소프트 로봇 근육 — 느린 동작의 구조를 배우고 오차를 보정하다

#1. 부드러운 근육을 움직이는 데 꼭 거대한 모델이 필요할까

부드러운 인공근육은 외력에 유연하게 반응하지만, 같은 입력에서 항상 같은 움직임을 얻기 어렵다. 재료의 변형, 전기장, 유체, 마찰과 이전 동작의 영향이 겹치기 때문이다. 이번 연구는 인공근육이 실제로 사용하는 느린 동작 범위에서 복잡한 응답을 낮은 차원의 관계로 학습하고, 그 관계를 역으로 사용해 제어 명령을 구한다. 여기에 PI 피드백을 더해 실제 관절의 추적 오차를 줄였다.[1][2]

연구의 출발점은 모델을 무조건 크게 만드는 것이 아니다. 내부의 빠른 변화가 입력 변화보다 먼저 안정된다면, 매 순간 모든 내부 상태를 같은 정밀도로 추적하지 않아도 느리게 움직이는 응답을 근사할 수 있다는 생각이다. 어떤 동작 범위에서는 단순한 모델이 충분한가를 먼저 판단하고, 그 판단에 맞춰 데이터를 모으는 접근이다.

여기서 SSM은 스펙트럴 부분다양체, Spectral Submanifold를 뜻한다. 로봇 안전 분야에서 같은 약자를 사용하는 속도·분리 감시와는 다른 용어다. 논문은 SSM과 느린 다양체의 이론을 바탕으로 실험 데이터의 모델 축소와 제어를 연결한다.[2]

#2. 빠르게 가라앉는 변화와 오래 남는 변화

복잡한 시스템의 모든 변화가 같은 속도로 진행되는 것은 아니다. 어떤 변화는 입력을 가한 직후 빠르게 사라지고, 다른 변화는 더 오래 남아 관측 가능한 움직임을 지배한다. 모델 축소는 이러한 시간 척도의 차이를 활용해 중요한 움직임을 적은 변수로 표현하려는 작업이다.

이번 연구는 입력이 내부 과도응답보다 천천히 변하는 adiabatic regime에 주목한다. 이때 시스템의 궤적이 낮은 차원의 끌리는 구조에 빠르게 접근하면, 그 구조 위의 입력–출력 관계를 배우는 것이 유용하다. 논문은 비선형 이론의 SSM, 입력 변화에 따라 변하는 aSSM, 더 강한 시간 척도 분리에서의 slow manifold를 구분한다.[1][2]

이 차이를 읽는 간단한 질문은 “지금 제어하려는 입력이 변하는 동안 내부 변화가 충분히 가라앉는가?”다. 내부 반응은 느린데 목표만 급하게 바꾸면, 이전 상태의 영향이 무시할 수 없게 된다. 반대로 안정되는 시간이 입력 변화보다 짧다면, 입력에 대한 낮은 차원의 응답 관계가 실용적인 근사로 작동할 수 있다.

중요한 것은 이 아이디어가 단순한 저역통과 필터와 같다는 뜻은 아니라는 점이다. 관측을 부드럽게 만드는 것과, 입력에 따라 시스템이 따르는 낮은 차원의 관계를 학습하는 것은 다른 연산이다. 데이터가 어떤 구조로 모이는지를 설명한 뒤, 그 구조가 예측과 제어에 유용한지 시험해야 한다.

#3. 장치를 흔드는 실험보다 실제 동작을 기록하는 이유

시스템 모델을 얻기 위해 큰 계단 입력을 주고 변화가 가라앉는 모습을 관찰하는 방법을 생각할 수 있다. 그러나 부드러운 인공근육에서는 그런 큰 변화가 정상 동작에서 드물게 나타나는 이력 현상을 자극할 수 있다. 연구는 이러한 실험과 실제 제어 범위 사이의 불일치를 문제로 삼고, 실제로 강제 구동한 궤적에서 느린 응답 관계를 학습하는 방법을 제안한다.[1][2]

데이터 수집의 관점에서 보면, 모델은 자신이 배운 범위의 응답을 설명한다. 예를 들어 매끄럽게 움직이는 작업을 하려는데 큰 충격 뒤 복원 과정만 학습했다면, 정상 동작을 대표하는 데이터가 부족할 수 있다. 반대로 아주 느린 구동만 배운 모델에 빠른 전환을 요구하면 다른 문제가 생긴다. 입력 범위와 변화 속도를 함께 기록해야 하는 이유다.

공개 preprint는 단일 HASEL 액추에이터와 두 인공근육·클러치를 결합한 관절을 구분해 설명한다. 단일 액추에이터에서는 일곱 개 강제 응답 궤적을 이용하고, 관절에서는 세 개 궤적으로 최대 7차 다항식의 느린 다양체를 근사했다. 관절의 예측 오차로 보고한 정규화 평균 궤적 오차는 8.13%다.[2]

모델 예측 오차와 폐루프 제어 오차는 따로 읽어야 한다. 입력을 넣었을 때 출력을 얼마나 잘 예측하는지 확인하는 단계가 먼저 있고, 그 모델을 명령 생성에 사용했을 때 관절이 목표를 얼마나 잘 따라가는지 시험하는 단계가 뒤에 있다. 앞 단계에서 좋은 모델이더라도 입력 제한이나 측정 지연이 더해진 제어에서는 다른 오차가 나타날 수 있다.

#4. 관절의 움직임을 한 개 명령으로 표현하기

공개 preprint의 관절에는 양쪽의 HASEL 근육과 각 근육의 힘 전달을 조절하는 클러치가 있다. 이 장치는 여러 물리 입력을 가지지만, 연구의 제어 구성에서는 한쪽 근육과 클러치를 함께 활성화하고 한 번에 한쪽을 사용하는 규칙을 둔다. 그러면 명령의 부호가 어느 쪽을 사용할지 정하는 스칼라 입력으로 표현할 수 있다.[2]

이 전제는 모델의 단순함을 이해하는 열쇠다. 임의의 네 입력을 모두 자유롭게 동시에 바꾸는 문제와, 정해진 동작 규칙 아래에서 한 스칼라 명령을 바꾸는 문제는 다르다. 낮은 차원의 모델이 좋은 결과를 보였을 때는, 재료 자체의 시간 척도뿐 아니라 제어 입력 공간을 어떻게 제한했는지도 함께 봐야 한다.

관절각을 $\theta$, 명령을 $u$라고 쓰면 학습한 관계는 $\theta\approx g(u)$로 표현된다. 일반 예측은 명령을 넣고 각도를 얻는 방향이다. 제어에서는 원하는 각도를 먼저 정하므로, 반대 방향인 $u_{\mathrm{ff}}=g^{-1}(\theta_d)$가 필요하다. 이 역관계를 사용하는 명령이 feedforward다.[2]

다항식으로 근사했다고 해서 역함수가 모든 범위에서 하나로 정해지는 것은 아니다. 같은 각도에 여러 입력이 대응하거나, 학습 범위 밖에서 곡선이 꺾일 수 있다. 실제 적용에서는 유효 입력 구간과 방향·전환 규칙을 함께 사용해야 한다. 이 점검은 모델식을 제어기로 사용하는 관점에서 도출한 구현상 고려사항이다.

#5. 예측 명령과 오차 보정을 왜 더하는가

학습한 모델이 정확한 경향을 제공하면 목표에 가까운 입력을 미리 보낼 수 있다. 하지만 하중 변화나 모델 잔차가 남으면 실제 관절각이 목표와 어긋난다. 피드백은 측정된 오차를 이용해 그 차이를 보정한다. 두 기능을 합치면 feedforward가 주요 명령을 맡고 PI가 남은 오차에 대응하는 구성을 만들 수 있다.[1][2]

적분 항은 지속적인 오차를 줄이는 데 도움이 되지만, 구동기가 한계에 걸려 더 이상 움직일 수 없을 때도 계속 쌓이면 과한 명령이 남을 수 있다. 논문의 제어 그림에는 anti-windup과 명령 제한이 함께 등장한다. 이들을 부수적인 장식이 아니라, 실제 장치가 허용하는 입력으로 제어식을 연결하는 단계로 읽어야 한다.[2]

또한 클러치의 반대편으로 힘 전달을 바꾸는 순간에는 단순한 연속 다항식만으로 설명되지 않는 전환이 있다. 논문은 명령의 합산과 근육·클러치의 연결, 안전한 범위의 입력 제한을 구분한다. 전환을 포함한 하드웨어 결과를 볼 때는 같은 규칙을 비교군에도 적용했는지 확인해야 한다.

#6. 실험은 무엇을 비교했는가

공개 preprint의 폐루프 실험은 PI만 사용하는 제어, 학습한 역모델의 feedforward만 사용하는 제어, 두 방법을 결합한 제어를 비교한다. 새로 주어진 무작위 목표 궤적에서 같은 포화·변화율 제한과 클러치 스케줄을 적용했다. PI 이득은 결합 제어와 피드백 전용 제어 각각에 대해 짧은 보정 궤적에서 조정한 뒤 고정했다.[2]

표에서 RMS는 전체 궤적의 추적 정도를 요약하고, 최대오차는 가장 크게 어긋난 순간을 보여 준다. 두 지표를 함께 보면 평균 추종의 개선이 큰 순간 오차의 감소와도 연결되는지 읽을 수 있다.

결합 제어의 RMS 개선을 피드백 전용 대비 계산하면 $(7.63-2.38)/7.63\times100\approx68.8\%$다. feedforward 전용 대비는 $(3.63-2.38)/3.63\times100\approx34.4\%$다. 분모가 서로 다른 비교이므로 “약 3분의 2 감소”라는 표현에도 어떤 기준인지 함께 써야 한다.

평균적인 추적이 개선되어도 최대 오차는 남는다. 2.38도의 RMS와 10.41도의 최대 오차를 함께 보는 이유다. 정밀 조작에서 허용되는 순간 오차가 작다면 평균 지표만으로 적용 가능성을 판단할 수 없다.

#7. 모델이 단순해질 수 있었던 조건

첫째는 느린 구동 범위다. 입력이 빠르게 바뀌면 모델에 생략된 과도응답과 이력의 영향이 커질 수 있다. 이번 연구의 강점인 간결한 관계는 그 관계가 성립하는 동작 범위와 함께 평가해야 한다. 빠른 충격이나 높은 주파수의 임의 동작까지 이미 검증됐다고 확대하지 않는다.[1][2]

둘째는 관절의 입력 규칙이다. 양쪽 근육과 클러치를 사용하는 방식을 제한한 상태에서 낮은 차원의 명령을 학습했다. 다른 하중과 동시 활성화, 여러 관절의 결합으로 확장한다면 입력과 상태 공간을 다시 설정해야 한다. 이는 결과를 다른 로봇으로 이전하기 위한 분석적 점검 항목이다.

셋째는 데이터 수와 데이터의 대표성이 다른 문제라는 점이다. 세 궤적으로 학습했다는 사실은 인상적이지만, 각 궤적은 많은 연속 관측을 포함할 수 있다. 이를 독립된 세 개 숫자만으로 모든 동작을 학습했다는 식으로 읽지 않아야 한다. 반복 장치·다른 하중·시간이 지난 재료에서의 검증은 별도 축이다.

넷째는 제어 노력의 지표다. 공개 preprint는 두 근육의 명령 전압 크기를 바탕으로 제어 노력을 비교한다. 같은 명령 크기 범위에서 오차가 줄었다는 결과와, 소비 전력이 얼마나 줄었는지는 측정량이 다르다. 전압 크기만으로 전류와 에너지 소비까지 확정하지 않는다.[2]

#모델이 동작 범위를 배웠는지 확인하는 방법

추가 실험을 설계한다면 학습 궤적과 평가 궤적의 구분을 먼저 고정하는 것이 좋다. 연속적인 시계열의 이웃한 관측은 서로 비슷할 수 있다. 모든 관측을 섞어 무작위로 학습·시험에 나누면, 사실상 같은 동작의 바로 옆 시점을 예측하는 문제가 될 수 있다. 새로운 동작 궤적 전체를 평가로 남기면 다른 목표를 따라가는 능력을 더 직접적으로 확인할 수 있다.

그다음에는 진폭과 변화 속도를 따로 바꾸어 잔차를 보는 것이 유용하다. 진폭만 바꾸었을 때 생기는 오차와, 같은 범위에서 더 빠르게 움직일 때 생기는 오차는 원인이 다를 수 있다. 입력–출력 곡선의 유효 구간을 벗어났는지, 시간 척도 분리가 약해졌는지 구분할 수 있기 때문이다. 이 항목들은 후속 실험 제안이며 논문이 수행하지 않은 시험을 수행한 것처럼 추가한 결과가 아니다.

제어 평가에서도 평균과 순간을 같이 기록해야 한다. 전체 RMS가 줄어도 방향 전환 순간에 오차가 집중되면, 실제 작업의 정밀도를 결정하는 것은 그 순간일 수 있다. 목표 궤적, 측정 궤적, 명령 포화 여부, 클러치 전환 상태를 같은 시간축에 놓으면 모델 잔차와 하드웨어 전환의 영향을 분리하기 쉬워진다.

장기간 사용할 장치라면 같은 절차를 시간 간격을 두고 반복해 입력–출력 관계가 얼마나 달라지는지 확인하는 것도 필요하다. 재학습이 필요한지, 작은 보정으로 충분한지는 이런 변화량에 따라 판단할 문제다. 간결한 모델이라는 장점은 모델을 한 번 만들고 영원히 고정한다는 뜻보다, 어떤 조건에서 다시 확인해야 하는지를 명확하게 만들 때 더 유용하다.

#같은 RMS에도 다른 동작이 들어 있을 수 있다

가상의 네 시점에서 오차가 $[2,2,2,2]$인 경우와 $[0,0,0,4]$인 경우를 비교해 보자. 두 경우 모두 제곱오차의 합은 16이고 평균제곱오차는 4이므로 RMS는 2다. 그러나 첫 동작은 지속적인 편차가 있고 두 번째 동작은 한 시점에 오차가 집중된다. 이처럼 RMS가 같아도 오차의 시간적 분포와 최대값은 다르다. 로봇 관절이 목표를 추종하는 모습을 판단할 때 RMS와 최대오차, 시간 그래프를 함께 읽어야 하는 이유다.

실험 조건을 기록할 때도 이 차이를 유지해야 한다. 명령 방향이 바뀌는 시점, 클러치가 전환되는 구간, 목표가 정지한 구간을 나누어 보면 평균 숫자 뒤에 숨은 패턴을 찾기 쉽다. 여기의 두 배열은 지표를 설명하는 가상 예제이며, 공개된 로봇의 원시 로그를 다시 분석한 결과가 아니다.

#8. 실제 제어 연구에 가져갈 수 있는 관점

이 연구를 다른 장치에 적용할 때 첫 질문은 신경망을 몇 층 쓸지가 아니라 실제로 사용할 움직임에서 어떤 상태가 빠르게 사라지고 무엇이 남는가다. 다음으로 그 범위의 데이터를 모으고, 학습한 입력–출력 관계의 예측 잔차를 확인한다. 역관계를 사용할 수 있는 구간과 입력 제한을 명확히 한 뒤 폐루프에서 시험하는 순서가 자연스럽다.

이 순서는 여기서 제안하는 연구 설계 관점이다. 실제 HASEL 장치의 고전압 구동이나 안전 설정을 대체하는 제작 지침은 아니다. 전기·기계 보호와 측정 조건은 해당 하드웨어의 요구에 따라 별도로 검토해야 한다. 수식의 toy 명령을 실제 장치 전압에 그대로 적용하지 않는다.

재현을 시작할 자료도 공개되어 있다. 저자들의 Zenodo 자료는 SSMLearn과 연결되는 MATLAB 예제, 수치 모형과 실험 액추에이터 예제를 안내한다. 공개 코드의 존재와 모든 하드웨어 실험이 즉시 재현된다는 판단은 구분해야 한다. 데이터와 소프트웨어 환경, 센서 처리와 명령 제한을 함께 확인하는 것이 다음 단계다.[3]

이 연구는 정교한 비선형 이론이 반드시 복잡한 실시간 제어기로 이어질 필요가 없음을 보여 준다. 이론은 단순화가 유효한 조건을 설명하고, 데이터는 실제 장치의 관계를 채우며, 피드백은 남은 차이를 줄인다. 세 역할을 분리해 읽으면 낮은 차원의 모델과 실제 로봇 성능 사이의 연결이 보인다.

#9. 출처와 자료 범위

[1] Bettini, L., Kazemipour, A., Katzschmann, R. K. & Haller, G. Nonlinear spectral modeling and control of soft-robotic muscles from data. Nature Communications, 2026-09-16 조기 공개.

[2] 같은 연구의 공개 preprint, arXiv:2601.03247v1, 2026-01-06. 초기 구조·수식·실험값의 비교 버전.

[3] 저자 공개 MATLAB 자료와 예제 안내. 자료 기준: 2026-09-18. 출판사 페이지는 동료심사를 마친 조기 공개본으로 안내한다. 실험 수치는 arXiv v1과 게재 확정 조기 공개 PDF에서 대조했고, 원본 그림 6·7은 후자의 CC BY 4.0 자료에서 발췌했다. 독립 장치 실험·코드 실행을 완료한 것은 아니다. 원본 그림은 해당 버전의 출처와 함께 본문에 연결했다.