32.16 자코비안의 수치적 계산 기법

자코비안의 수치적 계산 기법은 특정 관절 구성 $\vec{q}$ 에서의 자코비안 행렬의 수치 값을 실시간으로 산출하기 위한 알고리즘 집합이다. 기호적 자코비안은 해석적 통찰을 제공하지만 복잡한 다자유도 매니퓰레이터에서는 기호 표현이 지나치게 커지거나 실시간 평가가 비효율적일 수 있다. 이에 대응하여 수치 미분, 닫힌 형식의 재귀 계산, 자동 미분, 그리고 병렬·하드웨어 가속 기법이 실무적으로 활용된다. 본 절에서는 자코비안의 수치적 계산 기법의 체계, 각 방법의 수학적 원리와 정확도·효율성, 수치 미분의 오차 분석, 자동 미분의 학술적 기초, 그리고 구현적 고려 사항을 다룬다.

1. 수치적 계산의 필요성과 분류

실시간 로봇 제어, 시뮬레이션, 경로 계획에서 자코비안은 수 kHz 주기로 반복 계산된다. 기호 자코비안의 평가는 대입 연산이 필요하며 관절 수가 많아지면 연산량이 급격히 증가한다. 따라서 다음과 같은 수치적 접근이 사용된다.

닫힌 형식 재귀 계산(closed-form recursive computation): 기하학적 자코비안의 열 벡터 공식을 관절별로 직접 평가하는 방법. 가장 정확하고 효율적이다.

유한 차분법(finite difference method): 순기구학 함수의 수치적 미분을 통해 자코비안을 근사하는 방법. 구현이 단순하나 절단 오차와 반올림 오차의 균형이 요구된다.

자동 미분(automatic differentiation): 순기구학 계산 과정에서 연쇄 법칙을 프로그램 수준에서 전개하여 정확한 미분을 얻는 방법. 기호 미분과 수치 미분의 장점을 결합한다.

스크류 기반 재귀(screw-based recursion): 수반 변환을 이용한 $SE(3)$ 리 군 기반 자코비안 계산. 현대적 접근이다.

2. 닫힌 형식 재귀 계산

가장 표준적이고 효율적인 수치적 자코비안 계산은 32.15절에서 다룬 재귀적 알고리즘에 기반한다. 관절 축 방향과 원점 위치를 순기구학 재귀 과정에서 추출하고, 관절 유형별 열 벡터 공식을 직접 적용한다.

회전 관절: $\vec{J}_i = [\hat{z}_{i-1} \times (\vec{p}_n - \vec{p}_{i-1}), \, \hat{z}_{i-1}]^\top$ .

직동 관절: $\vec{J}_i = [\hat{z}_{i-1}, \, \vec{0}]^\top$ .

이 방법은 해석적 공식을 수치적으로 평가하므로 절단 오차가 없으며, 부동소수점 연산의 반올림 오차만이 존재한다. 계산 복잡도는 $\mathcal{O}(n)$ 이며, 6자유도 매니퓰레이터의 경우 현대 마이크로프로세서에서 수 마이크로초 수준의 시간에 평가된다. 닫힌 형식 재귀는 실시간 제어의 기본 표준 방법이다.

3. 유한 차분법에 의한 수치 미분

유한 차분법은 순기구학 함수 $\vec{f}(\vec{q})$ 의 편미분을 차분 몫으로 근사한다. 관절 $i$ 에 대한 편미분은 해당 관절 변수를 작은 양 $h$ 만큼 교란하여 순기구학의 변화량을 측정하는 방식으로 계산된다.

3.1 전방 차분법

전방 차분법(forward difference)은 다음 근사를 사용한다.

$\frac{\partial \vec{f}}{\partial q_i}(\vec{q}) \approx \frac{\vec{f}(\vec{q} + h \vec{e}_i) - \vec{f}(\vec{q})}{h}$

여기서 $\vec{e}_i$ 는 $i$ 번째 표준 기저 벡터이다. 이 방법은 관절당 1회의 순기구학 계산이 추가로 필요하며 ( $\vec{f}(\vec{q})$ 는 이미 알려진 경우), 전체 자코비안 계산에 $n$ 회의 추가 순기구학 평가가 요구된다. 절단 오차는 $\mathcal{O}(h)$ 이다.

32.16.3.2 중앙 차분법

중앙 차분법(central difference)은 다음 근사를 사용한다.

$\frac{\partial \vec{f}}{\partial q_i}(\vec{q}) \approx \frac{\vec{f}(\vec{q} + h \vec{e}_i) - \vec{f}(\vec{q} - h \vec{e}_i)}{2h}$

중앙 차분은 관절당 2회의 순기구학 평가가 필요하지만, 절단 오차는 $\mathcal{O}(h^2)$ 로 개선된다. 동일한 정확도를 얻기 위한 $h$ 의 선택 범위가 더 넓으며, 반올림 오차와의 균형이 개선된다.

3.2 오차 균형과 교란 크기 선택

유한 차분법의 총 오차는 절단 오차와 부동소수점 반올림 오차의 합으로 주어진다. 반올림 오차는 $\mathcal{O}(\epsilon / h)$ (여기서 $\epsilon$ 은 기계 엡실론)이므로, 전체 오차는 다음과 같은 형태를 가진다.

전방 차분: $\mathcal{O}(h) + \mathcal{O}(\epsilon / h)$ , 최적 $h \sim \sqrt{\epsilon}$ .
중앙 차분: $\mathcal{O}(h^2) + \mathcal{O}(\epsilon / h)$ , 최적 $h \sim \epsilon^{1/3}$ .

이중 정밀도 부동소수점( $\epsilon \approx 10^{-16}$ )에서는 전방 차분의 최적 $h \approx 10^{-8}$ , 중앙 차분의 최적 $h \approx 10^{-5}$ 수준이다. 이러한 오차 분석은 Nocedal과 Wright의 Numerical Optimization에서 상세히 다루어진다.

3.3 유한 차분법의 적용 맥락

유한 차분법은 다음과 같은 맥락에서 실용적이다. 첫째, 순기구학이 기호적으로 표현되기 어려운 복잡한 기구(폐쇄형 루프, 병렬 기구) 또는 블랙박스 함수로 제공되는 경우. 둘째, 알고리즘 검증을 위해 닫힌 형식 자코비안과 대조 확인하는 경우. 셋째, 간단한 프로토타이핑과 초기 구현 단계.

그러나 닫힌 형식 재귀가 가능한 경우 유한 차분법은 정확도와 효율성 양면에서 열위에 있으므로 최종 구현에는 거의 사용되지 않는다.

4. 복소 스텝 미분

복소 스텝 미분(complex-step derivative approximation)은 유한 차분법의 반올림 오차 문제를 해결하는 수치 기법이다. 복소 해석 확장 가능한 순기구학 함수 $\vec{f}$ 에 대해 다음 근사가 성립한다.

$\frac{\partial \vec{f}}{\partial q_i}(\vec{q}) \approx \frac{\text{Im}\, \vec{f}(\vec{q} + i h \vec{e}_i)}{h}$

여기서 $i = \sqrt{-1}$ 은 허수 단위이고 $\text{Im}$ 은 허수부를 취하는 연산이다. 복소 스텝 근사의 절단 오차는 $\mathcal{O}(h^2)$ 이며, 두 함수 값의 감산에 의한 반올림 오차 소실이 발생하지 않으므로 $h$ 를 극도로 작게(예: $h = 10^{-100}$ ) 취할 수 있어 사실상 반올림 오차 없이 미분이 계산된다. Martins 등의 연구(2003)는 이 방법의 이론적 기반과 공학적 응용을 정립하였다.

단점은 복소수 연산을 지원하는 순기구학 구현이 필요하다는 점이다. 회전 행렬의 삼각함수가 복소 값으로 확장 가능해야 하므로 언어와 라이브러리의 복소 연산 지원에 의존한다.

32.16.5 자동 미분

자동 미분(automatic differentiation, AD)은 순기구학 함수의 프로그램 구조를 연쇄 법칙에 따라 기호적으로 전개하여 미분을 계산하는 기법이다. 두 가지 주요 형태가 존재한다.

32.16.5.1 전방 자동 미분

전방 자동 미분(forward-mode AD)은 이중 수(dual number) 확장을 활용한다. 관절 변수를 이중 수 $q_i + \epsilon v_i$ ( $\epsilon^2 = 0$ )로 대체하면 순기구학의 모든 연산이 이중 수 산술로 수행되며, 결과의 이중 부분이 방향 도함수 $\partial \vec{f} / \partial q_i \cdot v_i$ 를 직접 제공한다. 관절별로 $v_i = 1$ 을 지정한 $n$ 회의 평가로 전체 자코비안이 얻어진다.

32.16.5.2 역방향 자동 미분

역방향 자동 미분(reverse-mode AD)은 계산 그래프를 역순으로 전파하여 그래디언트를 계산한다. 스칼라 출력에 대한 $n$ 개 입력의 그래디언트를 한 번의 역전파로 얻을 수 있어 효율적이다. 자코비안의 경우 $m$ 개 출력 성분 각각에 대해 역전파를 수행해야 하므로 $m$ 회의 역전파 평가가 요구된다.

32.16.5.3 AD의 장점과 한계

자동 미분은 기호 미분의 정확성(절단 오차 없음)과 수치 미분의 구현 용이성을 결합한다. 현대 로봇 공학 라이브러리(Pinocchio, CasADi 등)는 AD를 표준 도구로 채택하며, 특히 최적화 기반 제어와 모션 계획에서 널리 활용된다. 한계는 계산 오버헤드가 닫힌 형식 재귀보다 크다는 점과, 특수화된 라이브러리 지원이 요구된다는 점이다.

32.16.6 수반 변환 기반 수치 계산

스크류 이론 기반 수치 자코비안 계산은 수반 변환 $[\text{Ad}_{\mathbf{T}}]$ 을 활용한다. 각 관절의 관절 스크류를 기저 좌표계로 변환하여 공간 자코비안의 열을 얻는다.

$\vec{J}_{s,i} = [\text{Ad}_{{}^0\mathbf{T}_{i-1}}] \, \mathcal{A}_i$

이 방법은 리 군 구조에 기반하므로 수학적으로 우아하며, 제품 지수 공식과 결합하여 데나빗-하르텐버그 매개변수 없는 자코비안 계산이 가능하다. 현대 로봇 공학 라이브러리의 상당수가 이 접근을 채택한다.

5. 수치 계산의 효율 최적화

실시간 자코비안 계산의 효율 최적화를 위해 다음 기법이 활용된다.

5.1 중간 결과의 재사용

순기구학 계산에서 얻어지는 링크별 동차 변환과 축 방향 벡터는 자코비안 계산뿐만 아니라 동역학 계산, 충돌 검출, 렌더링 등에도 사용된다. 한 번의 계산으로 여러 모듈에 공유함으로써 전체 연산량을 최소화할 수 있다.

5.2 메모이제이션

관절 변수가 이전 호출에서 크게 변화하지 않은 경우, 캐시된 자코비안을 재사용하거나 부분 갱신을 수행할 수 있다. 그러나 제어 루프 내 반복 호출에서는 일반적으로 매번 새로 계산하는 것이 안전하다.

5.3 하드웨어 가속

SIMD(Single Instruction Multiple Data) 명령어, GPU 연산, 전용 하드웨어(FPGA, ASIC) 가속을 통해 자코비안 계산 속도를 높일 수 있다. 이러한 가속은 대규모 다자유도 매니퓰레이터(인간형 로봇, 의족 등)에서 효과적이다.

5.4 감소된 정밀도 연산

제어 요구 사항에 따라 단정밀도 부동소수점(float32) 또는 고정소수점 연산을 사용하여 계산량을 절감할 수 있다. 그러나 정밀도 감소는 수치적 안정성에 영향을 미칠 수 있으므로 주의가 요구된다.

6. 수치 정확도 검증

수치적 자코비안 계산의 정확도 검증을 위해 다음 방법이 활용된다.

6.1 기호적 자코비안과의 비교

단순한 매니퓰레이터의 경우 기호적 자코비안과 수치적 자코비안의 성분을 직접 비교한다. 상대 오차가 기계 엡실론 수준(약 $10^{-15}$ )이면 구현이 정확하다고 판단한다.

6.2 유한 차분 검증

닫힌 형식 자코비안의 결과를 유한 차분법으로 산출한 자코비안과 비교한다. 상대 오차가 유한 차분의 이론적 절단 오차 수준(중앙 차분의 경우 $\mathcal{O}(h^2)$ )이면 구현이 올바르다.

6.3 적분 일관성 검증

관절 변수의 시간 경로 $\vec{q}(t)$ 에 대해 자코비안으로 계산한 엔드 이펙터 속도를 적분한 결과와 순기구학으로 직접 계산한 위치 변화를 비교한다. 두 결과의 일치가 자코비안 구현의 정확성을 확증한다.

7. 실시간 제어에서의 수치 고려

실시간 제어 루프에서 자코비안 계산은 다음의 수치적 요구를 충족해야 한다.

결정적 실행 시간: 실시간 제어는 고정된 주기 내에 완료되어야 하므로, 자코비안 계산의 최악 실행 시간(worst-case execution time, WCET)이 보장되어야 한다. 닫힌 형식 재귀는 고정된 분기 구조를 가지므로 WCET 분석이 용이하다.

메모리 할당의 결정성: 동적 메모리 할당은 실행 시간의 예측 불가능성을 초래하므로, 정적으로 할당된 메모리 버퍼를 사용한다.

수치적 안정성: 특이점 근방에서는 자코비안 성분의 크기가 큰 차이를 보일 수 있으므로, 스케일링과 정규화를 통해 수치적 안정성을 확보한다.

오류 처리: 수치적 연산 오류(오버플로, NaN 등)를 신속히 감지하고 안전한 기본 동작으로 전환하는 메커니즘이 필요하다.

8. 학술적 의의

본 절에서 다룬 자코비안의 수치적 계산 기법은 로봇 공학에서 다음의 학술적 의의를 가진다. 첫째, 닫힌 형식 재귀 계산·유한 차분법·복소 스텝 근사·자동 미분·수반 변환 기반 계산의 체계적 분류를 통해 응용 맥락에 따른 방법 선택 지침을 제공한다. 둘째, 유한 차분법의 절단 오차와 반올림 오차 균형 분석은 수치 미분의 정확도 한계를 명확히 제시한다. 셋째, 자동 미분은 기호 미분과 수치 미분의 장점을 결합한 현대적 접근으로 최적화 기반 제어에 직접 활용된다. 넷째, 수반 변환 기반 계산은 리 군 기반 현대 로봇 공학의 표준적 수치 도구이다. 다섯째, 효율 최적화·정확도 검증·실시간 요구 사항의 체계화는 산업용 제어 시스템에서 자코비안 계산의 공학적 완성도를 확보한다.

9. 출처

Orin, D. E. and Schrader, W. W., “Efficient computation of the Jacobian for robot manipulators”, International Journal of Robotics Research, Vol. 3, No. 4, pp. 66–75, 1984.
Martins, J. R. R. A., Sturdza, P., and Alonso, J. J., “The complex-step derivative approximation”, ACM Transactions on Mathematical Software, Vol. 29, No. 3, pp. 245–262, 2003.
Griewank, A. and Walther, A., Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, 2nd edition, SIAM, 2008.
Nocedal, J. and Wright, S. J., Numerical Optimization, 2nd edition, Springer, 2006.
Featherstone, R., Rigid Body Dynamics Algorithms, Springer, 2008.
Carpentier, J., Saurel, G., Buondonno, G., Mirabel, J., Lamiraux, F., Stasse, O., and Mansard, N., “The Pinocchio C++ library: A fast and flexible implementation of rigid body dynamics algorithms and their analytical derivatives”, IEEE/SICE International Symposium on System Integration, pp. 614–619, 2019.
Andersson, J. A. E., Gillis, J., Horn, G., Rawlings, J. B., and Diehl, M., “CasADi: a software framework for nonlinear optimization and optimal control”, Mathematical Programming Computation, Vol. 11, pp. 1–36, 2019.
Spong, M. W., Hutchinson, S., and Vidyasagar, M., Robot Modeling and Control, 2nd edition, Wiley, 2020.
Lynch, K. M. and Park, F. C., Modern Robotics: Mechanics, Planning, and Control, Cambridge University Press, 2017.

10. 버전

문서 버전: 1.1
작성일: 2026-04-19