NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception

저자: Zhiyang Dou, John U. Onyemelukwe, Hangxing Zhang, Heng Zhang, Minghao Guo, Yunsheng Tian, Michal Piotr Lipiec, Joshua Jacob, Chao Liu, Peter Yichen Chen, Yuri Ivanov, Wojciech Matusik · RSS 2026

라이선스

• 오픈 액세스
• 논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

저가형 서보 팔을 위한 트랜스포머 액추에이터 모델로, 자세 데이터로부터 미분 가능한 MuJoCo를 통해 학습되며, 힘 센서 없이 엔드 이펙터 힘을 추정하고 힘 인식 모방 학습을 개선한다.

중요한 이유

추론 시점에 힘/토크 센서 없이도 저가형 팔에 쓸 만한 힘 신호를 제공하며, GPU 추론은 1밀리초 미만으로 60 Hz 제어 주기보다 빠르다. 이 신호는 가반하중 작업에서 행동 복제 성공률을 높였으며, 모델은 새 장치에서 궤적 12개로 약 6분 만에 재보정할 수 있다.

문제

저가형 서보 팔은 기어가 달린 브러시 DC 액추에이터를 사용하는데, 마찰, 히스테리시스, 백래시, 열 드리프트로 인해 선형 전류-토크 가정이 깨진다. 이는 시뮬레이션, 노력 추종, 그리고 모터 전류에 기반한 모든 힘 추정을 오염시킨다. 기존의 학습된 액추에이터 모델은 관절 토크 센서나 보정된 전류로부터 얻은 토크 레이블이 필요한데, 이러한 플랫폼은 이를 신뢰성 있게 제공하지 못한다.

제안 방법

NeuralActuator는 4층 트랜스포머로, 명령, 관절 상태, 액추에이터 텔레메트리(전류 또는 부하, 전압, 온도)의 9개 프레임을 읽고 토크 대리값, 원시 3D 엔드 이펙터 힘, 접촉 확률 게이트, 모터별 상태 점수를 출력한다. 토크 헤드는 미분 가능한 MuJoCo/MJX 시뮬레이터를 통해 굴리고 측정된 자세와 맞추는 방식으로 학습되므로 토크 레이블이 필요 없다. 힘, 게이트, 상태 헤드는 OpenManipulator-X 팔의 리더-팔로워 쌍과 6축 힘/토크 센서로 기록한 새로운 Neural Actuation Dataset의 레이블로 직접 학습된다.

핵심 통찰

• 기어가 달린 저가형 서보에서는 선형 전류-토크 매핑이 완전히 실패할 수 있다. OpenManipulator-X에서 관절별로 Kt를 적합하자 클램핑 전 두 관절에서 음의 기울기가 나왔다
• 토크 레이블이 없을 때는 미분 가능 시뮬레이터를 통해 굴린 자세 궤적만으로도 토크 대리값을 감독하기에 충분하다
• 힘 회귀를 접촉 확률 게이트와 분리하면 접촉이 없을 때 예측 힘이 0 근처에 유지되며, 고전적 관측기는 이런 상황에서 거짓 접촉을 일으킨다
• 고정된 매개변수 마찰 모델(Stribeck, 백래시)은 이러한 서보에서 선형 모델 대비 개선이 거의 없다. 이력 조건부 네트워크가 지배적인 비선형성을 포착한다
• 예측된 힘을 추가 입력으로 사용하면 가반하중 조작에서 모방 학습 정책이 개선된다

주요 결과

• 100 스텝에서의 가반하중 벤치마크: 힘 MAE 0.12 N으로, 최고의 고전적 베이스라인(일반화 운동량 관측기) 0.66 N, ID-Friction 1.23 N, ID-Linear 1.41 N과 대비된다. 고전적 방법은 무접촉 구간에서 33-59%의 거짓 양성 접촉을 보였다
• 최대 9 N의 힘을 쓴 6축 센서 벤치마크: 100 스텝에서 힘 MAE 0.36-0.39 N, 500 스텝에서 0.38-0.57 N. 무접촉 참조에서는 0.00-0.02 N 예측
• 40회 시행의 행동 복제: NeuralActuator 힘 입력으로 집어 놓기 성공률이 80%에서 92.5%로, 올라가서 머물기는 85%에서 95%로 상승했다
• 모터 상태 검출(고무 밴드로 제한한 Joint 3): 정확도 91.0%, 재현율 96.2%, AUC-ROC 0.95로, 최고의 수작업 특징 베이스라인(Random Forest)의 정확도 67.1%, AUC-ROC 0.72와 대비된다
• 런타임: 파라미터 1.44M개, 평균 GPU 추론 0.25 ms, 배치 크기 1에서 처리량 4,019 Hz
• 플랫폼 간: Franka Panda 오프라인 힘 MAE는 200-600 g 가반하중에서 0.26-0.42 N, SO-101 힘 MAE는 500 스텝에서 0.47-0.73 N. 궤적 12개(356초)에 대한 온라인 적응으로 추종 오차가 약 44% 감소했다

한계

• 기록된 텔레메트리에 조건화된 장기 지평 롤아웃은 오차가 누적되어 결국 추종 정확도가 떨어진다(저자는 소수 궤적 온라인 적응으로 이를 완화한다)
• 토크 대리값은 측정된 액추에이터 토크가 아니라 시뮬레이터 등가값이다. 순방향 모델에 접촉이나 가반하중이 빠져 있으면 그 효과와 기타 모델 불일치를 흡수할 수 있다
• 온라인 추론에는 실시간 액추에이터 텔레메트리가 필요하며, 모델은 실행되지 않은 후보 명령을 롤아웃할 수 없으므로 추가적인 노력-응답 모델 없이는 MPC 같은 반사실적 계획에 사용할 수 없다
• 힘 헤드는 엔드 이펙터에서의 단일 3D 합력만 추정한다. 다점 접촉 위치 추정이나 전체 렌치는 없으며, 학습에 명시적인 힘 레이블이 필요하다
• 약 50 g(약 0.5 N) 이하의 가반하중은 저가형 플랫폼의 노이즈 바닥 근처에 있다. Franka 결과는 명령 신호에 미래 상태 대리값을 사용하는 오프라인 벤치마크이다

분야에 미친 영향

RSS 2026 Outstanding Systems Paper in Memory of Seth Teller Award 수상작이자 RSS 2026 Outstanding Paper Award 최종 후보이며, 현재까지 피인용 5회이다. 저자들은 Neural Actuation Dataset을 공개하고 프로젝트 페이지와 코드 저장소를 명시한다.

초록

미분 가능 시뮬레이터는 정책 학습과 모델 기반 제어를 발전시켜 왔지만, 액추에이터 동역학은 여전히 sim-to-real 오차의 중요한 원천으로 남아 있다. 이는 특히 저가형 플랫폼에서 심각한데, 마찰, 히스테리시스, 백래시, 열 효과 때문에 명령 목표 추종 중에 선형 전류-토크 관계 τ = K_t·I를 신뢰할 수 없게 되기 때문이다. 우리는 NeuralActuator를 제시한다. 이는 (i) 저가형 서보 플랫폼에서 궤적 전파를 위한 시뮬레이터 등가 일반화 노력(generalized-effort) 대리값, (ii) 센서 없는 힘 인식을 위해 접촉 확률 게이트를 갖춘 외력, (iii) 감독 대상 관절의 모터 상태 점수를 함께 예측하는 신경망 액추에이터 모델이다. 또한 우리는 외력 레이블과 함께 로봇 상태와 액추에이터 텔레메트리를 기록하는 쌍둥이 팔 원격 조작 시스템으로 수집한 Neural Actuation Dataset(NAD)을 소개한다. 토크 대리값 헤드는 직접적인 일반화 노력 레이블 없이 자세 궤적으로부터 미분 가능 시뮬레이션을 통해 학습되며, 힘, 게이트, 모터 상태 헤드는 직접 감독을 받는다. 트랜스포머는 실시간 추론을 지원하면서 시간적 의존성을 포착한다. 우리는 NeuralActuator를 5-DoF OpenManipulator-X, 6-DoF SO-101, 7-DoF Franka Emika Panda에서 평가하며, 이는 세 가지 액추에이터 계열과 약 USD 500에서 USD 30,000 이상에 이르는 플랫폼을 아우른다. 저가형 플랫폼은 동역학 및 힘 평가를 지원하고, 오프라인 Franka 실험은 추가적인 가반하중 힘 추정 벤치마크를 제공한다. 실험은 또한 OpenManipulator-X에서의 모터 상태 추정 응용과, NeuralActuator를 사전학습 모듈로 사용할 때 향상된 행동 복제 성능을 보여 준다.

링크

• arXiv 2607.11734: https://arxiv.org/abs/2607.11734
• DOI 10.15607/rss.2026.xxii.159: https://doi.org/10.15607/rss.2026.xxii.159
• PDF: https://arxiv.org/pdf/2607.11734v1
• 코드: https://github.com/Frank-ZY-Dou/Dynamics-Modeling/tree/main/NeuralActuator
• 프로젝트 페이지: https://frank-zy-dou.github.io/projects/NeuralActuator/index.html