Eigengrasp
- 다른 이름: postural synergy, hand synergy
- 카테고리: Planning & manipulation › Manipulation
- 태그: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning
전형적인 파지 자세로부터 얻은 로봇 손 관절 공간의 기저 방향. 이를 쓰면 모든 관절 각도 대신 몇 개의 계수로 손 모양을 기술하고 탐색할 수 있다.
정의
eigengrasp는 손의 관절 공간에서 유용한 파지 자세 대부분이 그 방향을 따라 변하는 소수의 방향 가운데 하나다. 손 자세 p는 평균 자세에 eigengrasp들의 가중합을 더한 p = p₀ + Σ aᵢeᵢ로 쓰므로, 관절이 스무 개 남짓인 손도 몇 개의 진폭 aᵢ로 모양을 만들 수 있다. 이 개념은 Ciocarlie와 Allen이 로봇 파지 계획에 도입했으며, 1998년 Santello, Flanders, Soechting의 인간 손 연구에 기반한다. 그 연구는 기록된 파지 자세의 몇 가지 주성분, 이른바 자세 시너지가 그 변동의 대부분을 설명한다는 것을 발견했다. eigengrasp는 보통 그러한 자세들, 즉 로봇 손에 사상한 인간 데이터나 로봇 손을 위해 설계한 자세들의 주성분 분석으로 얻는다.
주된 용도는 파지 계획이다. GraspIt!에는 손목 자세와 eigengrasp 진폭을 함께 담금질 기법으로 탐색하는 eigengrasp 플래너가 있으며, 이 탐색은 손 표면이 적절한 법선을 가지고 물체 가까이에 놓일수록 보상하는 에너지로 유도된다. eigengrasp가 두 개라면 탐색 공간은 스물다섯 차원이 넘는 대신 손목 자세 여섯 차원과 진폭 두 개를 합친 여덟 차원이다. 부분 공간에서 유망한 사전 파지를 찾으면 손가락들이 전체 관절 공간에서 접촉할 때까지 닫히고, 파지 품질 지표가 그 결과를 평가한다.
이 저차원 부분 공간은 주된 한계이기도 하다. 정밀한 손가락 끝 배치나 특이한 손가락 조합처럼 부분 공간 밖에 있는 자세는 탐색 중에 도달할 수 없으므로, 이렇게 찾은 파지는 몇 가지 전형적인 손 모양 주위에 몰린다. 최근의 데이터셋 연구는 eigengrasp로 계획한 파지가 좁은 분포를 따른다고 지적하고 대신 전체 관절 공간에서 최적화한다. 계획 외에도 같은 개념은 원격 조작에서 데이터 글러브 입력을 로봇 손에 사상하고, 학습 방법에 축소된 행동 공간을 제공하며, 모터 한두 개가 고정된 시너지를 따라 손가락을 구동하는 저구동 손의 설계를 이끈다. 저구동 손은 그러한 결합을 기구 안에 넣어 두는 반면, eigengrasp는 소프트웨어에서 내리는 선택이므로 대략적인 파지를 찾은 뒤에는 버릴 수 있다.
중요한 이유
정교한 손은 관절이 너무 많아 단순한 탐색이나 탐험으로는 다루기 어렵다. eigengrasp는 실제 파지의 구조를 이용해 그 차원을 줄이며, 초기의 정교한 파지 계획기가 왜 작동했는지와 그 출력에 왜 다양성이 부족했는지를 함께 설명한다. 이 점은 그 출력을 학습 데이터로 쓸 때 중요하다.
주요 응용
- GraspIt!에서의 다지 손 파지 계획
- 시너지 부분 공간을 거쳐 사상하는 데이터 글러브 원격 조작
- 정교한 정책 학습을 위한 축소된 행동 공간
- 시너지 기반 저구동 손의 설계와 제어
- 의수를 위한 파지 합성
- 기구학이 다른 손들 사이의 파지 자세 이전
실제 사례
한 연구자가 관절이 스무 개가 넘는 다섯 손가락 손으로 가정용 물체 모델 집합을 잡는 파지를 구하려 한다. GraspIt!에서 인간 파지 자세의 주성분을 로봇 관절에 사상해 정의한 그 손의 eigengrasp를 불러오고 플래너를 실행한다. 플래너는 손목 자세와 진폭 두 개를 바꾸면서 손바닥과 손가락이 각 물체에 얼마나 밀착하는지를 점수로 매긴다. 가장 좋은 사전 파지들은 이어서 시뮬레이션에서 완전히 닫히고 엡실론 지표로 순위가 매겨진다. 결과를 검토하던 연구자는 거의 모든 파지가 손 전체로 감싸 쥐는 파워 그립의 변형이고 작은 부품을 집는 파지는 빠져 있다는 것을 알아차린다. 그래서 가장 좋은 파지들을 전체 관절 공간에서 다듬어 더 섬세한 손가락 끝 접촉을 되살리는 두 번째 단계를 추가한다.
흔한 오해
- eigengrasp는 집기나 파워 그립 같은 파지 유형이다 — 관절 공간의 기저 방향이다. 어떤 하나의 자세든 여러 eigengrasp의 조합이다
- eigengrasp는 손이 할 수 있는 모든 파지를 표현할 수 있다 — 부분 공간만 생성하므로 정밀하거나 특이한 자세는 그 밖에 놓인다
- eigengrasp는 반드시 인간 데이터에서 얻어야 한다 — 직접 설계하거나 로봇 자신의 성공한 파지로부터 계산할 수도 있다
- eigengrasp를 쓰면 손이 저구동이 된다 — 계획에서 eigengrasp는 탐색만 제약한다. 완전 구동 손은 예를 들어 물체를 감싸 닫을 때 여전히 각 관절을 독립적으로 움직일 수 있다
알아야 할 사람
- 정교 조작 연구자
- 로봇 손 및 의수 설계자
- 인간 손을 로봇 손에 사상하는 원격 조작 엔지니어
- 파지 데이터셋을 생성하는 연구자
관련 기술
- GraspIt!
- 주성분 분석(Principal Component Analysis)
- 손 자세 시너지(Postural Hand Synergies)
- Pisa/IIT SoftHand
- 데이터 글러브(Data Gloves)
- 담금질 기법(Simulated Annealing)
관련 용어
- Grasp Planning
- Dexterous Manipulation
- Underactuated Hand
- Grasp Quality Metric
- Motion Retargeting
- Configuration Space