용어집

그리퍼란 로봇이 물체를 집거나 놓을 수 있도록 팔 끝에 부착하는 파지(把持) 장치이다. 로봇팔은 그리퍼 없이 물체를 직접 다룰 수 없기 때문에, 작업 목적에 맞는 그리퍼를 장착해야 조립·포장·이송 등의 작업을 수행할 수 있다. 두 개 이상의 핑거(finger)가 열리고 닫히며 물체를 쥐는 방식이 가장 일반적이며, 진공으로 표면을 흡착하는 방식이나 전자석을 이용하는 방식도 널리 쓰인다. 예를 들어 자동차 조립 라인에서 볼트를 집어 지정 위치에 놓는 로봇팔 끝에는 볼트 크기에 맞춘 2핑거 그리퍼가 사용된다. 엔드 이펙터(end effector)는 그리퍼를 포함하는 더 넓은 개념으로, 용접 토치나 페인팅 노즐처럼 물체를 직접 집지 않는 도구도 모두 엔드 이펙터에 해당한다.

입문

동역학이란 물체에 작용하는 힘과 토크가 운동 상태를 어떻게 변화시키는지를 분석하는 역학 분야이다. 로봇이 목표 궤적을 추종하거나 외부 부하를 처리하려면 각 관절에 가해야 할 토크를 정확히 계산해야 하므로, 동역학 모델은 로봇 제어기 설계의 기반이 된다. 실제로는 뉴턴-오일러 방법이나 라그랑지안 공식을 이용해 관절 토크, 관성, 중력, 코리올리 효과 사이의 관계를 수식으로 표현한다. 예를 들어, 6축 산업용 로봇팔이 무거운 부품을 고속으로 이송할 때 이 네 가지 항을 모두 고려해 각 관절 모터의 필요 토크를 산출한다. 운동학(Kinematics)이 힘을 무시하고 위치·속도·가속도의 기하학적 관계만 다루는 것과 달리, 동역학은 그 운동을 유발하는 힘의 원인까지 함께 다룬다.

중급

라이다(LiDAR, Light Detection and Ranging)란 레이저 빛을 쏘고 물체에 반사되어 돌아오는 시간을 측정해 주변 환경의 거리와 형상을 3차원으로 파악하는 센서다. 카메라는 색과 밝기를 기록하지만 거리를 직접 재지 못하는 반면, 라이다는 빛의 왕복 시간을 이용해 수십 미터 밖 물체까지 정밀한 거리 정보를 얻을 수 있어 로봇이 공간을 인식하는 데 활용된다. 측정 결과는 수만~수백만 개의 점으로 이루어진 '포인트 클라우드'라는 3차원 지도 형태로 표현된다. 자율주행 로봇이 창고 안을 돌아다닐 때 전방 장애물까지의 거리를 실시간으로 계산해 충돌을 피하는 것이 대표적인 활용 예다. 초음파 센서도 거리를 재는 센서지만, 라이다에 비해 측정 범위와 해상도가 낮아 정밀한 3차원 지도 작성에는 적합하지 않다.

입문

엔코더란 모터나 회전축의 움직임을 전기 신호로 변환하여 위치·속도·방향을 측정하는 센서이다. 로봇이 관절을 얼마나 돌렸는지 스스로 파악해야 목표 자세에 정확히 도달할 수 있기 때문에, 엔코더는 모터 제어에서 빠질 수 없는 피드백 장치다. 예를 들어, 6축 로봇팔은 각 관절마다 엔코더를 달아 현재 각도를 실시간으로 읽으면서 모터를 조절한다. 엔코더는 크게 회전량을 누적해 세는 증분형(Incremental)과, 전원이 꺼져도 절대 위치를 기억하는 절대형(Absolute)으로 나뉜다. 엔코더가 위치를 '측정'하는 장치라면, 서보 모터는 그 측정값을 이용해 위치를 '제어'하는 구동 장치라는 점에서 구분된다.

입문

자유도(DOF)란 로봇이 독립적으로 움직일 수 있는 방향 또는 축의 수를 말한다. 자유도가 높을수록 로봇이 더 다양한 자세와 경로로 움직일 수 있어, 복잡한 작업을 수행하는 데 유리하다. 예를 들어 6축 산업용 로봇팔의 자유도는 6으로, 팔 끝을 공간 안의 원하는 위치에 놓으면서 방향까지 자유롭게 조절할 수 있다. 자유도는 로봇 관절의 수와 종류에 따라 결정되며, 회전 관절 하나는 보통 자유도 1을 제공한다. 자유도와 혼동하기 쉬운 '작업 공간(workspace)'은 자유도 수가 아니라 로봇 끝단이 실제로 도달할 수 있는 공간의 범위를 가리킨다.

입문

특이점이란 로봇 팔이 특정 자세에 놓였을 때 야코비안(Jacobian) 행렬의 행렬식이 0이 되어, 말단장치(end-effector)가 특정 방향으로 움직일 수 없게 되는 구성을 말한다. 이 상태에서는 역기구학 해가 불안정해지거나 무한히 많아지며, 말단장치를 조금만 움직이려 해도 관절이 극단적으로 빠른 속도로 회전해야 하는 현상이 발생한다. 따라서 경로 계획 단계에서 특이점을 미리 식별하고 회피하는 것이 필수적이다. 6축 수직 다관절 로봇이 팔을 완전히 뻗어 작업 영역 경계에 도달할 때 나타나는 '경계 특이점(boundary singularity)'이 대표적인 예다. 특이점은 말단장치가 작업공간 밖에 있어 도달 자체가 불가능한 상태와는 다르며, 기구학적으로 도달은 가능하나 운동 제어가 정의되지 않는 상태를 가리킨다.

중급

가반하중이란 로봇이 정해진 동작 범위 안에서 안전하게 들어 올리거나 이동시킬 수 있는 최대 하중이다. 이 값을 초과하면 구동부에 과부하가 걸려 동작 정밀도가 떨어지거나 고장으로 이어질 수 있다. 산업 현장에서 로봇을 선정할 때 가장 먼저 확인하는 사양 중 하나로, 조립·팔레타이징·용접 등 작업에 맞는 로봇을 고르는 기준이 된다. 주의할 점은 가반하중에 그리퍼나 공구 같은 엔드이펙터의 무게도 포함된다는 것이다. 예를 들어 가반하중 10 kg인 로봇팔에 무게 3 kg짜리 그리퍼를 달면, 실제로 파지할 수 있는 물체의 무게는 7 kg이 된다. 가반하중은 로봇이 닿을 수 있는 최대 거리를 뜻하는 작업 반경(리치)과는 다른 개념으로, 두 값을 함께 확인해야 로봇의 실제 작업 능력을 파악할 수 있다.

입문

강화학습이란 에이전트가 환경과 상호작용하면서 누적 보상을 최대화하는 정책(policy)을 스스로 학습하는 기계학습 패러다임이다. 정답 레이블 없이 보상 신호만으로 학습이 이루어지므로, 사전에 규칙으로 명시하기 어려운 복잡한 행동 전략을 자동으로 발견할 수 있다. 로봇공학에서는 벨만 방정식(Bellman equation) 기반의 Q-러닝이나 정책 기울기(policy gradient) 방법이 대표적으로 활용된다. 예를 들어 로봇팔이 다양한 형태의 물체를 파지(grasping)하는 동작을 시뮬레이터 내 반복 시행을 통해 스스로 최적화하는 것이 전형적인 응용이다. 지도학습과의 차이점은, 지도학습이 정답 레이블을 직접 학습하는 반면 강화학습은 행동의 결과로 주어지는 보상 신호를 통해 간접적으로 최적 행동을 찾는다는 점이다.

고급

경로계획이란 로봇이 시작 위치에서 목표 위치까지 장애물을 회피하면서 이동할 수 있는 경로를 탐색·생성하는 과정이다. 로봇이 자율적으로 환경 안에서 작업을 수행하려면 실행에 앞서 충돌 없이 이동 가능한 경로를 미리 계산해야 한다. A*, RRT(Rapidly-exploring Random Tree) 등의 알고리즘이 대표적으로 쓰이며, 사전에 확보한 전체 지도를 활용하는 전역 경로계획과 센서 데이터로 실시간 장애물을 처리하는 지역 경로계획으로 나뉜다. 예를 들어 물류 창고의 자율이동로봇(AMR)은 선반 배치 지도를 바탕으로 출발 지점부터 목적 선반까지의 경로를 사전에 계산한 뒤 이동한다. 경로계획이 이동 경로의 기하학적 형태를 구하는 것이라면, 속도·가속도 프로파일까지 포함한 실행 가능한 운동을 생성하는 것은 운동계획(Motion Planning)으로 구분한다.

중급

관절공간이란 로봇의 각 관절 값(회전 관절의 각도, 직선 관절의 변위)을 좌표로 삼아 로봇의 자세를 표현하는 공간이다. 로봇을 제어할 때 모터가 직접 다루는 값이 관절 값이므로, 관절공간에서 경로를 계획하면 각 모터의 움직임을 직접 설계할 수 있다. 예를 들어 6축 산업용 로봇팔은 여섯 개의 관절 각도로 하나의 자세를 나타내며, 이 여섯 값의 조합 전체가 관절공간을 이룬다. 관절공간 경로 계획은 용접·도장 자동화처럼 팔이 부드럽게 연속 동작해야 하는 현장에서 폭넓게 쓰인다. 관절공간은 로봇 끝단(엔드이펙터)의 위치와 방향으로 표현하는 작업공간(Task Space)과 구별되며, 두 공간 사이를 변환하는 것이 순기구학과 역기구학이다.

입문

모방학습이란 전문가의 시연(demonstration) 데이터로부터 행동 정책을 학습하는 방법론으로, 보상 함수를 명시적으로 정의하지 않고도 기술을 습득할 수 있다는 특징이 있다. 보상 함수 설계가 어렵거나 환경과의 실시간 상호작용 비용이 클 때 활용도가 높다. 행동 복제(Behavioral Cloning)는 상태-행동 쌍을 지도학습으로 직접 모방하지만, 학습 분포에서 벗어난 상태에서 오류가 누적되는 분포 이동(distribution shift) 문제가 발생한다. 이를 완화하기 위해 DAgger처럼 전문가 쿼리를 반복적으로 수집해 온라인으로 데이터를 집계하는 알고리즘이 제안되었다. 로봇 팔이 사람의 텔레오퍼레이션 궤적 수십 건을 학습해 정밀 조립 동작을 재현하는 것이 대표적 응용 사례다. 역강화학습(Inverse Reinforcement Learning)은 시연으로부터 보상 함수 자체를 복원한 뒤 정책을 도출한다는 점에서, 행동을 직접 복제하는 행동 복제와 구별된다.

고급

서보모터란 위치·속도·토크를 목표값에 맞게 정밀하게 유지할 수 있도록 피드백 장치가 내장된 모터이다. 일반 DC 모터는 전원을 넣으면 그냥 회전하지만, 서보모터는 현재 상태를 측정해 목표와의 오차를 스스로 줄이는 방식으로 동작하기 때문에 원하는 각도나 속도에 정확히 맞출 수 있다. 이러한 특성 덕분에 반복 작업의 정밀도가 요구되는 곳에 적합하다. 산업용 로봇팔의 각 관절에 서보모터가 달려 있어, 지령한 각도로 정확히 멈추고 다시 같은 위치로 돌아올 수 있다. 스테핑 모터도 정밀 제어에 활용되지만, 서보모터는 실시간 피드백으로 부하 변화에도 위치 오차를 보정한다는 점에서 구분된다.

입문

순기구학이란 로봇의 각 관절 변수(각도 또는 직선 변위)가 주어졌을 때 말단 장치(end-effector)의 위치와 자세를 계산하는 방법이다. 관절을 특정 각도로 구동했을 때 로봇팔 끝이 공간상 어디에 놓이는지 파악해야 경로 계획이나 시뮬레이션을 수행할 수 있기 때문에 반드시 필요하다. 각 링크 간의 기하학적 관계를 동차변환행렬(homogeneous transformation matrix)로 표현하고 이를 순서대로 곱해 최종 변환을 구하며, 이 과정에서 DH 파라미터(Denavit-Hartenberg parameters)가 널리 활용된다. 예를 들어 6축 산업용 로봇팔에서 6개의 관절 각도를 입력하면 순기구학을 통해 공구 끝의 3차원 위치와 방향을 유일하게 결정할 수 있다. 반대로 목표 위치·자세로부터 필요한 관절 변수를 역산하는 것은 역기구학(Inverse Kinematics)이라 하며, 순기구학과 달리 해가 여러 개이거나 존재하지 않을 수 있다.

중급

어포던스란 객체의 형상·재질·공간적 배치가 로봇 에이전트에게 제공하는 행동 가능성(action possibility)을 가리키며, 생태심리학자 깁슨(J.J. Gibson)의 개념을 로봇공학에 도입한 것이다. 로봇이 미지의 객체를 다룰 때 사전에 정의된 동작 목록에 의존하지 않고 객체 속성으로부터 직접 행동 가능성을 추론하기 위해 이 개념이 필요하다. 실제로는 파지 계획, 도구 사용, 인간-로봇 상호작용 등에서 어포던스 맵을 추출하는 형태로 활용되며, 합성곱 신경망(CNN)이나 포인트 클라우드 기반 모델이 픽셀·점 단위로 어포던스를 예측하는 데 쓰인다. 예를 들어 컵의 손잡이 영역은 '파지(grasp)' 어포던스를, 상단 개구부는 '붓기(pour)' 어포던스를 나타낸다고 표현한다. 어포던스는 객체 자체의 고정 속성이 아니라 로봇의 신체 능력과 객체 속성 사이의 관계적 개념이므로, 물체의 클래스만 분류하는 객체 인식(object recognition)과는 구별된다.

고급

역기구학이란 로봇 끝단(엔드이펙터)의 목표 위치와 자세가 주어졌을 때, 이를 달성하기 위한 각 관절의 각도 또는 변위를 역으로 계산하는 방법이다. 로봇에게 '특정 지점으로 이동하라'는 명령을 내리면, 제어 시스템은 역기구학을 통해 각 관절을 얼마나 움직여야 하는지 결정한다. 6축 산업용 로봇팔에서 용접 토치를 특정 좌표에 위치시키려면 6개 관절 각도의 조합을 역기구학으로 구해야 하며, 해가 여러 개 존재할 수 있어 그 중 하나를 선택하는 기준이 필요하다. 풀이 방식으로는 닫힌 형태의 수식으로 해를 구하는 해석적 방법과, 야코비안 행렬을 이용해 반복적으로 해에 접근하는 수치적 방법이 주로 쓰인다. 순기구학(Forward Kinematics)은 반대로 각 관절값이 주어졌을 때 끝단의 위치·자세를 구하는 계산으로, 역기구학과 입력과 출력의 방향이 서로 반대임을 혼동하지 않아야 한다.

중급

원격조작이란 조작자가 로봇과 물리적으로 분리된 위치에서 실시간으로 로봇의 동작을 지령하고 감독하는 제어 방식이다. 방사성 환경, 심해, 우주 공간처럼 인간이 직접 접근하기 어려운 곳에서 안전하게 작업을 수행하기 위해 도입된다. 고급 시스템은 마스터-슬레이브 구조에 양방향 햅틱 피드백을 결합하여 조작자가 슬레이브 로봇의 접촉력을 감지하면서 조작할 수 있게 한다. 예를 들어 국제우주정거장의 원격 로봇팔 조작에서는 수백 밀리초의 통신 지연이 발생하며, 이를 보상하기 위해 wave variable 제어나 Smith Predictor 기법이 적용된다. 자율 로봇은 로봇 자체가 판단과 실행을 모두 담당하지만, 원격조작은 인간이 제어 루프 안에 남아 최종 의사결정을 내린다는 점에서 구별된다.

고급

자코비안이란 로봇 관절 공간의 속도와 작업 공간(엔드이펙터)의 속도를 선형으로 연결하는 행렬이다. 이 행렬의 각 원소는 순기구학 함수를 관절 변수에 대해 편미분한 값으로 구성된다. 관절 각속도 벡터에 자코비안을 곱하면 엔드이펙터의 선속도와 각속도를 한 번에 계산할 수 있어, 속도 제어와 반복적 역기구학 풀이에 폭넓게 활용된다. 예를 들어 6축 산업용 로봇팔에서는 6×6 자코비안 행렬이 구성되며, 이 행렬의 행렬식이 0이 되는 자세가 바로 특이점(Singularity)이다. 자코비안의 전치(transpose)를 이용하면 엔드이펙터에 가해지는 힘·토크를 관절 토크로 변환하는 힘 제어에도 응용할 수 있다. 순기구학이 관절 값→위치 변환 자체를 다루는 반면, 자코비안은 그 변환의 미분, 즉 속도 관계를 다룬다는 점에서 구별된다.

중급

작업영역이란 로봇의 끝단(엔드이펙터)이 물리적으로 도달할 수 있는 공간의 전체 범위를 말한다. 로봇 팔의 각 관절이 움직일 수 있는 각도와 링크의 길이가 작업영역의 크기와 형태를 결정한다. 실제 현장에서는 용접이나 조립 라인을 설계할 때 로봇이 목표 지점에 닿을 수 있는지 확인하기 위해 작업영역을 먼저 파악한다. 예를 들어, 6축 산업용 로봇팔은 관절 구조 특성상 본체 주변을 감싸는 구형(球形)에 가까운 작업영역을 가지며, 팔이 완전히 펴지는 최대 반경과 기구 구조상 손이 닿지 않는 사각지대가 함께 존재한다. 한편 작업영역은 위치에 도달할 수 있는지만 나타내며, 그 위치에서 엔드이펙터가 어떤 방향(자세)을 취할 수 있는지는 별도로 검토해야 한다.

입문

코스트맵(Costmap)이란 로봇이 이동할 공간을 격자(grid)로 나누고, 각 셀에 통과 비용(cost) 값을 부여한 지도이다. 경로 계획 알고리즘은 이 비용 값을 참고해 충돌 위험이 낮고 이동 거리가 짧은 경로를 탐색할 수 있다. 장애물이 있는 셀은 최고 비용으로, 장애물 인근 셀은 중간 비용으로, 자유 공간은 낮은 비용으로 표시되는데, 이처럼 장애물 주변에 비용을 점진적으로 높이는 처리를 팽창(inflation)이라 한다. 예를 들어 ROS의 내비게이션 스택은 글로벌 코스트맵과 로컬 코스트맵을 함께 운용하여 전체 경로 계획과 실시간 장애물 회피를 각각 담당하게 한다. 코스트맵은 점유 격자 지도(Occupancy Grid Map)를 기반으로 만들어지지만, 점유 격자 지도가 '점유/미점유'만 표현하는 데 비해 코스트맵은 통과 비용이라는 연속적인 값을 추가로 담는다는 점에서 구별된다.

중급

협동로봇이란 사람과 같은 작업 공간에서 안전하게 함께 작동할 수 있도록 설계된 로봇이다. 기존 산업용 로봇은 빠른 속도와 강한 힘 때문에 반드시 안전 울타리 안에서만 운용해야 했지만, 협동로봇은 충돌 감지 기능과 출력 제한 설계를 갖춰 사람 옆에서 바로 사용할 수 있다. 예를 들어 전자제품 조립 라인에서 협동로봇이 나사를 조이는 동안 작업자가 바로 옆에서 부품을 올려놓는 방식으로 함께 일한다. 반복적이거나 정밀도가 필요한 작업은 로봇이 담당하고, 판단이 필요한 부분은 사람이 맡는 역할 분담이 가능해 중소 제조 현장이나 물류·의료 보조 분야에 널리 쓰인다. 협동로봇과 산업용 로봇은 모두 자동화 장비이지만, 산업용 로봇은 사람과 반드시 분리된 구역에서만 운용해야 한다는 점이 다르다.

입문

무인운반차(AGV)란 사람이 직접 조종하지 않아도 미리 정해진 경로를 따라 스스로 이동하며 화물을 운반하는 차량이다. 공장이나 물류 창고에서 반복적인 자재 이송 작업을 자동화하여 인력 부담을 줄이고 운반 실수를 줄이기 위해 도입된다. 바닥에 붙인 자기 테이프, 레이저 반사판, 또는 QR 코드 등 다양한 방식으로 경로를 인식해 주행한다. 자동차 조립 공장에서 엔진 부품을 실은 AGV가 바닥의 자기 테이프 선을 따라 각 조립 공정으로 자동 이동하는 것이 대표적인 사례이다. 비슷해 보이는 자율이동로봇(AMR)은 고정 경로 없이 주변 환경을 스스로 인식하여 경로를 실시간으로 결정한다는 점에서 AGV와 구분된다.

입문

반복정밀도란 로봇이 동일한 명령을 여러 번 실행했을 때 매번 도달하는 위치가 얼마나 일정하게 모이는지를 나타내는 지표다. 자동화 공정에서는 같은 동작을 수백·수천 번 되풀이하므로, 끝점 위치가 조금씩 달라지면 조립 불량이나 작업 오류로 이어진다. 예를 들어 자동차 생산 라인의 용접 로봇은 매 사이클마다 토치를 정확히 같은 지점에 가져다 대야 하는데, 이 일관성이 반복정밀도로 평가된다. 정확도(Accuracy)와 혼동하기 쉬운데, 정확도는 지정한 목표 위치에 얼마나 가깝게 도달하는지를 뜻하고, 반복정밀도는 같은 동작을 반복할 때 결과가 얼마나 일관되는지를 뜻한다. 따라서 반복정밀도가 높더라도 목표 위치에 정확히 도달한다는 보장은 없다.

입문

액추에이터란 전기·유압·공압 등의 에너지를 받아 실제 물리적 운동(회전, 직선 이동 등)을 만들어 내는 장치이다. 로봇이 계산한 명령을 실제 힘과 움직임으로 변환해야만 물체를 잡거나 이동하는 동작이 가능하기 때문에 반드시 필요하다. 산업용 로봇팔의 각 관절에는 모터 형태의 액추에이터가 달려 있어, 제어기의 신호를 받아 팔을 원하는 각도로 회전시킨다. 센서가 환경 정보를 '읽는' 장치라면, 액추에이터는 반대로 환경에 '작용하는' 장치라는 점에서 구분된다.

입문

엔드이펙터란 로봇팔의 끝단에 부착되어 실제 작업을 직접 수행하는 장치이다. 로봇팔(매니퓰레이터)은 끝점의 위치와 방향을 결정하는 역할을 할 뿐이며, 물체를 집거나 용접하거나 도색하는 등의 구체적인 작업은 엔드이펙터가 담당한다. 물체를 잡는 그리퍼, 용접 토치, 진공 흡착 패드, 페인트 스프레이건 등이 모두 엔드이펙터에 해당하며, 예를 들어 자동차 조립 라인에서 차체 패널을 들어 올리는 진공 흡착 패드가 대표적인 예이다. 동일한 로봇팔에도 작업 종류에 따라 서로 다른 엔드이펙터를 교체해 장착할 수 있어 한 대의 로봇으로 다양한 공정을 처리할 수 있다. 엔드이펙터는 팔 전체를 가리키는 매니퓰레이터와 구별되며, 팔의 끝에 탈부착되는 부분만을 의미한다.

입문

오도메트리란 바퀴 엔코더·관성 센서 등 로봇 내부 센서의 측정값을 누적하여 로봇의 현재 위치와 방향을 추정하는 방법이다. GPS처럼 외부 기준 신호가 없는 실내 환경에서도 스스로 이동량을 계산할 수 있어, 자율 이동 로봇의 기본 위치 추정 수단으로 사용된다. 차동 구동 로봇의 경우 좌우 바퀴 엔코더의 회전량 차이로 직진 거리와 회전각을 산출하며, 예를 들어 물류 창고 자율주행 로봇은 이 방식으로 출발점부터의 이동 경로를 추적한다. 그러나 바퀴 미끄러짐이나 센서 잡음이 계속 누적되어 주행 거리가 길어질수록 실제 위치와 추정 위치 사이의 오차(드리프트)가 커지는 한계가 있다. 이를 보완하기 위해 외부 랜드마크 정보나 SLAM과 결합하는 방식이 일반적으로 쓰이며, 오도메트리 단독으로는 장거리 정밀 위치 추정에 한계가 있다.

중급

관성측정장치(IMU)란 가속도계와 자이로스코프를 하나의 모듈에 결합하여 물체의 가속도와 각속도를 측정하는 센서 장치이다. 로봇이 GPS 신호 없이도 자신의 움직임 방향과 자세를 실시간으로 파악할 수 있도록 해 주기 때문에, 실내 주행이나 빠른 동작 제어에 널리 쓰인다. 예를 들어 드론은 IMU로 기울기와 회전 속도를 측정해 공중에서 수평 자세를 스스로 유지한다. 자기계(지자기 센서)를 추가로 탑재한 9축 IMU는 나침반 방향(방위각)까지 함께 측정할 수 있는데, 이를 6축 IMU와 혼동하지 않도록 주의해야 한다. IMU는 측정값을 시간에 따라 누적하는 특성상 오차가 서서히 쌓이는 드리프트 현상이 생기므로, 실제 시스템에서는 GPS나 카메라 같은 다른 센서와 융합하여 정확도를 보완한다.

입문

매니퓰레이터란 여러 개의 관절(조인트)과 링크가 연결되어 물체를 집거나 이동·가공하는 작업을 수행하는 로봇 팔이다. 사람의 팔과 유사한 구조로 3차원 공간에서 다양한 방향으로 움직일 수 있어, 정밀하고 반복적인 작업을 자동화하는 데 활용된다. 자동차 공장의 용접·도장 공정, 전자 부품 조립, 물류 센터의 피킹 작업 등 산업 현장에서 널리 쓰인다. 예를 들어 6축 산업용 로봇팔은 관절이 6개여서 3차원 공간의 거의 모든 위치와 자세를 구현할 수 있다. 매니퓰레이터 끝에 달려 실제로 물체를 쥐거나 작업하는 부분은 엔드이펙터(End-Effector)라고 하며, 매니퓰레이터 본체와는 구별해서 부른다.

입문

모델예측제어란 시스템의 수학적 모델로 미래 상태를 예측하고, 유한한 예측 구간(prediction horizon) 안에서 목적함수를 최소화하는 제어 입력 시퀀스를 계산한 뒤 그 첫 번째 입력만 실제로 적용하는 과정을 매 제어 주기마다 반복하는 제어 기법이다. 이 슬라이딩 수평선 구조 덕분에 모터 최대 토크나 관절 각도 한계 같은 물리적 제약 조건을 최적화 문제 안에 명시적으로 포함시킬 수 있다. 선형 시스템에서는 매 주기마다 이차계획법(QP)을 풀어 제어 입력을 구하며, 비선형 시스템으로 확장한 것을 비선형 MPC(NMPC)라 부른다. 예를 들어 이족 보행 로봇에서는 앞으로 수 스텝에 걸친 발 위치를 미리 최적화하여 균형을 유지하는 데 MPC가 활용된다. 고전적인 최적제어가 처음 한 번만 최적화를 수행하는 것과 달리, MPC는 슬라이딩 수평선 방식으로 새 측정값을 매 주기마다 피드백에 반영한다는 점에서 구분된다.

중급

영점모멘트점(ZMP)이란 지면상의 한 점으로, 중력과 관성력을 포함한 모든 힘의 합력이 수평축에 대해 순 모멘트를 발생시키지 않는 지점이다. 이족보행 로봇이 전도되지 않으려면 ZMP가 발 접촉면이 형성하는 지지다각형 내부에 위치해야 하며, 이 조건이 동적 안정성의 핵심 판별 기준으로 사용된다. ASIMO나 HRP 시리즈 같은 휴머노이드 로봇의 보행 계획에서는 ZMP 궤적을 사전에 설계한 뒤, 이를 추종하도록 관절 궤적을 역동역학으로 역산하는 방식이 표준적으로 쓰인다. 예를 들어 단지지(single support) 구간에서 ZMP가 발바닥 영역 밖으로 벗어나면, 로봇은 그 방향으로 회전 모멘트를 받아 넘어진다. 압력중심(Center of Pressure, CoP)은 실제 지면 반력이 작용하는 점으로 ZMP와 혼동되기 쉬우나, 평탄한 지면과 완전 접촉 상태에서는 두 점이 일치하고 비접촉(공중) 구간에서는 ZMP만 정의된다.

고급

어드미턴스 제어란 로봇이 외부에서 가해지는 힘을 측정하여, 가상의 질량·감쇠·강성으로 구성된 목표 동역학 모델에 따라 운동 명령(위치 또는 속도)을 생성하는 힘 제어 방식이다. 목표 동역학은 흔히 질량-감쇠-스프링 방정식으로 표현되며, 이 파라미터를 조절함으로써 로봇이 얼마나 유연하게 또는 단단하게 반응할지를 설계자가 직접 설정할 수 있다. 위치 제어 기반의 일반 산업용 로봇에 힘/토크 센서를 추가하여 구현하는 경우가 많으며, 협동 로봇의 드래그 티칭(직접 교시)이 대표적인 예로, 작업자가 로봇팔을 직접 밀면 로봇이 그 힘에 반응해 자연스럽게 이동하며 경로를 기억한다. 수술 보조 로봇이나 재활 로봇처럼 사람과 밀접하게 상호작용하는 시스템에서도 접촉 안전성을 확보하기 위해 채택된다. 임피던스 제어와 혼동하기 쉬운데, 임피던스 제어는 반대로 운동(위치·속도 오차)을 입력받아 반력을 출력하는 방식으로 토크 제어가 가능한 로봇에 주로 적용된다.

중급

시뮬레이션-실제 전이란 시뮬레이터에서 학습된 제어 정책(policy)이나 모델을 물리적 실제 로봇에 그대로, 또는 최소한의 재학습만으로 적용하는 방법론이다. 실제 환경에서 강화학습에 필요한 대규모 반복 탐색 데이터를 직접 수집하는 것은 시간·비용·안전 측면에서 제약이 크므로, 물리 시뮬레이터를 통해 데이터를 빠르게 생성한 뒤 현실에 활용한다. 핵심 도전은 시뮬레이터의 물리 모델이 현실을 완벽히 재현하지 못해 발생하는 현실 격차(reality gap)를 극복하는 것으로, 이를 위해 도메인 랜덤화(domain randomization)·도메인 적응(domain adaptation)·시스템 식별(system identification) 기법이 함께 쓰인다. 대표적인 사례로 4족 보행 로봇을 시뮬레이터에서 수천만 스텝 학습시킨 뒤 실제 하드웨어에 바로 배포하여 안정적 보행을 달성한 연구들이 있다. 전이 학습(transfer learning)이 데이터 분포 변화 전반을 다루는 광의의 개념인 반면, 시뮬레이션-실제 전이는 시뮬레이터와 물리 세계 사이의 모달리티 차이를 특정하여 다룬다는 점에서 구분된다.

고급

임피던스 제어란 로봇 말단부와 환경 사이의 힘과 운동(위치·속도)의 관계, 즉 기계적 임피던스를 목표값으로 설정하고 추종하는 제어 방식이다. 순수 위치 제어는 딱딱한 환경과의 접촉 시 의도치 않은 큰 충격력을 유발할 수 있는데, 임피던스 제어는 원하는 강성(stiffness)·감쇠(damping)·관성(inertia) 파라미터를 지정하여 로봇 말단부가 스프링-댐퍼 시스템처럼 환경의 힘에 유연하게 반응하도록 한다. 정밀 조립, 연마, 재활 로봇의 사지 보조 등 로봇이 환경이나 사람과 물리적으로 상호작용하는 상황에 주로 적용된다. 예를 들어 6축 로봇팔이 불균일한 곡면을 연마할 때, 표면 굴곡으로 힘이 변동되면 설정된 임피던스 파라미터에 따라 말단부 위치를 자동 조정하여 접촉력을 안정적으로 유지한다. 어드미턴스 제어(Admittance Control)는 임피던스 제어와 쌍대 관계에 있는 방식으로, 힘 센서 입력을 받아 운동 명령을 생성하는 구조이므로 두 방식은 구현 형태와 적합한 하드웨어 환경이 서로 다르다.

중급

자율주행 로봇(AMR)이란 미리 정해진 경로나 외부 유도 장치 없이 센서와 지도를 이용해 스스로 주변 환경을 인식하고 목적지까지 이동하는 이동 로봇이다. 바닥에 레일이나 자기 테이프를 설치할 필요가 없어 환경이 바뀌어도 유연하게 대응할 수 있다. 물류 창고, 병원, 공장 등에서 물건이나 자재를 사람 대신 운반하는 데 주로 쓰인다. 예를 들어 전자상거래 물류 창고에서 AMR이 상품 선반 전체를 들어 올려 작업자에게 가져다주는 방식으로 운영되기도 한다. 바닥의 자기 테이프나 QR 코드를 따라서만 이동하는 AGV(자동유도차량)와 달리, AMR은 경로를 스스로 결정하고 장애물을 만나면 우회할 수 있다.

입문

작업공간 좌표란 로봇의 끝부분(엔드이펙터)이 실제 3차원 공간에서 차지하는 위치와 방향을 나타내는 좌표 체계이다. 사람이 '로봇 손을 이 지점에, 이 방향으로 가져다 놓아라'처럼 직관적으로 목표를 지정할 수 있어서, 작업 경로를 계획할 때 주로 활용된다. 예를 들어 조립 로봇이 나사를 조일 때, 나사 위치의 x·y·z 값과 드라이버가 향할 방향을 함께 지정하는 것이 작업공간 좌표이다. 실제 시스템에서는 이 좌표를 역기구학으로 변환하여 각 관절의 각도 명령으로 바꾼 뒤 모터를 제어한다. 작업공간 좌표와 혼동하기 쉬운 관절 공간(Joint Space)은 각 관절의 각도 값으로 자세를 표현하며, 로봇 내부에서 실제로 구동되는 단위이다.

입문

좌표변환 트리(TF)란 로봇 시스템 내 여러 좌표계(프레임) 사이의 공간적 관계를 시간 이력과 함께 트리 구조로 관리하는 메커니즘이다. 로봇은 베이스·각 관절·카메라·라이다 등 수십 개의 프레임을 동시에 다루기 때문에, 어떤 센서 데이터가 어느 프레임 기준인지를 실시간으로 추적하지 않으면 위치 계산이 어긋난다. ROS(로봇 운영체제)에서 TF 라이브러리가 이 역할을 담당하며, 각 컴포넌트가 브로드캐스트한 변환 정보를 수집해 임의의 두 프레임 사이의 4×4 동차변환행렬을 특정 시각 기준으로 조회할 수 있도록 한다. 예를 들어 카메라가 인식한 물체 좌표가 camera_frame 기준일 때, TF를 통해 그 좌표를 world 프레임이나 robot_base 프레임으로 즉시 변환할 수 있다. 순기구학이 관절 각도로부터 엔드이펙터 자세를 계산하는 수학적 과정이라면, TF는 그 결과를 포함한 모든 프레임 관계를 시스템 전체에 배포하고 조회하는 인프라에 해당한다.

중급

파티클 필터란 시스템의 상태 확률 분포를 유한 개의 가중 샘플(파티클)로 근사하고, 예측-갱신-리샘플링 단계를 반복하여 비선형·비가우시안 환경에서도 상태를 추정할 수 있는 베이즈 필터의 한 구현 방법이다. 칼만 필터가 선형 시스템과 가우시안 노이즈라는 강한 가정을 전제하는 것과 달리, 파티클 필터는 분포 형태에 제약이 없어 복잡한 실세계 환경에 적용하기 쉽다. 자율주행 로봇의 지도 기반 위치 추정(MCL, Monte Carlo Localization)에 대표적으로 쓰이며, 수백~수천 개의 파티클을 지도 위에 분산시킨 뒤 LiDAR 등 센서 관측값과 일치하는 파티클에 높은 가중치를 부여하고 리샘플링을 반복해 로봇의 위치를 점차 수렴시킨다. 파티클 수가 늘어날수록 추정 정확도는 올라가지만 계산 부담도 함께 증가하므로, 실시간 응용에서는 두 요소 사이의 균형을 고려해야 한다.

중급

도메인 랜덤화(Domain Randomization)란 시뮬레이션 환경의 물리 파라미터(마찰 계수, 질량, 관절 댐핑 등)와 시각적 속성(조명, 텍스처, 카메라 위치 등)을 학습 중 무작위로 변화시켜, 정책 네트워크가 실제 환경의 변동성을 포괄하도록 훈련하는 기법이다. 시뮬레이션과 현실 사이의 간극(reality gap)으로 인해 시뮬레이션에서 학습한 정책이 실제 로봇에 그대로 이전되지 않는 문제를 완화하기 위해 고안되었다. 무작위화 범위가 충분히 넓으면 학습된 정책은 실제 환경을 시뮬레이션 분포의 한 샘플로 간주할 수 있게 되어, 추가적인 실제 데이터 수집 없이도 정책 전이가 가능해진다. OpenAI의 Dactyl 프로젝트에서는 수백 가지 파라미터를 무작위화한 시뮬레이션으로 학습한 정책을 별도의 파인튜닝 없이 실제 로봇 손(Shadow Hand)에 직접 적용해 루빅스 큐브 조작에 성공하였다. 도메인 적응(Domain Adaptation)이 실제 환경의 데이터를 활용해 도메인 간 분포 차이를 줄이는 방식인 데 반해, 도메인 랜덤화는 실제 데이터 없이 시뮬레이션만으로 진행한다는 점에서 구분된다.

고급

디퓨전 폴리시란 확산 모델(Diffusion Model)의 반복적 노이즈 제거 과정을 로봇 행동 생성에 적용한 모방 학습 기반 정책 표현 방식이다. 기존 행동 복제 방식은 단일 가우시안 분포로 행동을 예측하기 때문에, 같은 관측 상황에서 여러 유효한 행동이 공존하는 다봉(multimodal) 분포를 표현하기 어렵다는 한계가 있다. 디퓨전 폴리시는 행동 공간의 임의 잡음에서 시작해 관측값을 조건으로 한 스코어 함수(score function)를 K회 반복 적용함으로써 최종 행동 시퀀스를 복원한다. 예를 들어 로봇팔이 물체를 집는 시범 데이터를 학습할 때, 위쪽 접근과 옆쪽 접근처럼 동등하게 타당한 복수의 궤적 분포를 단일 정책으로 포착할 수 있다. 에너지 기반 모델(EBM)도 유사하게 다봉 분포를 표현하지만, 디퓨전 폴리시는 추론 시 MCMC 샘플링 없이 고정된 역확산 단계만으로 행동을 생성하므로 실시간 제어 루프에 적용하기 더 용이하다.

고급

비주얼 서보잉이란 카메라에서 얻은 시각 정보를 피드백 신호로 사용하여 로봇의 움직임을 실시간으로 제어하는 방식이다. 작업 환경의 정확한 모델 없이도 카메라가 현재 상태와 목표 상태의 오차를 지속적으로 측정하고 보정하므로, 위치 불확실성이나 환경 변화에 강건하게 대응할 수 있다. 산업 현장의 부품 조립, 이동 물체 추적, 최소침습 수술 로봇 등 정밀한 시각 기반 조작이 요구되는 곳에 쓰인다. 예를 들어, 컨베이어 벨트 위를 흘러오는 부품을 로봇팔이 카메라로 추적하며 실시간으로 경로를 수정해 집어 올리는 작업이 대표적인 적용 사례다. 제어 방식에 따라 이미지 평면의 특징점 오차를 직접 제어 신호로 삼는 이미지 기반 비주얼 서보잉(IBVS)과, 영상을 3D 위치로 복원한 뒤 제어하는 위치 기반 비주얼 서보잉(PBVS)으로 나뉘며, 두 방식 모두 이미지 자코비안(인터랙션 행렬)을 통해 픽셀 오차를 관절 속도 명령으로 변환한다.

중급

저구동 시스템이란 시스템의 일반화 좌표 수(자유도)가 독립적인 액추에이터 수보다 많아, 모든 자유도를 임의로 직접 제어할 수 없는 역학 시스템이다. 수학적으로는 라그랑지안 동역학의 입력 분포 행렬(input distribution matrix)의 열 공간이 구성 공간 전체를 생성하지 못하는 것으로 표현된다. 이러한 구조적 제약은 경량 설계나 에너지 절감을 위해 의도적으로 채택되기도 하고, 공중 비행체처럼 물리 법칙에 의해 필연적으로 발생하기도 한다. 대표적인 예로 쿼드로터는 위치 3축·자세 3축의 6자유도를 가지지만 4개의 로터만으로 구동되므로 전형적인 저구동 시스템에 해당한다. 제어 설계에서는 시스템의 자연 역학을 적극 이용하는 에너지 성형(energy shaping)이나 부분 피드백 선형화(partial feedback linearization) 기법이 주로 쓰인다. 속도 수준의 구속으로 인해 특정 방향 이동이 불가능한 비홀로노믹 시스템과 혼동되기 쉬우나, 저구동 시스템의 제약은 힘·토크 입력의 부족에서 비롯된다는 점에서 구분된다.

고급

소프트 로보틱스란 실리콘 엘라스토머·하이드로겔·섬유 복합 소재 등 탄성 변형이 큰 연성 재료로 구동부와 구조체를 일체화하여 설계하는 로봇공학 분야이다. 강체 링크 기반의 고전적 운동학으로는 연속적·대변형 거동을 기술할 수 없기 때문에, Cosserat 로드 이론이나 유한요소법 기반의 순응성 모델이 운동학·동역학 해석에 활용된다. 연성 구조는 충돌 시 충격력을 재료 자체가 흡수·분산하므로 인간과 직접 접촉하는 재활 글러브, 캡슐 내시경 로봇, 농산물 수확 그리퍼 등에 적용된다. 예를 들어, 공압으로 팽창하는 실리콘 챔버 배열로 구성된 소프트 그리퍼는 별도의 제어 파라미터 변경 없이 형상이 불규칙한 과일을 파지할 수 있는데, 이는 재료의 순응성이 제어 복잡도를 대체하는 모폴로지컬 컴퓨테이션(morphological computation) 개념의 대표적 사례이다. 연속체 로봇(continuum robot)도 연속 변형으로 동작한다는 점에서 유사하나, 소프트 로보틱스는 재료의 탄성 에너지 저장을 구동 전략 자체로 활용하고 백본 구조 없이 재료 자체가 형상을 결정한다는 점에서 구분된다.

고급

하모닉 드라이브란 웨이브 제너레이터, 플렉스플라인, 서큘러 스플라인 세 부품으로 구성된 정밀 감속기이다. 로봇 모터는 빠르게 회전하지만 힘(토크)이 약하기 때문에, 감속기를 통해 회전 속도를 줄이고 토크를 높여야 관절이 원하는 위치에 정확히 멈출 수 있다. 하모닉 드라이브는 부품 수가 적어 소형·경량이면서도 높은 감속비와 백래시(기어 맞물림의 유격)가 거의 없다는 특성을 함께 갖춘다. 예를 들어 협동로봇의 각 관절에 하모닉 드라이브를 사용하면 모터의 빠른 회전을 수십 대 일의 비율로 줄여 팔 끝이 밀리미터 수준의 정밀도로 위치를 잡을 수 있다. 유성기어도 감속 기능을 하지만, 하모닉 드라이브는 같은 부피에서 더 높은 감속비를 구현하고 백래시가 극히 작아 정밀 위치 제어가 중요한 로봇 관절에 특히 적합하다.

입문

동시적 위치추정 및 지도작성(SLAM, Simultaneous Localization and Mapping)이란 로봇이 사전에 지도가 없는 미지의 환경에서 스스로 이동하면서, 환경의 지도를 구축하는 동시에 그 지도 안에서 자신의 위치를 추정하는 기술이다. 위치를 알아야 지도를 그릴 수 있고, 지도가 있어야 위치를 알 수 있다는 닭-달걀 문제를 확률적 추론(예: 칼만 필터, 파티클 필터, 그래프 최적화)으로 해결한다. 로봇 청소기가 처음 진입한 방 안을 돌아다니며 장애물 지도를 만들고 현재 위치를 파악하는 과정이 대표적인 사례다. 자율주행 차량·드론·물류 로봇 등 GPS 신호가 없거나 불안정한 환경에서 자율적으로 움직여야 하는 시스템 전반에 쓰인다. 단순한 '위치추정(Localization)'은 지도가 이미 주어진 상태에서 자신의 위치만 찾는 것이므로, 지도 자체도 미지인 상황에서 두 문제를 동시에 푸는 SLAM과 구별된다.

중급

궤적 생성이란 로봇의 끝단(end-effector) 또는 각 관절이 시작 지점에서 목표 지점까지 이동할 때, 위치·속도·가속도를 시간의 함수로 계산해 연속적인 운동 명령을 만들어내는 과정이다. 단순히 목표 위치만 지정하면 로봇이 급격하게 움직여 진동·충격·과부하가 발생하므로, 부드럽고 예측 가능한 운동을 보장하기 위해 필요하다. 산업용 용접 로봇이 직선 비드를 그릴 때 TCP(공구 중심점)가 등속도로 이동하도록 각 관절 명령값을 시간별로 산출하는 것이 대표적인 활용 예다. 3차 또는 5차 다항식 보간, 사다리꼴 속도 프로파일 등이 흔히 사용되는 방법이며, 고급 응용에서는 저크(jerk) 제한 조건을 추가해 기계적 스트레스를 줄인다. 궤적 생성은 '어느 경로를 지나갈지'를 결정하는 경로 계획(Path Planning)과 구별되며, 경로 계획의 결과에 시간 정보를 입혀 실제 제어 명령으로 변환하는 단계에 해당한다.

중급

센서 퓨전이란 둘 이상의 센서에서 얻은 데이터를 결합하여 단일 센서만으로는 달성하기 어려운 더 정확하고 신뢰도 높은 상태 추정값을 산출하는 기법이다. 각 센서는 고유한 측정 오차와 동작 한계를 가지므로, 서로 다른 특성을 지닌 센서를 조합하면 개별 센서의 약점을 상호 보완할 수 있다. 자율주행 로봇이나 드론에서는 라이다·카메라·IMU를 함께 사용해 위치와 자세를 동시에 추정하는 데 널리 쓰인다. 예를 들어 드론의 고도 제어에서는 기압계의 저주파 안정성과 IMU의 고주파 응답성을 칼만 필터로 융합하여 빠르고 정밀한 고도값을 얻는다. 센서 퓨전은 여러 센서 값을 단순 평균하는 것과 달리, 각 센서의 노이즈 공분산을 수학적으로 모델링해 최적 추정값을 구한다는 점에서 구분된다.

중급

전신 제어(Whole-Body Control)란 휴머노이드·다족 보행 로봇처럼 자유도가 많은 로봇의 전체 관절을 동시에 고려하여, 균형 유지·이동·팔 조작 등 복수의 작업을 우선순위에 따라 통합적으로 수행하는 제어 기법이다. 자유도가 높은 로봇을 작업별로 분리해 독립 제어하면 접촉력 제약과 관절 한계를 동시에 만족시키기 어렵기 때문에, 이를 하나의 최적화 문제로 묶어 풀어야 한다. 일반적으로 작업 공간 제어(Operational Space Control)와 계층적 이차 계획법(Hierarchical QP)을 결합해, 우선순위가 높은 작업(예: 무게중심 균형)을 먼저 만족시킨 후 남은 잉여 자유도(null space)에서 하위 작업을 처리한다. 예를 들어 이족 보행 로봇이 계단을 내려가면서 동시에 물체를 집는 경우, 발 접촉점의 반력 제약과 팔 끝의 목표 궤적을 하나의 QP 문제로 풀어 두 작업을 충돌 없이 수행하게 한다. 역기구학(Inverse Kinematics)이 기하학적 자세만 계산하는 것과 달리, 전신 제어는 로봇의 동역학 모델과 접촉 제약을 포함한 최적화를 통해 관절 토크 명령을 직접 생성한다.

고급

촉각 센싱이란 로봇이 물체와 접촉할 때 발생하는 압력 분포, 전단력, 진동, 온도 등의 물리적 정보를 접촉 면 전반에 걸쳐 공간적으로 분해하여 측정하는 기술이다. 이를 통해 로봇은 접촉 면적, 접촉점의 위치, 물체의 형상 및 표면 질감을 추정할 수 있어 섬세한 파지 제어와 조작에 필수적인 피드백을 얻는다. 예를 들어 다지 로봇 손이 달걀을 파지할 때, 촉각 어레이가 제공하는 압력 분포 데이터를 실시간으로 읽어 미끄러짐(slip onset)을 감지하고 파지력을 즉각 조절한다. 센서 구현 방식은 압저항(piezoresistive), 정전용량(capacitive), 압전(piezoelectric), 광학 기반 방식 등으로 다양하며, 공간 분해능과 감도 측면에서 각각 상이한 특성을 보인다. 힘·토크 센서(F/T sensor)가 접촉 전체의 합력과 모멘트를 6축 스칼라 값으로 측정하는 것과 달리, 촉각 센싱은 접촉 영역 내 국소 압력 분포까지 측정한다는 점에서 구별된다.

고급

충돌 검사란 로봇의 링크·엔드이펙터 등 기구 요소가 환경 내 장애물 또는 로봇 자신의 다른 부위와 기하학적으로 교차하는지를 판별하는 과정이다. 경로 계획 알고리즘은 후보 경로를 구성하는 각 관절 각도 조합이 물리적으로 실현 가능한지 확인해야 하므로, 충돌 검사는 해당 과정에서 반복적으로 호출되는 핵심 연산이다. RRT·PRM 같은 샘플링 기반 계획에서는 무작위로 생성한 샘플 지점마다 충돌 검사를 수행해 유효한 자유 공간(free space) 경로를 찾아낸다. 예를 들어 7축 로봇팔이 선반 사이로 손을 뻗는 동작을 계획할 때, 각 관절 구성에 대해 링크의 메시 모델과 선반 형상 사이의 교차 여부를 순차적으로 검사한다. 충돌 회피(Collision Avoidance)는 검사 결과를 바탕으로 경로 자체를 수정하거나 우회하는 상위 개념이며, 충돌 검사는 그 판단 근거가 되는 기하학적 검출 단계에 해당한다.

중급

칼만 필터란 노이즈가 포함된 센서 측정값과 시스템 모델을 결합하여 시스템의 실제 상태를 재귀적으로 추정하는 알고리즘이다. 센서는 항상 측정 오차를 포함하므로, 이전 상태 예측(Predict)과 새 측정값 갱신(Update) 두 단계를 반복하며 오차를 최소화하는 추정치를 계산한다. 선형 시스템과 가우시안 잡음이라는 조건이 충족될 때 최소 분산 의미에서 최적 추정기로 동작한다. 자율주행 로봇이 IMU의 가속도·각속도 데이터와 GPS 위치 데이터를 융합하여 현재 위치를 추정하는 것이 대표적인 활용 사례다. 비선형 시스템에는 적용이 어렵기 때문에, 이를 선형 근사로 확장한 확장 칼만 필터(EKF)나 시그마 포인트를 사용하는 무향 칼만 필터(UKF)가 로봇공학에서 함께 쓰인다.

중급

파지 계획이란 로봇 손 또는 그리퍼가 대상 물체를 안정적으로 쥐기 위해 접촉점 위치, 손 형상, 접근 방향을 결정하는 알고리즘적 과정이다. 물체의 기하학적 형상, 질량 분포, 마찰 계수, 작업 목적이 모두 달라지므로, 힘 닫힘(force closure) 조건을 만족하는 접촉 구성을 탐색하고 파지 품질 지표(예: 최소 고유값 기반 epsilon 척도 또는 파지 렌치 공간의 부피)로 후보를 평가하는 과정이 필수적이다. 파지 계획은 데이터 기반 방식과 해석적 방식으로 나뉘며, 데이터 기반 방식은 대규모 파지 시도 결과로 학습한 모델이 포인트 클라우드나 깊이 영상으로부터 파지 후보를 직접 예측하고, 해석적 방식은 물체의 3D 모델을 이용해 기하학적 조건을 명시적으로 분석한다. 예를 들어, 6축 산업용 로봇팔이 불규칙한 형상의 부품을 집을 때, 포인트 클라우드 기반 파지 후보를 생성한 뒤 충돌 검사와 함께 epsilon 품질 기준으로 최적 파지를 선정한다. 동작 계획(motion planning)이 선정된 파지 자세까지 도달하는 궤적을 다루는 반면, 파지 계획은 로봇이 물체와 접촉하는 방식 자체를 결정하는 선행 단계다.

고급

행동 복제란 전문가의 시연(demonstration)에서 수집한 상태-행동 쌍을 지도 학습으로 학습하여 정책(policy)을 직접 도출하는 모방 학습(imitation learning)의 한 방법이다. 보상 함수를 수작업으로 설계하기 어려운 태스크에서, 전문가 데이터만으로 초기 정책을 빠르게 구축할 수 있다는 점에서 실용적으로 쓰인다. 로봇 조작(manipulation), 자율주행, 게임 에이전트 등 다양한 분야에서 초기 정책 학습 또는 오프라인 사전 학습 단계에 활용된다. 예를 들어, 사람이 텔레오퍼레이션으로 시연한 로봇팔 집기 동작을 녹화한 뒤, 각 시점의 관절 상태와 행동을 입출력 쌍으로 삼아 신경망을 훈련하는 방식이 대표적이다. 그러나 학습 분포와 배포 분포의 불일치(distributional shift)로 인해 오차가 누적되는 복합 오차(compounding error) 문제가 발생할 수 있으며, 이를 완화하기 위해 DAgger(Dataset Aggregation)와 같은 온-폴리시 데이터 수집 기법이 제안되어 있다. 역강화학습(Inverse Reinforcement Learning)이 전문가 데이터로부터 보상 함수를 역추정한 뒤 정책을 유도하는 것과 달리, 행동 복제는 보상 함수 추정 단계 없이 정책을 직접 학습한다.

고급

티칭 펜던트란 작업자가 로봇 옆에서 직접 들고 사용하는 휴대용 조작 장치로, 로봇의 움직임 경로와 자세를 하나씩 기억시키는 데 쓰인다. 로봇은 스스로 작업 내용을 알 수 없으므로, 처음 도입할 때 사람이 원하는 위치와 순서를 직접 가르쳐 주어야 한다. 예를 들어 자동차 조립 공장에서 작업자가 티칭 펜던트의 버튼을 조작해 용접 포인트를 하나씩 지정하면, 로봇은 이후 그 경로를 반복해서 재현한다. 조이스틱·방향 키·조그 다이얼 등이 달려 있으며, 화면에서 로봇의 현재 위치와 저장된 프로그램을 확인할 수 있다. 컴퓨터 소프트웨어 안에서 3D 모델로 경로를 만드는 오프라인 프로그래밍과 달리, 티칭 펜던트는 실제 로봇 앞에서 실시간으로 조작한다는 점이 다르다.

입문

ROS(Robot Operating System)란 로봇 소프트웨어를 개발하기 위한 오픈소스 미들웨어 프레임워크이다. 로봇은 카메라·모터·센서 등 여러 부품이 동시에 데이터를 주고받아야 하므로, ROS는 이 통신을 표준화된 방식으로 처리해 개발자가 각 기능을 독립적인 모듈로 작성하고 조합할 수 있게 해 준다. TurtleBot 같은 교육용 이동 로봇은 ROS를 기반으로 내비게이션과 장애물 회피 기능을 구현하는 대표적인 예이다. 자율주행 연구, 드론 제어, 협동 로봇팔 등 다양한 분야에서 활용된다. ROS는 Windows나 Linux 같은 일반 운영체제가 아니라 Linux 위에서 동작하는 미들웨어이므로, OS 자체와 혼동하지 않도록 주의해야 한다.

입문

로봇 파운데이션 모델이란 인터넷 이미지·텍스트·로봇 시연 영상 등 대규모 이종 데이터로 사전학습되어, 다양한 로봇 태스크에 전이하거나 파인튜닝만으로 적용할 수 있는 범용 신경망 모델이다. 태스크마다 제어기와 인식 파이프라인을 새로 설계하던 방식과 달리, 단일 사전학습 가중치에서 출발하므로 새로운 태스크에 필요한 시연 데이터 양을 줄일 수 있다. 구현 형태는 주로 트랜스포머 기반의 비전-언어-행동 모델(VLA)이며, 카메라 영상·자연어 지시·고유 감각 신호를 단일 네트워크에서 처리해 관절 명령이나 엔드이펙터 포즈를 직접 출력한다. Google DeepMind의 RT-2는 웹 규모 비전-언어 사전학습 가중치를 로봇 조작 데이터로 추가 학습한 사례로, "사과를 빨간 그릇에 넣어라"와 같은 지시를 별도 객체 인식 모듈 없이 행동 토큰 시퀀스로 변환한다. 비전-언어 모델(VLM)은 언어·이미지 이해와 생성에 그치지만, 로봇 파운데이션 모델은 실세계 행동 토큰(액션 청크)까지 생성한다는 점에서 구분된다.

고급

점유 격자 지도란 환경을 일정 크기의 격자(셀)로 분할하고, 각 셀이 장애물로 점유되어 있을 확률을 0과 1 사이의 값으로 저장한 지도 표현 방식이다. 로봇이 노이즈가 섞인 센서 데이터만으로도 주변 공간의 구조를 일관된 형식으로 누적·저장할 수 있게 해 준다. 각 셀의 점유 확률은 새로운 센서 측정값이 들어올 때마다 베이즈 갱신을 통해 반복적으로 수정되며, 측정이 쌓일수록 지도의 신뢰도가 높아진다. 예를 들어, 실내 자율주행 로봇이 라이다로 복도를 스캔하면 벽 근처 셀의 점유 확률은 높아지고 통로 셀의 확률은 낮아져, 로봇이 지나갈 수 있는 영역과 없는 영역이 격자 형태로 구분된다. 완성된 지도는 경로 계획 알고리즘이 충돌 없는 이동 경로를 탐색하는 입력 데이터로 직접 쓰인다. 비슷한 개념인 특징 지도(Feature Map)가 랜드마크나 모서리 같은 특정 지형지물의 좌표만 저장하는 것과 달리, 점유 격자 지도는 전체 공간을 격자 단위로 균일하게 표현한다.

중급

접촉 풍부 조작이란 로봇 말단 장치(엔드이펙터)가 환경 또는 대상 물체와 지속적이고 복잡한 접촉 상태를 유지하면서 작업을 수행하는 조작 방식이다. 단순 위치 제어만으로는 접촉 중 발생하는 힘과 토크를 조절할 수 없어 부품 파손이나 작업 실패로 이어지기 때문에, 임피던스 제어나 힘/토크 제어와 같은 접촉력 관리 기법이 함께 요구된다. 페그-인-홀(peg-in-hole) 조립 작업에서 로봇은 삽입 과정 내내 측면 접촉력과 정렬 오차를 실시간으로 감지하고 보정해야 하며, 이것이 접촉 풍부 조작의 전형적인 예다. 표면 연삭·연마, 나사 체결, 외과 수술 로봇의 조직 접촉 등 다양한 분야에 적용된다. 단순 파지(pick-and-place)와 달리, 접촉 풍부 조작은 접촉 위상(contact phase)의 전환과 마찰·변형이 수반되므로 동역학 모델링의 복잡도가 크게 높아지며, 학습 기반 접근법에서도 접촉 전환을 안정적으로 처리하는 것이 핵심 연구 과제로 남아 있다.

고급

핸드-아이 캘리브레이션이란 로봇 엔드이펙터(hand)와 카메라(eye) 사이의 상대적 위치·자세 관계, 즉 두 좌표계를 잇는 변환 행렬을 실험적으로 구하는 과정이다. 카메라가 인식한 물체의 위치를 로봇 좌표계에서 올바르게 해석하려면 이 관계가 정확히 알려져 있어야 하며, 오차가 크면 시각 정보를 기반으로 한 파지나 조립이 빗나가게 된다. 캘리브레이션은 체커보드 같은 기준 패턴을 여러 자세에서 촬영한 뒤 AX = XB 형태의 방정식(Tsai-Lenz 방법 등)을 풀어 변환 행렬 X를 추정하는 방식으로 진행된다. 예를 들어, 컨베이어 위의 부품을 집는 비전 가이디드 픽-앤-플레이스 시스템에서는 핸드-아이 캘리브레이션이 완료되어야 카메라가 감지한 부품 좌표를 로봇이 실제로 이동할 위치로 변환할 수 있다. 카메라가 엔드이펙터에 부착된 eye-in-hand 구성과, 카메라가 작업 공간 외부 고정 위치에 있는 eye-to-hand 구성은 풀어야 할 방정식의 형태가 달라지므로 혼용하지 않도록 주의해야 한다.

중급

시각-언어-행동 모델(VLA)이란 카메라 이미지와 자연어 지시를 함께 입력받아 로봇의 제어 신호를 직접 출력하는 대규모 멀티모달 모델이다. 기존 로봇 정책 네트워크는 특정 환경·작업에 과적합되기 쉬운 반면, VLA는 웹 규모 데이터로 사전학습된 시각-언어 기반 모델의 의미론적 일반화 능력을 행동 생성 단계까지 연장한다. 일반적으로 트랜스포머 디코더가 이미지 패치 토큰과 언어 토큰을 처리한 뒤, 엔드이펙터 위치·자세·그리퍼 개폐 여부 등을 이산 행동 토큰 또는 연속값 시퀀스로 예측하는 구조를 취한다. 구글 딥마인드의 RT-2는 이미지-텍스트 데이터로 학습된 VLM을 로봇 시연 데이터로 파인튜닝하여, 훈련 중 등장하지 않은 물체나 지시에도 행동을 일반화하는 사례를 보여 주었다. 시각-언어 모델(VLM)이 텍스트 또는 이미지 기술(記述)을 출력하는 데 그치는 것과 달리, VLA는 행동 예측 헤드를 추가하거나 행동 자체를 어휘 토큰으로 이산화하여 제어 신호를 모델의 직접 출력으로 삼는다는 점에서 구별된다.

고급

힘·토크 제어란 로봇 말단부(엔드이펙터)가 환경에 가하는 힘과 토크를 목표값으로 설정하고 이를 직접 추종하도록 제어하는 방식이다. 위치 제어만으로는 접촉 상황에서 의도치 않게 과도한 힘이 발생해 대상물이나 로봇이 손상될 수 있으므로, 접촉력을 원하는 수준으로 유지하기 위해 이 방식이 사용된다. 부품 끼워 맞추기(peg-in-hole) 조립 작업에서 삽입 방향의 힘을 일정하게 유지하면, 위치 오차가 존재하더라도 부품이 안정적으로 삽입된다. 연마·디버링, 수술 보조 로봇, 재활 로봇 등 환경과의 접촉이 빈번하고 접촉력 관리가 중요한 분야에서 널리 적용된다. 임피던스 제어는 힘과 위치 사이의 관계를 스프링-댐퍼 모델로 간접적으로 정의하는 반면, 힘·토크 제어는 힘 자체를 직접 목표값으로 삼는다는 점에서 구분된다.

중급

6자유도 자세 추정이란 3차원 공간에서 물체의 위치(x, y, z 평행이동 3자유도)와 방향(롤·피치·요 회전 3자유도)을 동시에 복원하여 카메라 좌표계 기준의 완전한 강체 변환(SE(3))을 출력하는 기술이다. 로봇이 물체를 파지하거나 조립하려면 물체가 어디에 있는지뿐 아니라 어떤 방향으로 놓여 있는지를 정확히 알아야 하므로, 단순한 위치 정보만으로는 안정적인 조작이 불가능하다. 산업용 빈 피킹 시스템에서 무작위로 쌓인 볼트나 부품의 6D 자세를 추정해 로봇팔의 파지 궤적을 생성하는 것이 대표적인 활용 사례다. 딥러닝 기반 방법은 크게 두 갈래로 나뉘는데, RGB(-D) 이미지에서 회전 행렬(SO(3))이나 쿼터니언을 직접 회귀하는 방식과, 2D 키포인트를 예측한 뒤 PnP 알고리즘으로 자세를 복원하는 방식이 있다. 2D 물체 검출이 이미지 평면 내 바운딩 박스만 제공하는 것과 달리, 6D 자세 추정은 깊이 및 회전 정보를 모두 포함한 SE(3) 변환 행렬을 출력한다는 점에서 구분된다.

고급

PRM(확률론적 로드맵)이란 로봇의 구성 공간(Configuration Space)에서 형상을 무작위로 샘플링하여 충돌 없는 노드들을 연결한 그래프(로드맵)를 사전에 구축하고, 이후 시작점과 목표점을 로드맵에 연결해 경로를 탐색하는 샘플링 기반 경로 계획 알고리즘이다. 격자 탐색이나 포텐셜 필드 방식은 자유도가 늘어날수록 구성 공간이 지수적으로 커져 탐색이 비현실적이 되는데, PRM은 공간 전체를 열거하지 않고 샘플링으로 이를 근사함으로써 고차원 문제에 적용할 수 있다. 정적 환경에서 로드맵을 한 번 구축해 두면 서로 다른 시작·목표 쌍에 대해 반복 재사용할 수 있어, 조립 공정처럼 로봇팔이 여러 위치를 반복적으로 오가야 하는 환경에 적합하다. RRT(Rapidly-exploring Random Tree)도 샘플링 기반이지만, PRM이 다중 쿼리에 재사용 가능한 로드맵을 사전 구축하는 것과 달리 RRT는 단일 쿼리마다 트리를 새로 성장시킨다.

중급

RRT(Rapidly-exploring Random Tree)란 고차원 구성 공간(C-space)에서 무작위 샘플링을 반복해 트리를 점진적으로 확장함으로써 충돌 없는 경로를 탐색하는 샘플링 기반 경로 계획 알고리즘이다. 격자 탐색이나 포텐셜 필드 방식이 고차원 공간이나 복잡한 장애물 환경에서 계산 비용이 급증하는 문제를 우회하기 위해 고안되었다. 알고리즘은 시작 자세에서 트리를 구성하고, 무작위 구성을 샘플링한 뒤 트리의 가장 가까운 노드 방향으로 일정 거리만큼 확장하는 과정을 반복하며, 목표 자세에 도달하면 경로를 추출한다. 예를 들어 7자유도 로봇팔이 선반 사이에 팔을 집어넣는 동작을 계획할 때, RRT는 각 관절 각도로 이루어진 7차원 공간에서 트리를 확장해 충돌 없는 관절 궤적을 찾는다. RRT는 탐색 완료성(probabilistic completeness)을 보장하지만 생성된 경로가 최적이 아닌 경우가 많으므로, 경로 최적성이 필요할 때는 비용 함수를 도입해 트리를 재연결하는 RRT* 변형을 사용한다.

중급

URDF(Unified Robot Description Format)란 로봇의 물리적 구조를 XML 형식으로 기술하는 표준 파일 형식이다. 링크(Link, 강체 부품)와 조인트(Joint, 링크 간 연결부)의 트리 계층으로 로봇을 표현하며, 각 요소에 기하 형상·질량·관성·충돌 영역·외관 정보를 명시한다. 시뮬레이터·시각화 도구·경로 계획 알고리즘이 동일한 파일을 읽어 들이기 때문에, 한 번 작성한 모델을 여러 툴에서 재사용할 수 있다. 예를 들어 6축 산업용 로봇팔을 URDF로 작성하면 RViz에서 시각화하고 MoveIt!에서 충돌 감지와 경로 계획에 곧바로 활용할 수 있다. 반복 구조나 매개변수화가 필요한 복잡한 모델에는 URDF 단독보다 매크로 확장 문법인 Xacro와 함께 사용하는 경우가 많다.

중급