생체신호를 이용한 Power-assist Exoskeleton 로봇의 제어

'SERVO'라는 로봇 전문잡지의 2008년 3월호에 실린 기사를 번역하여 올려봅니다.
내용은 기술적인 깊이가 다소 낮습니다만, 이미 이런 기술이 이정도는 일반화 되어 있다는 것으로 이해하시면 될것같습니다.
그리고, 약간의 해부학 용어가 나오지만,검색엔진을 통해 용어를 검색해보시면 금방 이해가 가실겁니다.
그리고, 요즘 많이 연구되고 있는 보행보조로봇은 아닙니다. 그렇다고 기사에서 소개하고 있는 로봇이 하체부까지 포함하고 있는 것도 아닙니다. 단지 근전도를 이용한 상체 근력보조(?) 로봇정도로 보시면 될것 같습니다.

원본 파일

Servo_magazine3.2008_exoskeleton.pdf

Control of Power-Assist Exoskeleton Robots with Biological Signals

보통 Power-Suit, Man amplifier, 또는 man magnifier라고 부른다. 이 로봇은 산업용, 군용, 의료분야에서 많이 활용될 수 있을것이다.

Power-assist Exoskeleton 로봇은 실시간으로 사용자의 모션의도에 따라서 자동으로 보조를 해주는것이 중요하다. 근육이 움직일때 발생되는 근전도는 사용자의 모션을 판단할 수 있는 생체신호중 가장 중요한 신호이다. 근전도 신호의 양은 근육의 활성정도를 나타내고, 전극으로 간단하게 측정할 수 있다. 만약 근육이 움직여서 발생되는 힘의 양을 근전도로 추정할 수 있다면, 관절에 걸리는 토크의 양도 추정할 수 있을 것이다. 그렇기 때문에, 사용자의 움직임 의도를 직접적으로 반영시켜 Exoskeleton 로봇을 자동으로 동작시킬 수 있을 것이다. 결론적으로 인간 모션은 근력의 정도를 측정할 수 있으면 인간의 모션을 추정할 수 있다는 것이다. 만약 사용자 모션이 실시간으로 추정될 수 있다면, 모션은 Exoskeleton 로봇에 의해 쉽게 보조받을 수 있다.
EMG(ElectroMyoGraphic) 기반 제어는 몇가지 이유때문에 현실화 하는것은 그리 간단한 일은 아니다. 이 글에서는 Exoskeleton 로봇을 위한 EMG기반 제어방법에 대해서 소개하고자 한다. 퍼지, 뉴럴 네트워크 또는 유전 알고리즘과 같은 소프트 컴퓨팅방법은 로봇 시스템을 지능적으로 만들 수 있는 방법들이다. 이들은 Power-Assist Exoskeleton로봇을 위한 효율적인 EMG기반의 제어기 개발에 적용될 수 있다. 여기서는 두가지의 EMG기반 제어 방법들에 대해서 소개하고 이것을 실제로 적용해 볼 것이다.

The Geometry of Power Assist
Power-Assist Exoskeleton 로봇은 직접으로 사용자의 몸에 부착되어 사용되어질 것이기 때문에 로봇을 설계할때 많은 제약을 받는다. 액츄에이터, 센서, 관절을 잇는 링크, 프레임등은 사용자 몸의 외부에 위치해야 하고, 사용자의 어떠한 모션에도 방해를 줘서는 안된다. 더군다나, Exoskeleton의 무게가 사용자의 몸에 직접적으로 지지되어서는 안된다. 그러므로, 하드웨어 설계는 일반로봇보다 더 어려울 수 있다. 일상생활에서 실제로 입고 있기 위해서는 인공근육같은 작은 사이즈에 가볍고 높은 출력을 내는 액츄에이터의 개발이 필요하다.
상체모션은 일상생활에 많은 중요한 활동에 연관되어 있기때문에 신체적으로 약한 사람을 위한 보조자가 필요하다. 그림 2는 4 자유도 Power-Assist Exoskeleton을 보여준다.

<그림 2>

Exoskeleton 로봇은 휠체어의 구동부에 부착되기 때문에 사용자는 로봇의 무게를 감당하지 않아도 된다. Exoskeleton 로봇은 주로 어깨 모션 지지부분과 팔꿈치 모션 지지부, 팔뚝모션 지지부로 구성되어 있다. 어깨 지지부는 윗쪽팔(팔뚝) 링크, 드라이버와 구동 풀리, 2개의 DC모터, 2개의 포텐셔메터, 팔 홀더, 어깨축의 회전중심을 위한 매커니즘으로 구성되어있다.
1자유도의 팔꿈치 모션부는 팔뚝링크, 1개의 풀리, 1개의 DC모터, 포텐셔메터로 구성되어 있다. 팔뚝 모션 지지부는 손목 프레임, 홀더, 손목커버, 힘센서와 포텐셔메터로 구성되어 있다.
보통 사람의 어깨가 움직일 수 있는 정상범위는 Flexion이 180도, extension은 60도, abduction은 180도, adduction은 75도, internal rotation으니 100~110도, external rotation으니 80~90도이다. 팔뚝모션의 움직일 수 있는 한계는 pronation이 50~80도, supination이 80~90도, 팔꿈치 모션은 flexion이 145도, extension이 -5도 이다.
일상생활 또는 사용자의 안전을 위해서 필요한 최소의 모션구성이 필요하다. 4자유도 골격의 어깨모션은 extension과 adduction은 0도, flexion은 90도, 그리고 abduction은 90도이다. 팔뚝모션은 pronation이 50도, supination이 80도, flexion이 120도, 팔꿈치 모션을 위한 extension은 0도이다.
사용자의 의도된 모션을 따라서 골격을 활성화하기위해서 EMG기반의 제어는 다음에 설명한 것처럼 적용될 수 있다. 4 자유도의 상체모션을 제어하기 위해서, 그림 3처럼 12종류의 EMG신호를 사용할 수 있다.

<그림 3>

Control with Biological Signal
사용자의 모션을 보조해주기 위해서 Exoskeleton 로봇은 실시간으로 모션을 결정해야 한다. 사용자의 모션을 움직일 근육들의 EMG신호의 모니터링을 통해 실시간으로 추정해야 한다. EMG신호의 양은 근육의 활성도를 나타내고, 이 신호를 모니터링하여 힘의 양을 추정할 수 있다. 그러나, 이 EMG기반의 제어기를 구현하기가 쉽지만은 않다. 왜냐하면

(1) 동일한 모션으로 동일한 EMG신호를 얻는것은 어렵다.
(2) 각 근육의 활성정도가 개개인마다 다르고,
(3) 길항근(서로 상반되는 작용을 동시에 하는 근육)이 관절 토크에 영향을 미친다.
(4) 많은 근육들이 관절의 모션에 연관되어 있고
(5) 한 근육은 여러종류의 모션에 사용되어지고
(6) 각 근육의 역할이 관절각에따라 달라진다.
(7) 어떤 근육의 활성정도는 다른관절의 움직임에 의해 영향을 받는다.

사용자의 EMG신호를 기반으로 한 Power-assistance는 기본적으로 두가지 방법이 있다. 한가지는 뉴로-퍼지 제어방법(fuzzy + adaptive neural network)과 또 한가지는 근육모델기반 제어방법이다.
첫번째 방법은 연관된 근육의 EMG 활성 패턴을 기반으로 사용자의 모션을 추정하여 Power-assist를 수행하는 것이다. 퍼지 IF-THEN 룰은 인간의 모션과 연관된 근육의 EMG 활성패턴사이의 관계를 기반으로 설계된다. 두번째 EMG기반의 방법은, 사용자의 모션이 연관된 근육들의 EMG 활성정도의 양으로 추정되는 방법이다.  EMG 활성 레벨의 양과 관절 토크와 관계를 나타내는 근육모델(행렬형태)은 해부학적 지식을 기반으로 만들어진다. 그러나, 각 행렬의 요소는 관절의 토크과 EMG 활성레벨 차이량 사이의 관계로 사용자의 자세에 따라 수정되어져야 한다.
퍼지-뉴럴 네트워크는 사용자의 합성된 자세에 따라 실시간으로 근육모델을 수정하는데 적용할 수 있다. 5자유도 상체모션(shoulder flexion/extension, shoulder adduction/abduction, shoulder internal/external rotation, elbow flexion/extension, and forearm pronation/ supination)을 위한 Power-assis Exoskeleton로봇 제어 시스템을 그림 4에서 보여준다.
EMG신호와 생성된 관절 토크사이의 관계는 사용자의 상체 자세가 바뀌지 않는다면 아래의 식으로 표현할 수 있다.

<식 1>

는 어깨 Flexion/extension 모션의 토크,

는 어깨 adduction/abduction 모션의 토크,

는 어깨 rotational 모션의 토크,

는 팔꿈치 모션의 토크,

는 팔뚝 모션의 토크를 나타낸다.
Chn은 n 채널의 EMG 측정신호를, 

는 어깨 flexion/extension모션을 위해 n번째 EMG신호로 추정한 토크의 가중치(weight)를,

는 어깨의 adduction/abduction 모션을 위한 n번째 EMG신호로 추정한 토크의 가중치,

는 어깨 rotational 모션을 위한 n번째 EMG신호로 추정한 토크의 가중치,

은 팔뚝 모션을 위한 n번째 EMG신호로 추정한 토크의 가중치를 의미한다.
다섯개의 관절각(shoulder flexion/ extension angle, shoulder adduction/ abduction angle, shoulder internal/external rotational angle, elbow flexion/extension angle, and forearm pronation/supination angle)은 퍼지-뉴럴 네트워크의 입력으로 사용된다. 각 관절각은 3개의 영역으로 다시 나뉘는데..(i.e., FL: flexed region; IM: intermediate region; and EX: extended region for shoulder flexion/extension, adduction/abduction angles, and elbow flexion/extension angle; and IN:internal region; CE: center region; and EX: external region for shoulder internal/external rotational angle and forearm pronation/supination angle).
퍼지-뉴럴 네트워크로 부터의 출력은 식(1)에서 각 가중치 계수이다. 결론적으로, 식(1)에서 근육모델(가중치 행렬)은 그림 4에서 보여준것처럼 퍼지뉴럴 네트워크에 의해 매 샘플링 타임동안의 제어가 조절된다.

<그림 4>

퍼지-뉴럴 네트워크는 Error back-propagation 학습 알고리즘을 이용한 학습주기동안 추정된 토크와 실제 측정된 토크사이의 차이를 최소화하는 것이 학습되어진다.

Evaluation
power-assistance를 위한 모션 추정방법의 효과를 평가하기위해 설명을 하려고 한다. 실험은 인간의 5자유도 상체모션(3 DOF shoulder joint motion, elbow joint motion, and forearm pronation/supination motion)과 연관된 근육(deltoid-anterior part, deltoid-middle part, deltoidposterior part, pectoralis major-c lavicular part, pectoralis major-lateral part, biceps-medial part, biceps-lateral part, triceps-medial part, triceps-lateral part, teres major, teres minor, infraspinatus, pronator teres, flexor carpi radialis,anconeus, and supinator).의 EMG신호사이의 관계를 결정하기위해 수행되어 졌다. 퍼지-뉴럴 방법의 효과는 이미 많은 논문에서 보여주었다.
이 실험에서 랜덤한 상체모션은 5명의 건강하고 나이가 지긋한 남성(65세이상)에 의해 수행되어졌다. 그리고 상체모션의 추정 에러가 평가되어졌다. 각 모션은 3D모션 캡쳐 시스템(Hawk Digital System and a high speed camera from NAC Image Technology Inc.)으로 측정되어 졌다. 3D모션을 캡쳐하기 위하여 17개의 마크를 그림 5에서 보는것처럼 부착되었다.

<그림 5>

각 해당 모션은 8대의 카메라에 의해 감시되어진다. 각 관절 토크는 인간 모델을 이용하여 계산된 모션결과로부터 추정되어진 실험하는 동안 생성되어진다.

<그림 6>

<그림 7>

그림 6은 주제 A에 의해 생성된 토크의 실험 결과를 보여준다. 그림 7은 생성된 토크와 EMG기반의 제어가 수행된것과 되지않은것 간의 에러를 보여준다. 이것으로 EMG기반의 제어방법에 의해 토크에러가 0이되는 것을 볼 수 있다.
이 결과는 사용자의 관절 토크는 추정될 수 있고 추정된 토크의 일정비율은 실시간으로 exoskeleton로봇에 의해 보조될 수 있다는 것을 보여준다. 즉, power-assist는 EMG기반의 제어 방법으로 구현이 가능하다는 것이다.

IDEAS FOR FUTURE EXPANSION
최근 로봇기술의 진보는 몇몇 Exoskeleton 로봇을 시장으로 데려왔다. 그러나 그들은 아직 매일 소비자들이 사용할 수 있을만큼 준비가 되지 않았다. 좀더 진보된 소프트 컴퓨팅 기술이 power-assist 로봇을 좀더 지능적이고 유연해지도록 개발되는데 필요하다.

레퍼런스