로봇 촉각센서, 자체학습으로 표현력 높인다

핵심 요약

• 로봇의 접촉 기반 섬세한 조작에 쓰이는 촉각센서는 시각에 가려진 환경에서 필수적인데, 기존에는 사전학습된 이미지 인코더와 달리 촉각 인코더는 주로 원본 신호로부터 처음 학습되어 표현력이 제한된다.
• 분산 전자피부처럼 불규칙하게 배치된 촉각센서는 시각 기반 센서와 다르게 희소하고 불규칙한 구조를 가져, 기존 시각학습 방식을 직접 적용하기 어렵다.
• Tactile-JEPA는 센서의 공간적 배치와 연결 관계를 활용해 토폴로지 인식형 표현을 학습하는 자체지도학습 사전학습 방법이다.
• 방법은 마스킹된 센서 원소의 임베딩을 마스킹되지 않은 부분에서 예측하되, 센서 연결 그래프로 마스킹 영역을 안내한다.
• 효과적인 촉각 표현은 국소 접촉 세부사항과 촉각 표면의 전역 상태를 동시에 포착해야 하므로, 이중 규모의 마스킹으로 두 수준을 학습한다.
• 자기 및 압저항 센서, 서로 다른 로봇 구성, 단일 및 쌍 센서 설정을 포함한 3개 데이터셋에서 테스트한 결과, Tactile-JEPA는 힘 추정 오류를 6.3% 감소, 손 안 물체 방향 오류를 20.8% 감소시켜 기존 최고 성능을 초과했다.
• 정책 학습을 비롯한 다양한 하위 작업에서도 지속적인 성능 향상이 확인되었다.
• 결과는 촉각센서의 효과가 인코더 사전학습의 품질에 핵심적으로 좌우되며, Tactile-JEPA가 이 문제를 직접 해결함을 보여준다.