 재현하는지를 독립적 실험을 통해 확인하는 검증 절차이다. 추정 과정에서 잔차가 작다고 해서 모델이 일반화 가능하다는 보장은 없으며, 식별 실험 궤적에 국한된 과적합이나 체계적 편향이 포함되어 있을 수 있다. 따라서 별도의 검증 실험을 설계하고, 예측 토크와 측정 토크의 일치도를 정량적으로 평가하며, 매개변수의 물리적 타당성과 통계적 신뢰 구간을 분석해야 한다. 본 절은 교차 검증, 예측 오차 지표, 잔차의 통계적 성질, 물리적 타당성 점검, 반복성과 재현성 분석, 검증 결과에 기반한 모델 개선 절차를 체계적으로 정리한다.

2. 검증의 목적과 기본 원칙

검증은 식별 단계에서 사용되지 않은 궤적과 운동 조건에서 모델의 예측 성능을 평가하는 것을 기본 원칙으로 한다. 식별 데이터와 검증 데이터는 반드시 분리되어야 하며, 검증 궤적은 실제 작업에서 사용되는 운동 대역을 대표하도록 선정된다. 이러한 교차 검증의 원리는 시스템 식별 일반론에서 과적합 탐지의 표준 절차로 확립되어 있으며, 로봇 동역학 식별에도 동일하게 적용된다.

3. 예측 오차 지표

검증 실험에서 얻어진 상태 q,\dot{q},\ddot{q}로부터 모델은 예측 토크 \hat{\tau} = Y(q,\dot{q},\ddot{q})\hat{\theta}를 계산하며, 이는 측정 토크 \tau와 비교된다. 대표적인 정량 지표는 다음과 같다.

\mathrm{RMSE}_i = \sqrt{\frac{1}{N}\sum_{k=1}^{N}(\tau_{i,k} - \hat{\tau}_{i,k})^2}

\mathrm{NRMSE}_i = \frac{\mathrm{RMSE}_i}{\max_k \tau_{i,k} - \min_k \tau_{i,k}}

R^2_i = 1 - \frac{\sum_k (\tau_{i,k} - \hat{\tau}_{i,k})^2}{\sum_k (\tau_{i,k} - \bar{\tau}_i)^2}

관절별 RMSE와 정규화된 RMSE는 절대 및 상대적 오차 규모를 제공하며, 결정계수 R^2는 모델이 설명하는 분산의 비율을 나타낸다. 산업용 매니퓰레이터의 경우 R^2가 0.95 이상이면 실무적으로 양호한 모델로 간주된다.

잔차의 통계적 분석

잔차 e_k = \tau_k - \hat{\tau}_k의 분포와 상관 구조는 모델의 구조적 적절성을 평가하는 핵심 지표이다. 이상적으로 잔차는 평균이 영이고 자기 상관이 미약한 백색 잡음에 근사해야 하며, 이러한 성질은 자기 상관 함수, Ljung-Box 검정, 정규성 검정(Shapiro-Wilk, Kolmogorov-Smirnov)을 통해 평가된다. 잔차가 특정 주파수 성분이나 관절 각도에 체계적으로 의존한다면 미모델링 효과가 존재함을 시사하며, 대표적 원인은 비선형 마찰, 감속기 비대칭, 관절 유연성, 링크 변형 등이다.

회귀자 상관성과 식별 가능성 재점검

검증 단계에서도 회귀자 Y의 조건수와 공분산 구조를 다시 확인하는 것이 유용하다. 식별 궤적과 검증 궤적의 회귀자 분포가 크게 다르면, 모델의 예측 성능은 운동 영역 이동에 민감하게 반응한다. 이 경우 식별 궤적의 대표성이 부족함을 의미하며, 여기 궤적을 재설계해야 한다. 또한 검증 잔차의 크기가 특정 매개변수 방향에서만 크다면, 그 방향의 식별 공분산이 과도함을 시사하므로 정규화나 추가 실험이 요구된다.

물리적 타당성 점검

검증의 또 다른 축은 식별된 매개변수가 물리적으로 타당한 강체 매개변수 집합을 구성하는지를 확인하는 것이다. 점검 항목은 다음과 같다.

  • 질량의 양성: m_i > 0
  • 질량 중심의 합리적 위치: 링크 기하학적 경계 내 또는 공학적 공차 내
  • 관성 텐서의 대칭 양정치성: \mathbf{I}_{c,i} \succ 0
  • 주관성 모멘트의 삼각 부등식: \lambda_a + \lambda_b \ge \lambda_c

무제약 최소자승 추정에서는 이들 조건이 종종 위배되며, 이는 식별 문제의 비식별 방향이나 회귀자 상관성에 기인한다. LMI 기반 제약 최적화로 얻은 해는 이러한 조건을 구조적으로 만족하지만, 검증 단계에서 수치적 정밀도를 다시 확인하는 것이 권장된다.

개별 항목별 교차 검증

검증은 전체 토크뿐 아니라 중력, 관성, 코리올리, 마찰 항별로도 수행될 수 있다. 예컨대 정지 상태에서 매우 느린 운동을 수행하면 관성과 코리올리 항이 무시 가능하므로 중력 토크만의 예측 정확도를 평가할 수 있다. 일정 속도 운동은 관성과 중력 항이 상쇄되므로 마찰 모델의 정확성을 독립적으로 평가하는 데 유용하다. 이러한 분해 검증은 모델의 어느 구성 요소가 오차에 기여하는지를 진단하는 데 효과적이다.

반복성과 재현성

동일한 검증 궤적을 여러 번 반복 실행하여 측정의 통계적 변동성을 분석하는 것은 검증의 신뢰도를 결정하는 중요한 절차이다. 실행 간 평균과 표준편차를 계산하고, 이를 모델 예측과 비교하면 모델 오차와 측정 잡음을 구분할 수 있다. 모델 오차가 측정 잡음보다 충분히 작다면 모델은 센서의 해상도 한계까지 현실을 기술한다고 평가된다. 반대로 모델 오차가 우세하다면 추가 개선의 여지가 있다.

에너지 균형에 기반한 검증

에너지 기반 검증은 Gautier가 제안한 전력 모델을 이용하는 접근으로, 측정 토크와 속도의 내적을 통해 계산된 일률이 운동 에너지, 위치 에너지, 마찰 소산의 시간 변화율과 일치해야 한다는 원리를 이용한다.

\sum_i \tau_i \dot{q}_i = \frac{d}{dt}\!\left(\tfrac{1}{2}\dot{q}^\top M(q)\dot{q} + V(q)\right) + P_{\text{friction}}

이 균형식의 양변 차이는 모델의 에너지 일관성을 정량화하며, 관절별 토크 오차가 서로 상쇄되는 상황에서도 체계적 편향을 드러내는 장점이 있다.

4. 환경 조건의 영향 평가

검증은 온도, 적재, 작동 시간, 윤활 상태와 같은 환경 변수의 영향에 대해서도 수행된다. 마찰 매개변수는 특히 온도에 민감하므로, 로봇이 열적 정상 상태에 도달한 뒤와 냉간 상태에서 각각 검증 실험을 수행하여 그 차이를 기록한다. 적재 변화에 대해서는 엔드 이펙터에 공칭 부하를 장착한 상태에서의 예측 오차를 평가하며, 이는 운반 작업의 정밀도와 직접 연결된다. 이러한 환경 의존성의 정량화는 모델의 적용 범위를 명확히 하는 데 필수적이다.

5. 검증 실패 시의 개선 절차

검증에서 예측 오차가 허용 한계를 초과하면 체계적 개선 절차가 요구된다. 첫 번째 단계는 잔차의 구조를 분석하여 원인을 식별하는 것이다. 잔차가 저주파 성분을 포함하면 중력 매개변수의 편향을 의심하고, 고주파 성분이 우세하면 관성 매개변수나 감속기 탄성 효과를 의심한다. 두 번째 단계는 모델 구조의 확장으로, 스트라이벡 마찰, 부하 의존 마찰, 관절 유연성, 링크 변형과 같은 추가 효과를 도입한다. 세 번째 단계는 실험 재설계로, 여기가 부족했던 매개변수 방향을 보강하는 새로운 궤적을 생성하여 식별을 반복한다. 이 과정은 설계-식별-검증의 반복 루프로 진행되며, 모델의 품질이 점진적으로 향상된다.

6. 검증 기록과 재현 가능성 문서화

검증 결과는 실험 조건, 사용된 궤적, 샘플링 주파수, 필터 설정, 추정된 매개변수, 잔차 지표, 통계적 검정 결과를 포함한 문서로 정리되어야 한다. 이러한 기록은 이후 모델 버전 관리와 장기적 성능 추적에 사용되며, 제어기 설계자와 시뮬레이션 팀이 모델의 신뢰 범위를 이해하는 데 필수적이다. 재현 가능한 문서화는 연구 결과의 과학적 신뢰성을 담보하는 기본 요건이기도 하다.

7. 본 절의 의의

본 절은 식별된 동역학 매개변수의 품질을 객관적으로 평가하는 실험적 검증 절차를 체계적으로 제시한다. 교차 검증, 예측 오차 지표, 잔차 통계, 에너지 균형 검증, 환경 의존성 분석, 개선 루프는 정밀한 모델 구축의 마지막 관문을 형성한다. 잘 수행된 검증은 모델의 신뢰 범위를 정량화하고, 후속 절에서 다룰 모델 선형화, 안정성 해석, 실시간 연산 기법의 전제가 되는 모델 품질을 보장한다.

8. 학습 권장사항

독자는 식별 단계에서 사용한 궤적과 서로 다른 검증 궤적을 설계하고, 동일한 매개변수 추정치로 두 궤적에 대한 예측 토크를 계산하여 RMSE와 R^2를 비교해 볼 것을 권장한다. 잔차의 자기 상관 함수와 주파수 스펙트럼을 분석하면 미모델링 효과의 주파수 특성을 관찰할 수 있으며, 이는 모델 개선의 구체적 방향을 제시한다. 또한 온도와 적재 조건을 달리한 검증 실험을 통해 환경 의존성을 정량화하는 실습은 실무적 감각을 기르는 데 매우 유익하다.

9. 참고 문헌

  • Ljung, L. (1999). System Identification: Theory for the User (2nd ed.). Prentice Hall.
  • Khalil, W., & Dombre, E. (2002). Modeling, Identification and Control of Robots. Hermes Penton Science.
  • Gautier, M. (1997). Dynamic identification of robots with power model. IEEE International Conference on Robotics and Automation.
  • Swevers, J., Verdonck, W., & De Schutter, J. (2007). Dynamic model identification for industrial robots. IEEE Control Systems Magazine, 27(5), 58–71.
  • Hollerbach, J., Khalil, W., & Gautier, M. (2016). Model identification. In Springer Handbook of Robotics (2nd ed.), 113–138. Springer.
  • Wensing, P. M., Kim, S., & Slotine, J.-J. E. (2018). Linear matrix inequalities for physically-consistent inertial parameter identification. IEEE Robotics and Automation Letters, 3(1), 60–67.
  • Ljung, L. (1987). Model validation and model error modeling. Proceedings of the Åström Symposium on Control.

version: 1.0