Learning Aerodynamics for the Control of Flying Humanoid Robots

Motivation

• Known: 다중 이동 모드 로봇과 VTOL 시스템에 대한 연구가 진행 중이며, 저속 조건에서는 공기역학 영향을 무시할 수 있지만 고속 비행 시에는 공기역학 모델링이 필수적이다.
• Gap: 인간형 로봇과 같은 복잡한 비공기역학 형태의 물체에 대한 공기역학 모델링 및 제어 방법론이 부족하며, 특히 링크 간 비선형 간섭 효과를 포함한 통합적 접근이 제한적이다.
• Why: 인간형 로봇에 비행 능력을 부여하면 고유의 조작 능력과 비행 이동성을 결합하여 다목적 로봇의 작업 다양성과 환경 적응성을 크게 향상시킬 수 있다.
• Approach: RANS 기반 CFD 시뮬레이션으로 공기역학 힘을 계산하고 풍동 실험으로 검증한 후, 자동화된 CFD 프레임워크를 통해 데이터셋을 확대하여 Deep Neural Network과 선형 회귀 모델을 학습한다.

Achievement

Fig. 4: Aerodynamic models for simulation and control. Deep Neural Network (DNN): (a)

• iRonCub-Mk1 설계 및 제작: 제트 엔진 통합에 최적화된 40 kg급 인간형 로봇의 기계 설계 및 풍동 실험을 위한 하드웨어 수정을 완료
• CFD 검증 및 데이터셋 확장: Politecnico di Milano 풍동에서 수집한 실험 데이터로 RANS 시뮬레이션 검증 및 자동화 CFD 프레임워크를 통해 포괄적 공기역학 데이터셋 구축
• 학습 기반 공기역학 모델: Deep Neural Network과 선형 회귀 모델을 훈련하여 CFD보다 빠른 공기역학 력 예측 가능
• 공기역학 인식 제어 설계: 학습된 모델을 시뮬레이터에 통합하여 비행 시뮬레이션 및 물리 로봇 프로토타입의 균형 실험으로 제어 검증

How

Fig. 3: iRonCub aerodynamics CFD simulations. Validation of RANS simulations on iRon-

• RANS k-ω SST 및 Realizable k-ε 난류 모델을 활용한 3차원 CFD 시뮬레이션
• Politecnico di Milano의 대규모 풍동(GVPM)에서 다양한 자세 및 속도 조건에서 공기역학 력 및 표면 압력 측정
• 자동화된 CFD 프레임워크를 통해 로봇의 다양한 포즈에 대한 대규모 공기역학 데이터셋 생성
• 수집된 데이터로 Deep Neural Network(다층 신경망) 및 선형 회귀 모델 학습
• iDynTree 기반 시뮬레이터에 학습된 공기역학 모델 통합
• 시뮬레이션 및 실제 로봇 프로토타입에서 비행 시뮬레이션, 균형 실험, 제어 검증 수행

Originality

• 비행 인간형 로봇의 공기역학을 종합적으로 다루는 첫 시도로, CFD, 풍동 실험, 머신러닝을 통합한 체계적 접근
• 제트 엔진 기반의 고추력-무게비 비행 플랫폼으로 기존의 저추력 프로펠러 기반 멀티로봇과 차별화
• 비공기역학 형태의 복잡한 링크 구조에서 링크 간 간섭 효과를 포함한 공기역학 모델링
• 풍동 실험을 통한 실시간 분산 압력 데이터 획득 및 검증 방법론 제시

Limitation & Further Study

• CFD 시뮬레이션 계산 비용으로 인해 RANS 기반 모델 사용으로 LES 대비 정확도 제한 (실제 비선형 난류 효과 부분 손실)
• 학습 모델의 일반화 능력: 훈련 데이터 범위(자세, 속도, 풍향) 외의 조건에서 예측 성능 미검증
• 실제 비행 실험 부재: 시뮬레이션 및 정적 균형 실험만 수행되어 동적 비행 조건에서의 제어 성능 미확인
• 센서 측정 오차 및 풍동 설정의 물리적 제약(Reynolds 수 재현성 등)에 대한 상세 논의 부족
• 후속 연구: 실제 비행 시험으로 제어 성능 검증, 다양한 환경 조건(외부 바람, 난기류 등)에서의 강건성 평가, 학습 모델의 전이 학습(transfer learning) 활용으로 일반화 성능 향상

Evaluation

총평: 인간형 로봇의 비행 능력 확보를 위해 공기역학 모델링과 제어를 종합적으로 다룬 기술적·과학적으로 의미 있는 연구이며, 다중 모드 로봇의 미래 설계에 중요한 기여를 제시한다. 다만 실제 비행 실험 검증과 학습 모델의 일반화 성능 평가가 후속 과제이다.