30.23 감쇠 최소 제곱법(Damped Least Squares, DLS)

30.23 감쇠 최소 제곱법(Damped Least Squares, DLS)

감쇠 최소 제곱법(damped least squares, DLS)은 특이점 근방의 수치적 불안정성을 완화하는 수치적 역기구학 방법이다. 뉴턴-랩슨 방법의 변형으로, 로봇 공학에서 표준적으로 활용된다. 본 절에서는 DLS의 학술적 정의, 알고리즘, 특성을 다룬다.

1. 학술적 기초

DLS는 Charles Wampler가 1986년에 로봇 역기구학에 적용한 방법으로, Levenberg-Marquardt 알고리즘의 특수 형태이다.

1.1 비용 함수

DLS는 다음과 같은 수정된 비용 함수를 최소화한다.

V(\Delta\vec{q}) = \|\mathbf{J} \Delta\vec{q} - \vec{e}\|^2 + \lambda^2 \|\Delta\vec{q}\|^2

여기서 첫 번째 항은 오차 최소화, 두 번째 항은 갱신의 크기 억제이다. \lambda는 감쇠 매개변수이다.

30.23.1.2 최적 해

이 비용 함수의 최소를 산출하면 다음과 같다.

\Delta\vec{q} = \mathbf{J}^T (\mathbf{J} \mathbf{J}^T + \lambda^2 \mathbf{I})^{-1} \vec{e}

또는 동등한 형태:

\Delta\vec{q} = (\mathbf{J}^T \mathbf{J} + \lambda^2 \mathbf{I})^{-1} \mathbf{J}^T \vec{e}

30.23.2 알고리즘

DLS 방법의 표준 알고리즘은 다음과 같다.

  1. 초기 관절 변수 \vec{q}_0 설정.
  2. 오차 산출: \vec{e}_k = \vec{x}_d - \vec{f}(\vec{q}_k).
  3. 자코비안 산출: \mathbf{J}_k = \mathbf{J}(\vec{q}_k).
  4. 관절 갱신량 산출: \Delta\vec{q} = \mathbf{J}_k^T (\mathbf{J}_k \mathbf{J}_k^T + \lambda^2 \mathbf{I})^{-1} \vec{e}_k.
  5. 관절 갱신: \vec{q}_{k+1} = \vec{q}_k + \Delta\vec{q}.
  6. 수렴 조건이 만족될 때까지 2~5 단계 반복.

30.23.3 감쇠 매개변수의 선택

감쇠 매개변수 \lambda의 선택은 DLS 방법의 성능에 결정적 영향을 미친다.

30.23.3.1 고정 감쇠

단순한 접근은 작은 고정 값의 \lambda를 사용하는 것이다.

30.23.3.2 적응적 감쇠

특이점 근방에서는 큰 \lambda, 정상 영역에서는 작은 \lambda를 사용하는 적응적 조정이 활용된다.

30.23.3.3 가변 감쇠

자코비안의 최소 특이값에 따라 \lambda를 조정한다. Nakamura와 Hanafusa의 고전적 연구에 기반한다.

30.23.4 특이값 분해와의 관계

DLS 방법은 특이값 분해(SVD) 관점에서 해석 가능하다.

30.23.4.1 자코비안의 SVD

\mathbf{J} = \mathbf{U} \mathbf{\Sigma} \mathbf{V}^T

여기서 \mathbf{\Sigma}의 대각 원소가 특이값이다.

1.2 DLS의 SVD 해석

DLS 해는 다음과 같이 표현된다.

\Delta\vec{q} = \sum_i \frac{\sigma_i}{\sigma_i^2 + \lambda^2} \vec{v}_i \vec{u}_i^T \vec{e}

여기서 작은 \sigma_i에 대해서는 가중치 \sigma_i / (\sigma_i^2 + \lambda^2)이 제한되어 수치적 안정성을 제공한다.

30.23.5 DLS의 장점

30.23.5.1 특이점 안정성

자코비안의 특이값이 작을 때에도 수치적으로 안정하다. 이는 일반적인 의사 역행렬 방법과의 핵심 차이이다.

30.23.5.2 계산 효율

역행렬 산출이 포함되지만, \lambda^2 \mathbf{I}의 추가로 항상 비특이이므로 안정적으로 계산된다.

30.23.5.3 수렴성

적절한 \lambda 선택으로 안정한 수렴을 보장한다.

30.23.6 DLS의 단점

30.23.6.1 정확도 손실

감쇠 항으로 인해 정상 영역에서도 완전한 해로부터 약간의 편차가 발생할 수 있다.

30.23.6.2 \lambda 선택

적절한 \lambda의 선택이 중요하며, 경험적 조정이 필요하다.

30.23.6.3 여유 자유도 활용

여유 자유도의 활용이 제한될 수 있다.

30.23.7 변형과 확장

30.23.7.1 선택적 감쇠 최소 제곱 (SDLS)

각 특이값에 대해 다른 감쇠를 적용하는 확장이다.

30.23.7.2 가변 감쇠 최소 제곱 (VDLS)

자코비안의 조건수에 따라 \lambda를 동적으로 조정한다.

30.23.7.3 가중 DLS

관절 변수 또는 작업 공간 축에 다른 가중치를 적용한다.

30.23.8 실무적 활용

DLS는 다음과 같은 영역에 실무적으로 활용된다. 첫째, 산업용 매니퓰레이터의 실시간 역기구학. 둘째, MoveIt, KDL 등의 로봇 공학 라이브러리의 기본 해법. 셋째, 특이점 근방에서의 운동 생성. 넷째, 여유 자유도 로봇의 수치적 역기구학.

30.23.9 학술적 의의

감쇠 최소 제곱법은 수치적 역기구학의 학술적 표준 방법의 하나이며, 특이점 안정성을 제공한다. Wampler의 원래 연구 이후 다양한 확장과 개선이 이루어졌으며, 현대 로봇 공학의 실무적 응용에서 중심적 역할을 한다.

출처

  • Wampler, C. W., “Manipulator inverse kinematic solutions based on vector formulations and damped least-squares methods”, IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-16, No. 1, pp. 93–101, 1986.
  • Nakamura, Y. and Hanafusa, H., “Inverse kinematic solutions with singularity robustness for robot manipulator control”, Journal of Dynamic Systems, Measurement, and Control, Vol. 108, No. 3, pp. 163–171, 1986.
  • Chan, T. F. and Dubey, R. V., “A weighted least-norm solution based scheme for avoiding joint limits for redundant joint manipulators”, IEEE Transactions on Robotics and Automation, Vol. 11, No. 2, pp. 286–292, 1995.
  • Chiaverini, S., Siciliano, B., and Egeland, O., “Review of the damped least-squares inverse kinematics with experiments on an industrial robot manipulator”, IEEE Transactions on Control Systems Technology, Vol. 2, No. 2, pp. 123–134, 1994.
  • Spong, M. W., Hutchinson, S., and Vidyasagar, M., Robot Modeling and Control, 2nd edition, Wiley, 2020.

버전

  • 문서 버전: 1.0
  • 작성일: 2026-04-18