Physics-Informed Neural Networks with Unscented Kalman Filter for Sensorless Joint Torque Estimation in Humanoid Robots

Motivation

• Known: Sensorless torque estimation은 일반적으로 RNEA와 같은 모델 기반 방법이나 motor current 및 encoder 데이터 기반 방법을 통해 구현되어 왔으나, 마찰, gearbox elasticity, 센서 노이즈 등의 unmodeled dynamics로 인해 정확도가 제한된다. 또한 기존 마찰 모델은 Coulomb, viscous, LuGre, Stribeck 마찰 모델 등이 있으나 복잡한 마찰 동역학 포착에 제한이 있다.
• Gap: 기존 sensorless torque control 방법들은 floating-base humanoid robot에서 실시간으로 복잡한 마찰 동역학을 정확하게 모델링하고 보상하기 어렵다. 특히 PINN을 마찰 추정에 활용하고 이를 UKF 기반 torque estimation과 통합하여 실시간 제어 아키텍처 내에서 구현한 연구는 부족하다.
• Why: Humanoid robot의 안전하고 적응 가능한 제어는 joint torque control을 통해 compliance를 달성해야 하는데, torque 센서의 비용과 통합 복잡성 때문에 sensorless 방식이 필수적이다. 또한 motor actuation 없이 joint가 정지하는 경우의 static friction 포착과 같은 정교한 마찰 모델링은 동적 환경에서의 robust interaction을 위해 중요하다.
• Approach: motor와 joint velocity buffer를 PINN 입력으로 활용하여 마찰 모델링을 개선하고, custom Kalman Filter로 velocity estimate의 노이즈를 감소시킨다. 이렇게 추정된 PINN 기반 friction torque를 UKF의 직접 measurement 입력으로 사용하여 floating-base humanoid robot에서의 joint torque 추정 정확도를 향상시킨다.

Achievement

Fig. 4: CoM tracking comparison: RNEA-PINN (left) vs. UKF-PINN (right). Green rectangles indicate external contacts.

개선된 마찰 모델링: motor와 joint velocity buffer 입력으로 static friction과 dynamic friction을 포착. 확장된 UKF 공식화: fixed-base에서 floating-base 시스템으로 확대. 통합 제어 아키텍처: PINN과 UKF를 real-time torque control 내에 시너지있게 결합. scalable 성능: 서로 다른 마찰 특성을 가진 유사 로봇 플랫폼에서 재식별 없이 일관된 성능 달성. ergoCub 검증: RNEA 대비 torque tracking RMSE 감소, 에너지 효율 향상, disturbance rejection 우수성 입증.

How

Fig. 2: Block diagram of the multi-layer torque control architecture implemented on the ergoCub humanoid robot. The

• motor 및 joint velocity 신호로부터 custom Kalman Filter를 통해 정제된 velocity estimate 생성\n- PINN 신경망에 velocity buffer를 입력으로 공급하여 static 및 dynamic friction torque 예측\n- UKF의 state propagation에서 friction estimate를 measurement로 통합\n- floating-base dynamics와 contact wrench를 고려한 확장 UKF 공식\n- ergoCub humanoid robot에서 dynamic balancing task를 통한 실험 검증

Originality

• PINN을 floating-base humanoid robot의 실시간 마찰 추정에 직접 적용한 것은 기존 문헌에서 거의 다루어지지 않은 영역이다.\n- UKF의 measurement로 PINN 기반 friction estimate를 통합하는 synergistic 접근은 novel하다.\n- motor velocity buffer를 마찰 모델링 입력에 포함시켜 static friction 포착 능력을 향상시킨 것은 기술적 혁신이다.

Limitation & Further Study

• 실험 검증이 ergoCub 로봇 및 특정 balancing task에 제한되어 있으며, 다양한 manipulation task에서의 성능 검증이 부족하다.\n- PINN의 training data 요구사항, training 시간, computational cost에 대한 상세한 분석이 제시되지 않았다.\n- 다양한 로봇 플랫폼과 gearbox 특성에 대한 광범위한 scalability 검증이 필요하다.\n- 극한 동작 조건(high-speed, high-acceleration)에서의 성능이 명확히 제시되지 않았다.

Evaluation

총평: 본 논문은 PINN과 UKF를 통합한 sensorless torque control 프레임워크를 제시하며, 휴머노이드 로봇 제어에서 실질적인 advances를 제공한다. 기술적으로 견고하고 실험적으로 검증되었으나, 실험 범위의 제한과 계산 효율성에 대한 분석 부족이 영향을 미친다. 전반적으로 robotics 커뮤니티에 가치 있는 기여를 한다.