용어집

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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