진동 모니터링을 통해 울퉁불퉁한 지형에서 이동 로봇의 안정성 향상

무인 지상 차량(UGV)은 진동 센서의 도움을 받아 험한 지형에서도 주행할 수 있습니다. 출처: ckybe, AI, Adobe Stock 제공

몇 년 전, 현장 테스트 중 중형 무인 지상 차량(UGV) 한 대가 별다른 위험 없어 보이는 울퉁불퉁한 지형을 오르려 시도했습니다. 지형은 극단적이지 않았습니다. 그저 흩어진 돌과 약간의 먼지, 그리고 완만한 경사면이 있을 뿐이었죠. 걱정할 만한 것은 전혀 없어 보였습니다.

중간 지점에 이르자 로봇이 멈췄습니다. 그러자 바퀴 하나가 살짝 가라앉았고, 차체가 앞으로 기울더니, 누구도 개입할 틈도 없이 로봇은 뒤집혀 버렸습니다.

이상한 점은 무엇이었을까? 카메라 화면은 정상으로 보였다. 라이더(LiDAR)도 큰 위험 요소는 감지하지 못했다. 데이터에 따르면 그 경로는 "안전"한 것으로 표시되어 있었다.

그런데도 로봇은 우리보다 먼저 위험을 감지했다. 단지 그 감각을 행동으로 옮기지 못했을 뿐이다.

로봇이 보는 것과 물리적으로 경험하는 것 사이의 이러한 괴리는 고르지 않은 지면 위에서 이동형 로봇의 안정성을 좌우하는 핵심 요소다.

현실 세계에서 지형은 속임수를 부릴 수 있다. 표면은 단단해 보이지만 무게를 받으면 가루처럼 부서질 수 있다. 바위가 얇은 흙층 아래에 숨어 있을 수도 있다. 얕은 바퀴자국조차 하중을 재배분하여 UGV를 전복 지점 너머로 밀어낼 수 있다. 그리고 일단 그런 일이 발생하면, 회복 과정은 거의 매끄럽지 않다.

오늘날의 내비게이션 시스템은 여전히 대부분 시각 정보에 의존합니다. 카메라, 라이더, SLAM은 지형 매핑에는 탁월합니다. 하지만 지면을 주행할 때 지면이 어떻게 반응할지는 알려주지 못합니다. 바로 그 지점에서 실패가 발생합니다.

진동 모니터링은 다른 접근 방식을 제시합니다. 로봇은 외부 인식에만 의존하는 대신 자신의 몸에서 발생하는 신호를 감지하기 시작합니다. 모든 요철, 미세한 미끄러짐, 충격은 데이터를 생성합니다. 이러한 신호를 진지하게 받아들일 때, 그것들은 예측 가능한 정보가 됩니다.

마치 사람이 흩어진 자갈 위를 걷는 상황을 상상해 보세요. 매 걸음마다 시각적으로 분석하지는 않습니다. 몸으로 느끼죠. 발밑의 미세한 변화를 통해 속도를 늦춰야 할지, 균형을 잡아야 할지, 방향을 바꿔야 할지 알게 됩니다.

바로 그런 종류의 인지 능력을 로봇에게 부여하는 것이 우리의 목표입니다.

다음 내용은 단순한 이론적 논의가 아닙니다. 이는 실제로 효과가 입증된 내용을 바탕으로 합니다. 즉, 진동 데이터를 어떻게 수집하는지, 그 데이터가 무엇을 알려주는지, 그리고 지면 상태가 예측 불가능해질 때 로봇의 안정성을 유지하기 위해 이를 어떻게 활용하는지입니다.

왜 진동 신호가 안정성에 중요한가

엔지니어들이 자주 던지는 근본적인 질문부터 시작해 봅시다. 진동은 실제로 안정성에 어떤 영향을 미칠까요?

간단한 대답은 이렇습니다. 진동은 단순히 안정성에 영향을 미치는 것이 아니라, 안정성을 드러내는 것입니다.

바퀴가 지면과 접촉할 때마다 힘이 발생합니다. 이 힘은 일정하지 않습니다. 표면이 단단한지, 부드러운지, 고르지 않은지, 또는 움직이는지에 따라 달라집니다. 이러한 변화는 진동으로 로봇 전체에 전달됩니다.

이것을 무시하면 그저 잡음일 뿐입니다. 분석하면 통찰력이 됩니다.

한 번의 오프로드 테스트에서, 우리는 동일한 로봇을 단단한 흙, 흩어진 자갈, 부드러운 모래라는 세 가지 표면 위를 주행시켰습니다. 육안으로 볼 때 세 곳 모두 주행 가능해 보였습니다. 하지만 진동 패턴은 완전히 달랐습니다.

단단한 흙 위에서는 신호가 안정적이었습니다. 진폭이 낮고 일관된 양상을 보였습니다.

자갈 위에서는 신호가 혼란스러워졌으며, 급격한 스파이크와 고주파 진동이 나타났습니다.

모래 위에서는 모든 것이 느려졌습니다. 신호는 더 무거워지고 거의 둔해졌으며, 눈에 띄는 저주파 진동이 나타났습니다. 이러한 차이는 매우 중요합니다.

고주파 스파이크는 일반적으로 바위, 파편, 또는 단단한 모서리에 부딪치는 등의 충격을 나타냅니다. 이러한 순간은 하중 분포를 갑자기 변화시켜 불안정성을 유발할 수 있습니다.

저주파 진동은 더 미묘하지만 그만큼 위험합니다. 이는 종종 바퀴가 가라앉거나 미끄러지는 것과 같이 지지력을 상실했음을 알리는 신호입니다. 갑작스러운 충격은 없지만, 대신 안정성이 서서히 무너집니다.

핵심은 이렇습니다. 이러한 현상은 눈에 보이기 전에 먼저 감지되는 경우가 많습니다.

우리는 로버 테스트 중에 이런 현상을 경험했습니다. 매립된 바위들이 얇은 모래층으로 덮여 있어 지형의 일부가 매끄러워 보였습니다. 카메라에는 평평한 땅이 비쳤고, 라이다(LiDAR)는 깨끗한 표면을 감지했습니다.

하지만 IMU는 다른 이야기를 들려주었습니다. 바퀴가 숨겨진 바위 위를 지나자마자 진동 신호에 고주파 스파이크가 나타났습니다. 이는 로봇이 불안정해지기 전에 조기 경보를 제공했습니다.

이것이 바로 진동 감지의 힘입니다. 이는 가시성에 의존하지 않습니다. 조명이나 먼지의 영향을 받지 않습니다. 접촉의 실제 물리적 현상을 반영합니다.

가혹한 환경에서는, 이것이 종종 유일하게 중요한 진실입니다.

진동 모니터링을 위한 핵심 센서

진동이 신호라면, 센서는 귀와 같습니다. 그리고 다른 모든 감지 시스템과 마찬가지로, 센서의 배치와 품질은 많은 사람들이 생각하는 것보다 훨씬 더 중요합니다.

핵심에는 가속도계, 자이로스코프, 관성 측정 장치(IMU)라는 세 가지 구성 요소가 있습니다.

가속도계가 주된 역할을 담당합니다. 이 센서는 3축을 따라 선형 가속도를 측정하여 충격과 지속적인 진동을 모두 포착합니다. 바퀴가 돌에 부딪히면 가속도계가 이를 즉시 감지합니다. 섀시가 진동하면 그 역시 감지됩니다.

자이로스코프는 여기에 또 다른 차원을 더합니다. 자이로스코프는 롤, 피치, 요와 같은 각도 운동을 추적합니다. 이를 통해 로봇이 넘어질 수 있는 방식으로 기울어지거나 회전하기 시작하는지 알 수 있습니다.

이 두 가지를 결합하면 IMU가 됩니다. 대부분의 최신 시스템은 IMU가 움직임에 대한 완전한 정보를 제공하기 때문에 이를 활용합니다.

하지만 실제 경험에 따르면 센서 자체만큼이나 센서의 배치 위치도 중요합니다.

질량 중심에 IMU를 장착하는 것은 표준 관행이며, 그럴 만한 타당한 이유가 있습니다. 이는 전체적인 움직임에 대해 안정적인 기준점을 제공하기 때문입니다. 하지만 이것만 사용한다면 중요한 세부 사항을 놓치게 됩니다.

거친 지형에서는 대부분의 움직임이 바퀴에서 발생합니다. 저희는 바퀴 어셈블리 근처에 보조 가속도계를 추가함으로써 더 나은 결과를 얻었습니다. 이 가속도계들은 차체 중심까지 완전히 전달되지 않는 국부적인 충격을 감지합니다.

또 다른 흔한 실수는 센서를 유연하게 장착하는 것입니다. 사소한 문제처럼 보일 수 있지만, 이는 매우 중요합니다. 센서 마운트가 조금이라도 휘어지면, 더 이상 실제 진동을 측정하는 것이 아니라 필터링된 버전을 측정하게 됩니다. 이는 잘못된 결론으로 이어집니다.

샘플링 주파수는 또 다른 실용적인 고려 사항입니다. 대부분의 이동형 로봇의 경우 100~500Hz 범위면 충분합니다. 너무 낮으면 중요한 이벤트를 놓치게 되고, 너무 높으면 의미 있는 이득 없이 처리 부하만 증가시킵니다.

하드웨어 측면에서는 특별한 부품이 필요하지 않습니다. 예산 범위 내에서 가혹한 환경을 견딜 수 있는 신뢰할 수 있는 가속도계 센서가 많이 있습니다. 보정과 일관성이 훨씬 더 중요합니다.

실시간 진동 처리 기법

원시 진동 데이터는 지저분합니다. IMU에서 직접 데이터를 그래프로 그려본 적이 있다면 무슨 말인지 아실 겁니다. 마치 노이즈처럼 보입니다.

핵심은 데이터를 완전히 정제하는 것이 아니라, 패턴을 파악할 수 있을 정도로만 정제하는 것입니다.

첫 번째 단계는 필터링입니다. 모터, 기어박스, 심지어 구조적 공진까지 모두 자체적인 진동을 유발합니다. 이를 해결하지 않으면 지형 신호를 가려버릴 것입니다.

일반적으로 대역통과 필터(bandpass filter)를 사용하여 지형 상호작용이 발생하는 주파수 대역을 분리하는 것으로 시작합니다. 그런 다음, 고정 주파수로 회전하는 모터와 같이 알려진 노이즈 원인이 있다면, 이를 제거하기 위해 노치 필터(notch filter)를 적용합니다.

단순한 노치 필터 하나로 사용 불가능한 데이터를 선명한 지형 신호로 바꾼 사례를 본 적이 있습니다. 신호가 사용 가능해지면 분석 단계로 넘어갑니다.

시간 영역 분석은 신호가 어떻게 변화하는지 보여줍니다. 하지만 주파수 영역 분석에서야 비로소 흥미로운 점이 드러납니다. FFT를 사용하면 에너지가 정확히 어디에 집중되어 있는지 확인할 수 있습니다.

지형마다 고유한 지문(특징)을 남깁니다. 자갈은 에너지를 고주파 대역에 분산시킵니다. 잔디는 중주파 대역에 위치합니다. 모래는 모든 주파수를 낮은 쪽으로 이동시키고 감쇠시킵니다.

그 다음 단계에서 특징을 추출합니다. 수십 개가 아니라, 의미 있는 몇 가지 특징만 추출하면 됩니다. RMS 진폭, 스펙트럼 전력, 그리고 아마도 분산 정도가 될 것입니다. 보통 이 정도면 충분합니다.

우리는 한때 이러한 특징 중 몇 가지만 사용하여 간단한 지형 분류기를 구축했고, 저속에서 거의 90%의 정확도를 달성했습니다. 특별한 것은 없었습니다. 딥러닝도 아니었습니다. 단지 깨끗한 데이터와 훌륭한 특징 선택뿐이었습니다.

핵심 교훈은 무엇일까요? 항상 복잡한 모델이 필요한 것은 아닙니다. 필요한 것은 양질의 신호입니다.

3축 진동 센서를 연결하는 다양한 방법. 출처: ATO

진동 데이터를 통한 안정성 예측

이제부터가 흥미로운 부분입니다. 대부분의 시스템은 불안정성이 발생한 후에야 대응합니다. 그때쯤이면 이미 문제가 발생한 뒤입니다. 진동 모니터링을 통해 대응에서 예측으로 전환할 수 있습니다.

전통적으로 엔지니어들은 안정성 여유도나 힘 분포 모델 같은 지표에 의존해 왔습니다. 이러한 방법은 통제된 환경에서는 잘 작동하지만, 지형 거동이 예측 불가능하게 변할 때는 한계가 있습니다.

진동 데이터가 그 공백을 메워줍니다. 모델만으로 힘을 추정하는 대신, 실제 상호작용을 통해 힘을 추론합니다. 이를 통해 안정성 평가가 현실에 더욱 기반을 두게 됩니다.

최근 이 분야에서 학습 기반 접근법이 주목받고 있습니다. 가속도, 각속도, 속도 데이터를 모델에 입력하면 안정성 점수가 산출됩니다.

놀라운 점은 이러한 모델의 일반화 능력이 매우 뛰어나다는 것입니다.

한 테스트에서 우리는 잔디, 자갈, 흙 지형으로 모델을 훈련시켰습니다. 그런 다음 모델이 한 번도 접해본 적 없는 혼합 지형에서 실행해 보았습니다. 결과는 여전히 훌륭했습니다. 완벽하지는 않았지만 충분히 유용했습니다.

실무적으로 이는 '게이팅(gating)'과 같은 동작을 가능하게 합니다.

작은 조작 암을 장착한 UGV가 있었습니다. 진동 수준이 임계치를 넘으면 시스템이 자동으로 암의 움직임을 일시 중지했습니다. 이것만으로도 몇 차례의 전복 직전 사고를 막을 수 있었습니다.

여기서 중요한 개념은 모델 자체가 아닙니다. 안정성이 사후에 확인하는 대상이 아니라 지속적으로 모니터링해야 할 대상이 된다는 점입니다.

균형 향상을 위한 제어 전략

진동 데이터를 신뢰하게 되면, 이를 제어에 활용할 수 있습니다. 가장 간단한 접근 방식은 속도 조절이며, 이는 가장 효과적인 방법 중 하나입니다. 진동이 증가하면 속도를 줄이면 됩니다. 그게 전부입니다.

간단해 보이지만, 대부분의 불안정성 문제는 속도에 비례하기 때문에 이 방법이 효과적입니다. 속도가 낮아지면 동적 힘도 줄어들어 시스템이 반응할 시간을 더 확보할 수 있습니다.

그 외에도 진동 데이터를 제어 루프에 입력할 수 있습니다. 예를 들어, PID 제어기는 외란 수준을 반영하는 추가 입력 신호를 활용하면 더 나은 성능을 발휘할 수 있습니다. 이는 진동을 줄이고 응답성을 향상시키는 데 도움이 됩니다.

센서 융합도 중요한 역할을 합니다. 진동 데이터만으로도 유용하지만, 주행 거리 측정이나 시각적 피드백과 결합하면 신뢰성이 더욱 높아집니다.

우리가 관찰한 실질적인 개선 사항 중 하나는 내부 노이즈를 제거한 데서 비롯되었습니다. 내부 부품에서 발생하는 기계적 진동을 필터링함으로써 제어 시스템이 눈에 띄게 부드러워졌으며, 지터가 줄어들고 균형이 개선되었습니다.

때로는 안정성 향상이 복잡성을 더하는 데서 오는 것이 아닙니다. 노이즈를 제거하는 데서 비롯됩니다.

구현상의 과제와 해결책

물론, 이 모든 것이 플러그 앤 플레이 방식으로 해결되는 것은 아닙니다. 노이즈가 가장 큰 과제입니다. 모든 진동이 유용한 것은 아닙니다. 일부는 모터에서, 일부는 구조물에서, 일부는 환경에서 발생합니다. 목표는 중요한 정보를 잃지 않으면서 신호와 노이즈를 분리하는 것입니다.

로봇과 드론을 위한 소형 IMU 센서. 출처: ATO

센서 드리프트는 또 다른 문제이며, 특히 자이로스코프에서 두드러집니다. 미세한 오류가 시간이 지남에 따라 누적됩니다. 이때 칼만 필터링과 같은 센서 퓨전 기술이 필수적입니다.

그리고 변동성 문제도 있습니다. 로봇의 속도나 탑재 하중이 변하면 진동 프로파일도 함께 변합니다. 시스템이 이를 처리하도록 설계되지 않았다면 성능은 급격히 떨어집니다.

유일한 진정한 해결책은 테스트입니다. 통제된 실험실 테스트가 아니라 실제 지형, 실제 조건, 실제 극한 상황에서 이루어져야 합니다. 바로 그곳에서 시스템의 진가가 드러납니다.

로봇은 지면을 '느껴야' 합니다

한 가지 핵심 교훈이 있다면, 로봇은 지면을 단순히 보는 것이 아니라 지면을 '느껴야' 한다는 점입니다.

고르지 않은 지형에서 이동형 로봇의 안정성은 더 나은 지도만으로는 해결되지 않습니다. 기계와 환경 간의 더 깊은 연결이 필요합니다.

진동 모니터링이 바로 그 연결 고리입니다. 이는 충격, 미끄러짐, 미세한 변화를 활용 가능한 데이터로 변환합니다. 이를 통해 로봇은 단순히 문제에 반응하는 대신 문제를 예측할 수 있게 됩니다. 단 한 번의 실수만으로도 임무가 중단될 수 있는 환경에서는 이것이 모든 것을 바꿉니다.

이 기술은 결코 먼 미래의 일이 아닙니다. 견고한 IMU 구성, 신중한 데이터 처리, 현장 테스트만으로도 상당한 성과를 거둘 수 있습니다. 그 다음은 반복적인 개선 과정입니다.

지형은 언제나 예상치 못한 상황을 만들어내기 때문입니다. 목표는 로봇이 그 상황에 오랫동안 당황하지 않도록 하는 것입니다.

저자 소개

Faisal Mahmood는 AI, 소프트웨어 개발, SEO 중심 콘텐츠 분야에서 폭넓은 경험을 갖춘 노련한 디지털 마케팅 및 기술 콘텐츠 전략가입니다. 그는 개발자, 기업, 기술 팀이 AI 기반 도구, 코딩 모범 사례, 안전한 소프트웨어 개발의 최신 트렌드를 이해하는 데 도움이 되는 심도 있는 연구와 사실에 기반한 기사 작성에 특화되어 있습니다.

마흐무드는 전 세계 독자들을 위해 신기술과 실용적인 통찰력 사이의 간극을 좁히는 데 열정을 쏟고 있습니다. 연락은 [email protected]으로 가능합니다.