18.11 마찰 보상 기법 및 제어 전략

1. 개요

마찰 보상은 로봇 관절의 마찰이 제어 성능에 미치는 부정적 영향을 완화하여, 추종 정확도, 안정성, 에너지 효율을 향상시키기 위한 제어 전략의 체계이다. 마찰은 비선형성과 불연속성을 가지며, 매개변수의 온도 의존성과 마모에 의한 시간적 변화까지 동반하므로, 단순한 선형 제어만으로는 우수한 성능을 얻기 어렵다. 본 절은 마찰 보상의 주요 기법을 피드포워드 보상, 피드백 기반 접근, 관측기 기반 추정, 적응 제어, 강인 제어, 학습 기반 접근으로 구분하여 학술적으로 정리하고, 각 접근의 원리, 장단점, 실무적 적용 지침을 제시한다.

2. 마찰 보상의 목적

마찰 보상의 기본 목적은 제어 입력에 마찰력의 예측값을 더하거나 제어 구조를 마찰의 존재를 고려하여 설계함으로써, 폐회로의 추종 오차와 미세 진동을 감소시키는 것이다. 보상이 없는 경우 저속 영역에서는 스트리벡 효과와 고착-미끄럼이 위치 오차와 속도 리플을 유발하며, 고속 영역에서는 점성 손실로 인해 에너지 효율이 저하된다. 잘 설계된 보상은 이러한 문제를 완화하면서도 폐회로의 안정성을 보장해야 한다. 또한 보상 전략은 모델 불확실성과 환경 변화에 대한 강인성을 함께 고려해야 한다.

3. 피드포워드 보상

피드포워드 보상은 궤적의 속도와 변위 정보를 마찰 모델에 대입하여 마찰력을 예측하고, 이를 제어 입력에 더하는 가장 직관적인 방법이다. 정적 마찰 모델을 사용하는 경우에는 구현이 단순하며, 실시간 계산 부담도 작다. 쿨롱-점성-스트리벡 결합 모델이 흔히 사용되며, 궤적의 설계 속도를 기준으로 마찰 토크를 보상한다. 피드포워드 보상의 성능은 모델의 정확성과 매개변수 식별의 품질에 직접 의존하며, 모델 오차가 클수록 보상의 효과가 감소한다. 궤적과 실제 속도의 차이가 큰 경우에는 보상이 역효과를 낼 수 있으므로, 피드포워드 단독으로는 완전한 해결책이 되지 않는다.

4. 피드백 기반 접근

고이득 속도 피드백은 마찰을 외란으로 간주하고 이를 억제하는 단순한 접근이다. 속도 루프의 대역폭이 충분히 크면 마찰의 효과가 감소하지만, 고이득은 측정 잡음의 증폭과 액추에이터 포화를 유발하므로 한계가 있다. 통합 제어기는 정상 상태 오차를 제거하지만, 저속 영역의 고착-미끄럼에서는 적분기 포화(wind-up)와 진동을 유발할 수 있으므로 주의가 필요하다. 임피던스 제어는 접촉 작업의 관점에서 마찰을 관리하며, 환경과의 상호작용을 안전하게 유지한다. 피드백 기반 접근은 일반성과 단순성이 장점이지만, 저속 정밀 제어에서는 모델 기반 보상과 결합되는 것이 일반적이다.

5. 관측기 기반 추정

마찰 관측기는 내부 상태 변수와 미지의 마찰력을 실시간으로 추정하여 제어 입력에 반영하는 기법이다. 외란 관측기(disturbance observer)는 마찰을 외란으로 모델링하고, 공칭 동역학 모델과의 차이를 통해 외란 토크를 추정한다. 이 접근은 모델이 단순하고 구현이 용이하지만, 관측기의 대역폭과 잡음 민감도 사이의 균형이 중요한 설계 변수가 된다. 상태 변수 기반 동적 마찰 모델의 관측기는 내부 변형 상태를 속도 측정으로부터 추정하며, Canudas de Wit와 Lischinsky가 제안한 LuGre 기반 관측기는 그 대표적 예이다. 이러한 관측기의 수렴성과 수동성은 엄밀히 분석되어 왔다.

6. 적응 마찰 제어

적응 마찰 제어는 마찰 모델의 매개변수를 온라인으로 추정하면서 동시에 보상 입력을 갱신하는 기법이다. 이 접근은 온도, 윤활 상태, 마모에 의한 매개변수 변동에 대응하며, 장시간 작동하는 시스템의 성능 유지에 유리하다. 적응 법칙은 일반적으로 Lyapunov 함수를 기반으로 설계되며, 폐회로의 안정성을 보장하는 수학적 조건을 만족해야 한다. 매개변수 갱신의 수렴성은 궤적의 여기(persistent excitation) 조건에 의존하며, 이는 실험 설계와 운영 궤적의 선택에서 고려되어야 한다. 적응 마찰 제어는 구현 복잡도가 높지만, 환경 변화에 대한 강인성이 우수하다.

7. 강인 제어 접근

강인 제어는 마찰의 매개변수 불확실성과 모델링 오차를 명시적으로 고려하는 접근이다. 슬라이딩 모드 제어는 불연속 스위칭 입력을 이용하여 마찰과 외란을 억제하며, 제어 성능이 모델 오차에 민감하지 않다는 장점이 있다. 그러나 채터링 현상과 액추에이터 스트레스가 단점으로 작용하며, 실무에서는 경계층(boundary layer) 기법이나 고차 슬라이딩 모드로 이를 완화한다. H_\infty 제어는 마찰을 외란으로 취급하면서 주파수 영역의 성능 지표를 최적화하며, 불확실성 범위 내에서 보장된 성능을 제공한다. 강인 제어는 보수적 경향이 있어, 공정 성능의 일부를 희생하는 대신 안전한 운영을 선호하는 상황에 적합하다.

8. 피드포워드와 피드백의 결합

실무적으로 가장 효과적인 구성은 피드포워드 마찰 보상과 피드백 제어의 결합이다. 피드포워드 보상은 마찰의 명목적 성분을 제거하여 피드백이 다루어야 할 오차의 크기를 감소시키고, 피드백은 모델 오차와 예측 불가능한 외란에 대응한다. 이러한 이중 루프 구조는 저속 정밀 추종, 접촉 작업의 힘 제어, 하모닉 드라이브 기반 관절 제어 등에서 표준적 선택이다. 피드포워드와 피드백의 이득 균형은 실험적 조정과 시뮬레이션 검증을 통해 결정되며, 폐회로의 안정성 여유를 보장해야 한다.

9. 학습 기반 접근

학습 기반 마찰 보상은 모델 기반 접근의 한계를 보완하기 위해 기계학습 기법을 활용하는 방법이다. 반복 학습 제어(Iterative Learning Control)는 반복 작업의 오차를 누적적으로 학습하여 보상 입력을 개선하며, 동일한 궤적이 반복되는 작업에서 높은 정확도를 제공한다. 신경망 기반 마찰 보상은 비선형 함수 근사 능력을 이용하여 복잡한 마찰 거동을 학습하며, 명시적 모델이 어려운 경우에 유용하다. 강화 학습 기반 접근은 장기적 성능 지표를 최적화하는 제어 정책을 학습할 수 있으나, 학습 데이터와 탐색의 안전성에 주의가 필요하다. 학습 기반 접근은 모델 기반 접근과 보완적으로 결합되어 사용되는 경우가 많다.

10. 접촉 작업에서의 보상

접촉 작업에서는 마찰의 효과가 환경과의 상호작용에 반영되므로, 보상 전략이 접촉 안정성과 함께 고려되어야 한다. 임피던스 제어와 마찰 보상의 결합은 조립, 연마, 파지와 같은 작업에서 유용하며, 접촉력의 정확한 추종과 환경 변화에 대한 유연성을 제공한다. 또한 힘 센서의 잡음과 대역폭 제약은 보상의 설계 변수에 영향을 미치며, 실무적 조정이 요구된다.

11. 실무적 지침

마찰 보상의 실무적 설계는 다음의 지침을 따른다. 첫째, 시스템의 주요 작동 영역을 파악하여 적절한 수준의 모델을 선택한다. 둘째, 식별 실험을 설계하여 매개변수를 정확히 추정하며, 재현성과 잔차 분석을 통해 품질을 검증한다. 셋째, 피드포워드 보상을 기본으로 설계하고, 모델 오차에 대응하기 위한 피드백 제어를 결합한다. 넷째, 환경 변화와 매개변수 변동이 큰 경우 적응 또는 관측기 기반 보상을 추가한다. 다섯째, 구현된 제어기의 안정성과 강인성을 시뮬레이션과 실험에서 체계적으로 검증한다.

12. 본 절의 의의

본 절은 마찰 보상과 제어 전략의 주요 접근을 체계적으로 정리하고, 각 기법의 원리와 실무적 적용 지침을 제공한다. 마찰은 로봇 제어의 핵심 장애 요인이며, 적절한 보상은 정밀도, 안정성, 에너지 효율의 동시 향상을 가능하게 한다. 본 절의 내용은 이후의 수치 시뮬레이션과 실험적 검증에서 실무적 판단의 근거가 되며, 고성능 로봇 제어 설계의 공통 기반을 형성한다.

13. 학습 권장사항

독자는 1자유도 시스템에 쿨롱-점성-스트리벡 정적 모델의 피드포워드 보상을 구현하고, 보상 유무에 따른 저속 궤적 추종 오차의 차이를 정량적으로 비교해 볼 것을 권장한다. 이어서 외란 관측기나 LuGre 기반 관측기를 추가 구현하여, 모델 오차에 대한 강인성이 어떻게 향상되는지 관찰하면 실무적 감각을 얻을 수 있다. 적응 제어와 학습 기반 보상의 비교 실험은 장시간 작동에서의 성능 변화를 이해하는 데 유용하다.

14. 참고 문헌

• Armstrong-Hélouvry, B., Dupont, P., & Canudas de Wit, C. (1994). A survey of models, analysis tools and compensation methods for the control of machines with friction. Automatica, 30(7), 1083–1138.
• Canudas de Wit, C., & Lischinsky, P. (1997). Adaptive friction compensation with partially known dynamic friction model. International Journal of Adaptive Control and Signal Processing, 11(1), 65–80.
• Bona, B., & Indri, M. (2005). Friction compensation in robotics: an overview. In Proceedings of the 44th IEEE Conference on Decision and Control, 4360–4367.
• Swevers, J., Al-Bender, F., Ganseman, C. G., & Projogo, T. (2000). An integrated friction model structure with improved presliding behavior for accurate friction compensation. IEEE Transactions on Automatic Control, 45(4), 675–686.
• Slotine, J.-J. E., & Li, W. (1991). Applied Nonlinear Control. Prentice Hall.
• Khalil, W., & Dombre, E. (2002). Modeling, Identification and Control of Robots. Hermes Penton Science.
• Ohnishi, K., Shibata, M., & Murakami, T. (1996). Motion control for advanced mechatronics. IEEE/ASME Transactions on Mechatronics, 1(1), 56–67.

version: 1.0