협업형 조작기에서의 직접 지도(direct teaching)는 직관적인 궤적 제어를 위한 필수 방법이지만, 로봇 관절의 마찰로 인해 중대한 어려움에 직면한다. 이를 해결하기 위해 본 연구에서는 로봇의 직접 지도 방법을 개선하기 위한 새로운 마찰 보상 프레임워크를 제안한다. 우리의 접근은 마찰의 영향을 가장 크게 받는 관절에서의 마찰을 완화하여 더 매끄럽고 정확한 운동을 보장하는 데 초점을 둔다. 제안된 프레임워크는 복잡한 마찰 거동을 모델링하기 위해 심층 신경망(deep neural networks, DNN)을 사용한다. 이 접근은 전통적인 마찰 보상 모델 선택과 관련된 어려움을 회피한다. 또한 협업 로봇에서 흔히 사용되는 표준 인코더와 결합했을 때 마찰 추정을 최적화하기 위해 특정 데이터 입력 전처리 알고리즘을 개발한다. 더불어 맞춤형 손실 함수는 저속 영역에서의 DNN 학습을 개선하도록 특별히 설계되었다. 프레임워크의 효과를 평가하기 위해 전처리 알고리즘과 맞춤형 손실 함수라는 두 가지 핵심 구성 요소가 전체 성능에 미치는 영향을 검토하는 포괄적인 절제(ablation) 연구를 수행한다. 이러한 연구는 각 요소가 전체 성능에 기여하는 바에 대한 통찰을 제공한다. 6-자유도(6-DoF) 협업 로봇 2대를 사용한 실험적 검증을 통해 본 접근의 실용성과 효과성을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.