접시, 그릇, 컵과 같은 식기류 물체는 대개 질감이 없고 색상이 균일하며 형태가 매우 다양하여, 질감 단서나 물체별 CAD 모델에 의존하는 기존 자세 추정 방법을 적용하기가 어렵다. 이러한 한계는 식당 환경에서 로봇 조작을 위한 중대한 장애 요인이며, 자율적 집기 및 수거를 위해 신뢰할 수 있는 6자유도(6-DoF) 자세 추정이 필수적이다. 본 연구는 변환기(Transformer) 인코더 아키텍처를 기반으로 한 비모델(model-free), 비질감(texture-free) 6-DoF 자세 추정 프레임워크를 제안하여 이 문제를 해결하고자 한다. 이 방법은 표면 정점(surface vertices)과 테두리 노멀(rim normals)을 포함하는 기하 기반 특징만을 깊이 이미지로부터 추출하여 사용하며, 이는 강력한 구조적 사전지식(구조적 프라이어)을 제공한다. 파이프라인은 사전학습된 비디오 기반(foundation) 모델을 사용한 물체 검출 및 분할로 시작한 뒤, 깊이 데이터로부터 균일하게 분할된 그리드를 생성한다. 각 그리드 셀에 대해 중심점 위치(centroid positions)와 표면 노멀을 계산하고, 이를 변환기 기반 모델에 입력하여 물체의 회전과 평행이동을 동시에 예측한다. 식기 10종에 대한 실험 결과, 본 방법은 평균 회전 오차 3.53도와 평균 평행이동 오차 13.56 mm를 달성하였다. 또한 매니퓰레이터를 탑재한 모바일 로봇 플랫폼에서의 실제 환경 적용을 통해, 제안한 기하 기반 접근이 식기류를 자율적으로 인식하고 수거할 수 있음을 추가로 검증함으로써 서비스 로보틱스에 대한 실용성을 강조하였다.

본 논문은 처방된 성능(prescribed performance) 기반의 시간지연 추정(time-delay estimation, TDE)과 방사기저함수 신경망(radial basis function neural network, RBF-NN)을 결합한 강건한 제어 방식을 제안한다. 제안된 처방된 성능 기반 시간지연 제어는 변환된 오차를 통해 원하는 오차 동역학을 구성함으로써 처방된 성능을 달성한다. 이 설계는 전통적인 시간지연 제어(time-delay control, TDC)의 단순한 제어 구조를 보존하면서도 그 안정성 조건 및 M 안정성 분석을 유지하여 기존 설계 방법론의 적용을 가능하게 한다. 잔여 TDE 오차를 보상하기 위해 RBF-NN을 통합하였으며, 리아푸노프 분석을 통해 전체 시스템의 안정성을 규명한다. 본 접근법은 탑재물 변동이 없는 경우와 있는 경우, 그리고 가법적 관절 교란이 존재하는 경우를 포함하는 조건에서 3 자유도(3-DOF) 로봇 매니퓰레이터에 대해 시뮬레이션으로 검증되었으며, 처방된 성능 경계를 만족함과 동시에 단순성을 유지하면서 TDC에 비해 추종 성능이 향상됨을 보여준다.