카메라-인-핸드(카메라 탑재) 비주얼 서보잉 시스템을 위한 새로운 기하 제약 기반 학습 방법을 제안한다. 이 방법은 카메라 고유 매개변수, 깊이 정보, 그리고 로봇의 기구학 모델이 필요하지 않다. 본 방법은 제어 프레임워크 내에서 온라인 야코비안 추정을 수행하기 위해 소뇌 모델 관절화 컨트롤러(cerebellar model articulation controller; CMAC)를 사용한다. 구체적으로, 투영 호모그래피(projective homography) 행렬에 기반한 고정된 차원의 균일한 크기(error function) 오류 함수를 도입한다. 고정 차원의 오류 함수는 특징점(feature point) 개수와 무관하게 야코비안의 크기가 일정하도록 하여 계산 복잡도를 감소시킨다. 또한 개별 특징점에 의존하지 않음으로써 일부 특징이 가려지는 경우에도 견고성을 유지한다. 오류 벡터 원소들의 균일한 크기는 신경망 입력의 정규화를 단순화하여 온라인 학습 효율을 향상시킨다. 더 나아가, (공선성 보존(collinearity preservation)과 같은) 특징점 간의 기하 제약을 네트워크 업데이트 과정에 통합하여, 모델 예측이 투영 기하의 기본 원리에 부합하도록 하고 물리적으로 불가능한 제어 출력을 제거한다. 실험 및 시뮬레이션 결과는 본 접근법이 다른 모델-프리(image-based) 비주얼 서보잉 방법에 비해 더 우수한 견고성과 더 빠른 학습률을 달성함을 보여준다.

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