이 연구 주제는 형상기억합금(SMA)의 열-기계적 특성을 활용하여 기존 전동기 중심 구동계를 대체하거나 보완할 수 있는 차세대 스마트 액추에이터를 설계하는 데 초점을 둔다. 연구실은 와이어, 스프링, 아크형 구조, 나선형 권선, 벌집형 배열, 링 구조 등 다양한 기하학적 구성을 적용해 소형·경량·유연성을 동시에 확보하는 구동 메커니즘을 개발하고 있으며, 이를 인공근육, 소프트 그리퍼, 벤딩 액추에이터, 다축 위치결정 장치 등으로 확장하고 있다. 특히 자연계의 근육, 폐 구조, 촉수, 관절 배열에서 영감을 받은 생체모사 설계를 통해 단순한 변형 발생을 넘어 기능적 운동을 구현하는 방향으로 연구가 진행된다. 연구 방법론 측면에서는 SMA의 비선형 히스테리시스, 열응답 지연, 반복 구동 안정성 같은 난제를 해결하기 위해 모델링과 제어를 함께 수행한다. 아크형 SMA 액추에이터의 시스템 식별, 슬라이딩 모드 제어, 확장 상태 관측기, 고이득 관측기, 신경망 기반 추정 기법 등을 활용하여 정밀 제어 성능을 높이고, 실제 하드웨어 기반 실험으로 반복 정밀도와 응답성을 검증한다. 또한 전방향 밴딩 모션이 가능한 액추에이터 모듈, SMA 스프링 기반 회전 구동기, 다자유도 연성 구동기 등 특허와 학술발표를 통해 메커니즘 설계와 구현 역량을 축적해 왔다. 이 연구의 응용 범위는 매우 넓다. 의료 및 재활 분야의 소형 외골격, 정밀 조작이 필요한 소프트 그리퍼, 협소 공간 탐사용 생체모방 로봇, 웨어러블 보조장치, 경량 모바일 로봇의 구동부 등에 직접 연결될 수 있다. 나아가 SMA 기반 액추에이터는 저소음·저중량·구조 단순화라는 장점을 가지므로 기존 강체 로봇이 접근하기 어려운 인간 친화적 로봇 시스템 구현에 유리하다. 연구실은 이러한 특성을 바탕으로 재료, 기구, 제어를 통합하는 지능형 로봇 플랫폼으로 발전시키고 있다.

이 연구 주제는 바퀴형, 휠-레그형, 다족형, 모듈형 로봇을 포함한 다양한 이동로봇의 주행 성능과 안정적 제어를 다룬다. 연구실은 초기부터 비홀로노믹 시스템의 운동학 모델링, 곡률 제약을 고려한 경로 추종, 자동차-트레일러 시스템의 파라미터 추정, 모바일 로봇의 PID 및 강인 제어 등 이동체의 기본 제어 문제를 지속적으로 연구해 왔다. 특히 모듈형 모바일 로봇과 컴플라이언트 프레임 구조를 가진 다개체 로봇의 협조 제어는 연구실의 대표적인 축으로, 다수 로봇이 하나의 플랫폼이나 하중을 공동 운반하는 상황에서 각 축과 링크의 상호작용을 고려한 제어 전략을 발전시켰다. 세부적으로는 배열형 다로봇 시스템의 좌표계 설정, 프레임 순응성 반영, 물리적 제약과 구성 안정성 고려, 속도 명령의 협조 배분 등이 핵심 요소다. IEEE Transactions on Robotics에 발표된 연구들은 이러한 문제를 이론적으로 정리하고 시뮬레이션과 실험으로 검증한 성과로 볼 수 있다. 이후 연구는 휠-레그 하이브리드 로봇, 텔레스코픽 다리를 가진 3륜 로봇, 4륜 옴니휠 플랫폼, 비정형 지형 탐사 로봇, articulated suspension을 갖는 로봇 차량 등으로 확장되며 주행 적응성과 지형 대응 능력을 강화하는 방향으로 전개되었다. 이러한 연구는 물류 운반, 야외 탐사, 산업 현장 이동체, 재난 대응 로봇, 협업 운반 플랫폼과 같은 실제 문제에 직접 연결된다. 하나의 로봇이 해결하기 어려운 대형 하중 운반이나 복잡 지형 이동은 다개체 협조와 적응형 주행 기술이 필수적이기 때문이다. 연구실은 이동로봇의 운동학적 정밀성, 기계적 유연성, 분산 제어 구조를 함께 고려함으로써 실제 현장 적용성이 높은 로봇 시스템 설계 역량을 확보하고 있으며, 향후 자율주행형 서비스 로봇과 특수목적 로봇 분야로도 확장 가능성이 높다.

연구실은 전통적인 모델 기반 제어를 넘어, 딥러닝과 강화학습을 활용하여 복잡한 로봇 시스템이 스스로 최적의 동작을 학습하도록 하는 지능형 제어 연구를 수행하고 있다. 대표적으로 형상기억합금 로봇의 매니풀레이션 고도화, 사용자 맞춤형 스마트 외골격 시스템의 최적화, 다족 및 거미형 로봇의 강화학습 제어 등이 이 범주에 포함된다. 특히 모델 불확실성이 크고 비선형성이 강한 로봇 시스템에서는 수작업으로 정교한 제어기를 설계하는 데 한계가 있으므로, 데이터 기반 학습 접근이 중요한 대안으로 제시된다. 이 연구에서는 뉴럴 네트워크, 컨볼루션 신경망, 강화학습, 딥 Q-러닝, 비동기 액터-크리틱, PPO(Proximal Policy Optimization) 등의 기법을 활용하여 로봇의 상태 추정, 동작 정책 학습, 궤적 계획, 적응 제어를 수행한다. 또한 칼만 필터와 결합한 상태 추정, 시스템 식별 기반 학습, 센서 정보 융합을 통해 실제 로봇 하드웨어에 적용 가능한 형태로 알고리즘을 고도화한다. 이는 단순 시뮬레이션 수준을 넘어, 외골격이나 SMA 기반 구동기처럼 모델링이 까다로운 시스템에서도 학습 기반 제어의 실효성을 확보하려는 시도라는 점에서 의미가 크다. 이러한 연구의 궁극적 목표는 로봇이 환경 변화와 사용자 요구에 적응하며 자율적으로 성능을 개선하는 것이다. 재활 보조 로봇은 착용자의 특성에 맞춰 힘과 궤적을 조정할 수 있어야 하고, 소프트 로봇은 재료 특성 변화에도 안정적으로 원하는 운동을 생성해야 한다. 연구실의 학습 기반 제어 연구는 이러한 요구를 만족시키는 핵심 기술로, 향후 인간-로봇 상호작용, 맞춤형 웨어러블 로봇, 자율 적응형 모바일 로봇 등 고도화된 지능형 로보틱스 플랫폼 개발로 이어질 가능성이 크다.