32.29 자코비안의 조건수(Condition Number)

자코비안의 조건수는 행렬의 수치적 상태를 정량화하는 선형대수적 지표로서, 로봇 공학에서는 매니퓰레이터의 운동학적 이방성, 수치적 안정성, 특이점 근접도를 평가하는 핵심 도구로 사용된다. 매니퓰러빌리티 지수가 운동 능력의 총량을 측정하는 반면 조건수는 운동 능력의 방향별 균일성을 측정하므로, 두 지표는 상호 보완적으로 활용된다. 본 절에서는 자코비안 조건수의 수학적 정의, 기하학적 해석, 계산 방법, 로봇 성능 평가에서의 역할, 그리고 관련 지표와의 비교를 학술적으로 기술한다.

1. 조건수의 일반적 정의

선형대수학에서 정칙 행렬 $\mathbf{A} \in \mathbb{R}^{n \times n}$ 의 조건수는 행렬 노름 $\|\cdot\|$ 에 대하여 다음과 같이 정의된다.

$\kappa(\mathbf{A}) = \|\mathbf{A}\| \cdot \|\mathbf{A}^{-1}\|$

이 정의는 선형 연립 방정식 $\mathbf{A} \vec{x} = \vec{b}$ 의 해가 우변 $\vec{b}$ 의 섭동 $\delta \vec{b}$ 에 대해 얼마나 민감한지를 측정한다. 구체적으로

$\frac{\|\delta \vec{x}\|}{\|\vec{x}\|} \leq \kappa(\mathbf{A}) \cdot \frac{\|\delta \vec{b}\|}{\|\vec{b}\|}$

가 성립하며, 따라서 조건수는 수치 계산의 오차 증폭률의 상한을 제공한다.

스펙트럼 노름(유클리드 노름 유도 노름)을 사용하는 경우 조건수는 특이값의 비율로 표현된다.

$\kappa_2(\mathbf{A}) = \frac{\sigma_{\max}(\mathbf{A})}{\sigma_{\min}(\mathbf{A})}$

여기서 $\sigma_{\max}$ 와 $\sigma_{\min}$ 은 각각 $\mathbf{A}$ 의 최대 및 최소 특이값이다. 이 정의는 대칭 양정치 행렬의 경우 고유값의 비율과 일치한다.

조건수는 $\kappa \geq 1$ 을 항상 만족하며, $\kappa = 1$ 인 행렬을 등방(isotropic) 또는 완전 조건(perfectly conditioned) 행렬이라 한다. $\kappa \to \infty$ 는 행렬이 특이 행렬에 접근함을 의미한다.

32.29.2 자코비안 조건수의 정의

자코비안 $\mathbf{J}(\vec{q}) \in \mathbb{R}^{m \times n}$ 이 비정방인 경우에도 스펙트럼 노름 기반 조건수가 일반화된다.

$\kappa(\mathbf{J}(\vec{q})) = \frac{\sigma_{\max}(\mathbf{J}(\vec{q}))}{\sigma_{\min}(\mathbf{J}(\vec{q}))}$

여기서 특이값은 $\mathbf{J} \mathbf{J}^\top$ (또는 $\mathbf{J}^\top \mathbf{J}$ )의 고유값의 양의 제곱근이며, $\sigma_{\min}$ 은 $\min(m, n)$ 번째 특이값을 의미한다.

여유 자유도 매니퓰레이터( $n > m$ )의 경우 $\sigma_{\min} = \sigma_m$ 으로 취하며, 자유도 부족 매니퓰레이터( $m > n$ )의 경우 $\sigma_{\min} = \sigma_n$ 으로 취한다. 완전 행 계수의 정규 구성에서 $\sigma_{\min} > 0$ 이므로 조건수는 유한한 값을 가진다.

특이점에서는 $\sigma_{\min} = 0$ 이므로 $\kappa \to \infty$ 이며, 따라서 조건수는 특이점 접근의 감지기로 기능한다.

2. 기하학적 해석

자코비안의 조건수는 매니퓰러빌리티 타원체의 이방성을 정량화한다.

2.1 타원체 축비

매니퓰러빌리티 타원체의 반축은 자코비안의 특이값과 일치하므로, 조건수는 타원체의 최장 축과 최단 축의 비율이다.

$\kappa(\mathbf{J}) = \frac{\text{장축 길이}}{\text{단축 길이}}$

$\kappa = 1$ 인 타원체는 구이며, 이는 매니퓰레이터가 모든 방향으로 동일한 운동 능력을 가짐을 의미한다. 반대로 $\kappa \gg 1$ 인 타원체는 극히 이방적이며, 장축 방향의 운동 능력은 크지만 단축 방향의 운동 능력은 극히 제한된다.

32.29.3.2 운동 능력의 이방성

조건수는 매니퓰레이터가 작업 공간에서 모든 방향으로 균일한 운동 능력을 제공하는 정도를 측정한다. 높은 조건수는 특정 방향의 운동은 용이하지만 다른 방향의 운동은 어려운 구성을 나타내며, 이는 작업에 따라 장단점이 된다. 예를 들어 직선 경로 추종에서는 해당 방향의 장축 정렬이 바람직하지만, 임의 방향의 빠른 반응이 요구되는 작업에서는 낮은 조건수가 선호된다.

32.29.3.3 특이점 근접의 정량화

조건수는 매니퓰레이터가 특이점에 얼마나 가까운지를 정량화한다. 특이점에서 $\sigma_{\min} = 0$ 이므로 $\kappa \to \infty$ 이며, 특이점으로부터 멀어질수록 $\sigma_{\min}$ 이 증가하여 조건수가 감소한다. 이러한 의미에서 조건수는 매니퓰러빌리티 지수와 다른 관점의 특이점 근접 지표이다.

32.29.4 조건수의 수치적 계산

자코비안의 조건수는 일반적으로 특이값 분해(Singular Value Decomposition, SVD)로 계산된다.

첫째, 자코비안 $\mathbf{J}$ 의 특이값 분해 $\mathbf{J} = \mathbf{U} \mathbf{\Sigma} \mathbf{V}^\top$ 을 수행한다. 여기서 $\mathbf{U} \in \mathbb{R}^{m \times m}$ , $\mathbf{V} \in \mathbb{R}^{n \times n}$ 은 직교 행렬이고 $\mathbf{\Sigma} \in \mathbb{R}^{m \times n}$ 은 대각에 특이값을 가진 행렬이다.

둘째, $\mathbf{\Sigma}$ 의 대각 성분으로부터 $\sigma_{\max}$ 와 $\sigma_{\min}$ 을 추출한다.

셋째, 조건수를 $\kappa = \sigma_{\max} / \sigma_{\min}$ 으로 계산한다.

수치적 안정성을 위해 작은 특이값의 역수 계산을 직접 수행하지 않고 비율 형태로 계산한다. 또한 극히 작은 $\sigma_{\min}$ 에서는 부동 소수점 오차에 의해 조건수가 무한대로 발산할 수 있으므로, 임계값 기반의 감쇠 조건수가 사용되기도 한다.

대안적으로 정방 $\mathbf{J} \mathbf{J}^\top$ 의 고유값 분해를 통해 조건수를 계산할 수 있다. 이 경우 $\kappa(\mathbf{J})^2 = \lambda_{\max}(\mathbf{J} \mathbf{J}^\top) / \lambda_{\min}(\mathbf{J} \mathbf{J}^\top)$ 의 관계를 이용한다. 다만 $\mathbf{J} \mathbf{J}^\top$ 의 조건수는 $\mathbf{J}$ 의 조건수의 제곱이므로 수치적 민감도가 증가하며, 일반적으로 SVD 기반 계산이 선호된다.

32.29.5 정규화의 필요성

자코비안의 조건수는 매니퓰러빌리티 지수와 마찬가지로 선속도와 각속도의 단위 혼재 문제에 직면한다. 기하학적 자코비안의 선속도 블록과 각속도 블록은 서로 다른 단위를 가지므로, 직접적인 특이값 비교는 물리적 의미가 모호하다.

32.29.5.1 특성 길이에 의한 정규화

특성 길이 $L_c$ 를 도입하여 각속도 블록을 선속도 차원으로 변환한 정규화된 자코비안을 정의한다.

$\mathbf{J}_{\text{norm}} = \begin{bmatrix} \mathbf{J}_v \\ L_c \, \mathbf{J}_\omega \end{bmatrix}$

이 정규화된 자코비안으로부터 계산된 조건수는 물리적 일관성을 갖는다. 특성 길이의 선택에는 여러 방법이 제안되어 왔다.

최장 링크 길이: 매니퓰레이터 링크 중 최장 링크의 길이를 사용.

총 링크 길이: 모든 링크 길이의 합 또는 평균을 사용.

등방성 기반 특성 길이: 작업 공간 내 등방 구성에서 조건수가 최소화되도록 역으로 결정되는 특성 길이를 사용(Angeles, 2002).

2.2 분리된 조건수

선속도 블록과 각속도 블록의 조건수를 개별적으로 계산하는 방법도 사용된다.

$\kappa_v(\vec{q}) = \frac{\sigma_{v, \max}}{\sigma_{v, \min}}, \quad \kappa_\omega(\vec{q}) = \frac{\sigma_{\omega, \max}}{\sigma_{\omega, \min}}$

이 분리된 조건수는 단위 일관성을 자동적으로 보장하며, 위치 이방성과 방향 이방성을 독립적으로 평가한다.

32.29.6 조건수의 역수와 국소 조건 지표

조건수는 $[1, \infty)$ 범위의 값을 가지므로 직접 비교가 불편한 경우가 많다. 이를 해결하기 위해 조건수의 역수에 해당하는 국소 조건 지표(Local Conditioning Index, LCI)가 사용된다.

$\text{LCI}(\vec{q}) = \frac{1}{\kappa(\mathbf{J}(\vec{q}))} = \frac{\sigma_{\min}(\mathbf{J}(\vec{q}))}{\sigma_{\max}(\mathbf{J}(\vec{q}))} \in [0, 1]$

LCI는 특이점에서 $0$ 이고 등방 구성에서 $1$ 이므로 정규화된 비교가 가능하며, 평균 및 통계적 처리가 용이하다. Angeles와 López-Cajún(1992)은 LCI를 작업 공간 전역에서 평균한 전역 조건 지표(Global Conditioning Index, GCI)를 제안하였다.

$\eta_{\text{GCI}} = \frac{\int_{\mathcal{W}} \text{LCI}(\vec{q}) \, dV}{\int_{\mathcal{W}} dV}$

GCI는 매니퓰레이터 구조의 전역적 이방성을 평가하는 설계 지표로서 활용된다.

32.29.7 매니퓰러빌리티 지수와의 비교

조건수와 매니퓰러빌리티 지수는 자코비안의 특이값 분포를 서로 다른 관점에서 요약한다.

매니퓰러빌리티 지수: $w = \prod_{i=1}^m \sigma_i$ . 특이값의 곱이며, 매니퓰러빌리티 타원체의 부피를 측정한다. 운동 능력의 총량을 나타낸다.

조건수: $\kappa = \sigma_{\max} / \sigma_{\min}$ . 최대 및 최소 특이값의 비율이며, 타원체의 이방성을 측정한다. 운동 능력의 방향별 균일성을 나타낸다.

두 지표는 독립적이며, 다음의 네 가지 유형이 가능하다.

높은 $w$ 와 낮은 $\kappa$ : 모든 방향으로 큰 운동 능력이 균일하게 분포. 이상적 구성.

높은 $w$ 와 높은 $\kappa$ : 큰 운동 능력이 일부 방향에 편중. 장축 방향의 작업에는 적합하나 임의 방향 작업에는 부적합.

낮은 $w$ 와 낮은 $\kappa$ : 작은 운동 능력이 균일하게 분포. 작업 공간 경계 근처에서 흔한 구성.

낮은 $w$ 와 높은 $\kappa$ : 운동 능력이 일부 방향으로만 제한되고 다른 방향은 거의 영. 특이점 근접 구성.

실무적 성능 평가에서는 두 지표를 함께 보고하여 매니퓰레이터의 특성을 포괄적으로 기술한다.

32.29.8 등방성과의 관계

자코비안의 조건수 $\kappa = 1$ 에 해당하는 구성을 등방 구성(isotropic configuration)이라 하며, 이 구성의 자코비안은 모든 특이값이 동일하다. 이는 매니퓰러빌리티 타원체가 구임을 의미하며, 모든 방향으로 동일한 운동 능력을 제공한다.

등방 구성의 자코비안은 다음의 성질을 만족한다.

$\mathbf{J} \mathbf{J}^\top = \sigma^2 \mathbf{I}_m$

여기서 $\sigma$ 는 공통 특이값이다. 이러한 구성은 수치적으로 가장 안정적이며, 역기구학의 수치적 구현에서 최적의 조건을 제공한다.

매니퓰레이터의 설계에서 등방 구성의 존재와 그 위치는 중요한 설계 기준이 된다. 일부 매니퓰레이터는 구조적으로 등방 구성을 갖지 않을 수 있으며, 이 경우 최소 조건수 구성이 대안적 기준으로 사용된다.

3. 수치적 역기구학에서의 역할

조건수는 수치적 역기구학의 수치적 안정성을 결정하는 핵심 요소이다. 뉴턴-랩슨 기반 반복 역기구학 알고리즘은 매 반복에서 자코비안의 역행렬 또는 의사 역행렬을 계산하며, 조건수가 큰 경우 반복 해의 수치적 오차가 급격히 증폭된다.

3.1 반복법의 수렴 속도

자코비안의 조건수가 클수록 뉴턴-랩슨 반복의 수렴 속도가 저하된다. 특이점 근방에서는 조건수가 발산하므로 반복이 발산하거나 비현실적으로 큰 관절 변화를 생성할 수 있다.

3.2 감쇠 최소 제곱법의 동기

큰 조건수에 기인한 수치적 불안정성을 회피하기 위해 감쇠 최소 제곱법(Damped Least Squares)이 사용된다. 감쇠 의사 역행렬은 다음과 같다.

$\mathbf{J}^\# = \mathbf{J}^\top (\mathbf{J} \mathbf{J}^\top + \lambda^2 \mathbf{I})^{-1}$

감쇠 계수 $\lambda$ 는 작은 특이값의 효과를 제한하여 조건수를 실질적으로 제한하며, 특이점 근방에서도 유한한 관절 속도 명령을 보장한다. 감쇠 계수는 조건수 또는 최소 특이값에 따라 적응적으로 조정되기도 한다.

32.29.9.3 선택적 감쇠

조건수가 작은 구성에서는 감쇠 없이 정확한 의사 역행렬을 사용하고, 조건수가 큰 구성에서만 감쇠를 적용하는 선택적 감쇠 방법이 제안되어 왔다. 이를 통해 정확도와 안정성의 절충을 맥락에 따라 조절한다.

32.29.10 성능 평가에서의 응용

자코비안의 조건수는 다음의 성능 평가 응용에 활용된다.

32.29.10.1 자세 평가

특정 작업 자세에서의 조건수 계산을 통해 해당 자세의 운동학적 품질을 평가한다. 동일 엔드 이펙터 자세에 대한 다중 역기구학 해 중 조건수가 가장 작은 구성을 선택하는 기준이 된다.

32.29.10.2 전역 설계 평가

작업 공간 전역에서의 평균 조건수 또는 전역 조건 지표는 매니퓰레이터 구조의 본질적 이방성을 평가한다. 이는 매니퓰레이터 구조 비교의 표준 지표로 사용된다.

32.29.10.3 링크 길이 최적화

링크 길이의 변경이 조건수에 미치는 영향을 분석하여 전역 조건 지표를 최대화하는 링크 길이 조합을 결정한다. 이러한 최적화는 조립 로봇, 의료 로봇, 과학 측정 장비 등 높은 수치적 정확도가 요구되는 응용에 특히 중요하다.

32.29.10.4 작업 계획

작업 경로의 선택에서 평균 조건수 또는 최대 조건수를 기준으로 경로를 최적화한다. 특히 힘 제어 작업에서는 낮은 조건수의 자세가 선호되므로, 이는 작업 계획의 핵심 기준이 된다.

32.29.10.5 병렬 매니퓰레이터

병렬 매니퓰레이터의 설계에서 조건수는 플랫폼의 이방성을 평가하는 표준 지표이다. 직렬 매니퓰레이터보다 병렬 매니퓰레이터에서 특이점의 종류와 구조가 더 복잡하므로, 조건수 기반 분석이 상대적으로 더 중요한 역할을 수행한다.

32.29.11 관련 지표와의 비교

조건수 외에도 자코비안의 수치적 특성을 평가하는 여러 지표가 존재한다.

32.29.11.1 최소 특이값

최소 특이값 $\sigma_{\min}$ 은 특이점으로부터의 절대적 거리를 측정한다. 조건수가 비율 형태인 반면 최소 특이값은 절대값 형태이므로, 스케일 정보를 보존한다. 단, $\sigma_{\min}$ 은 자코비안의 전체 스케일에 의존하므로 서로 다른 매니퓰레이터 간 비교에는 부적합하다.

32.29.11.2 프로베니우스 조건수

프로베니우스 노름 기반 조건수는 다음과 같이 정의된다.

$\kappa_F(\mathbf{J}) = \|\mathbf{J}\|_F \cdot \|\mathbf{J}^+\|_F = \sqrt{\sum_i \sigma_i^2} \cdot \sqrt{\sum_i \sigma_i^{-2}}$

이 지표는 스펙트럼 조건수와 달리 모든 특이값을 반영하므로 보다 포괄적인 수치적 상태 정보를 제공하나, 기하학적 해석이 덜 직관적이다.

3.3 행렬식 기반 지표

$\det(\mathbf{J} \mathbf{J}^\top)$ 은 매니퓰러빌리티 지수의 제곱으로서 부피 정보를 제공한다. 이는 조건수와 독립적인 정보이다.

3.4 이방성 지수

일부 연구자는 조건수 대신 이방성 지수 $1 - \sigma_{\min} / \sigma_{\max}$ 를 사용하며, 이는 LCI의 선형 변환과 동치이다.

4. 한계와 주의 사항

자코비안의 조건수의 유용성에도 불구하고 다음의 한계와 주의 사항이 존재한다.

단위 혼재 문제: 선속도와 각속도의 단위가 혼재된 기하학적 자코비안의 조건수는 물리적 해석이 모호하다. 정규화된 자코비안 또는 분리된 조건수가 필요하다.

특성 길이 선택의 모호성: 단위 일관성 정규화에 사용되는 특성 길이의 선택에 보편적 기준이 없으며, 조건수 값이 특성 길이에 의존한다.

부피 정보의 손실: 조건수는 특이값의 비율만을 반영하므로, 매니퓰러빌리티 타원체의 크기 정보를 포함하지 않는다. 따라서 매니퓰러빌리티 지수와 병용해야 한다.

중간 특이값의 무시: 스펙트럼 조건수는 최대 및 최소 특이값만 반영하며 중간 특이값의 분포는 무시한다. 복잡한 특이값 분포의 평가에는 프로베니우스 조건수 또는 전체 특이값 스펙트럼의 분석이 필요하다.

동역학적 효과 미반영: 조건수는 기구학 기반 지표이므로 관성, 중력, 토크 한계 등의 동역학적 제약을 반영하지 않는다.

특이점 근방의 수치적 민감도: 조건수는 $\sigma_{\min} \to 0$ 에서 발산하므로, 특이점 근방에서의 수치적 평가는 부동 소수점 오차에 민감하다.

5. 학술적 의의

본 절에서 정리한 자코비안 조건수의 이론은 로봇 공학에서 다음의 학술적 의의를 가진다. 첫째, 선형대수학의 고전적 조건수 개념을 매니퓰레이터 자코비안에 체계적으로 적용하여, 매니퓰러빌리티 타원체의 이방성을 정량화하는 표준 지표를 제공한다. 둘째, 매니퓰러빌리티 지수가 운동 능력의 총량을 측정하는 반면 조건수는 균일성을 측정하므로, 두 지표의 병용은 매니퓰레이터 성능 평가의 다차원적 접근을 가능하게 한다. 셋째, 국소 조건 지표와 전역 조건 지표는 개별 구성 평가에서 설계 최적화까지의 일관된 이론적 틀을 제공한다. 넷째, 수치적 역기구학의 수렴성과 안정성 해석의 수학적 기초로서 조건수는 감쇠 최소 제곱법, 선택적 감쇠, 특이점 회피 등 다양한 알고리즘 개발의 동기를 제공한다. 다섯째, 등방 구성의 정의와 존재 조건은 매니퓰레이터 설계 최적화의 핵심 기준을 확립한다. 여섯째, 본 절은 후속 절에서 다룰 등방성 조건과 등방 구성의 해석적 분석에 필요한 수학적 도구를 제공한다. 일곱째, 정규화, 특성 길이, 분리된 조건수 등의 개념은 로봇 공학의 실무적 평가에서 단위 일관성 확보의 표준 절차를 제공한다.

6. 출처

Salisbury, J. K. and Craig, J. J., “Articulated hands: Force control and kinematic issues”, International Journal of Robotics Research, Vol. 1, No. 1, pp. 4–17, 1982.
Angeles, J. and López-Cajún, C. S., “Kinematic isotropy and the conditioning index of serial robotic manipulators”, International Journal of Robotics Research, Vol. 11, No. 6, pp. 560–571, 1992.
Gosselin, C. and Angeles, J., “A global performance index for the kinematic optimization of robotic manipulators”, Journal of Mechanical Design, Vol. 113, No. 3, pp. 220–226, 1991.
Yoshikawa, T., “Manipulability of robotic mechanisms”, International Journal of Robotics Research, Vol. 4, No. 2, pp. 3–9, 1985.
Klein, C. A. and Blaho, B. E., “Dexterity measures for the design and control of kinematically redundant manipulators”, International Journal of Robotics Research, Vol. 6, No. 2, pp. 72–83, 1987.
Angeles, J., Fundamentals of Robotic Mechanical Systems: Theory, Methods, and Algorithms, 2nd edition, Springer, 2002.
Golub, G. H. and Van Loan, C. F., Matrix Computations, 4th edition, Johns Hopkins University Press, 2013.
Trefethen, L. N. and Bau, D., Numerical Linear Algebra, SIAM, 1997.
Spong, M. W., Hutchinson, S., and Vidyasagar, M., Robot Modeling and Control, 2nd edition, Wiley, 2020.
Siciliano, B., Sciavicco, L., Villani, L., and Oriolo, G., Robotics: Modelling, Planning and Control, Springer, 2009.
Lynch, K. M. and Park, F. C., Modern Robotics: Mechanics, Planning, and Control, Cambridge University Press, 2017.

7. 버전

문서 버전: 1.1
작성일: 2026-04-20