Robots navigating in diverse natural environments should be able to respond to irregular and dynamic environments. Interaction with the environment complicates robot motion modeling and control significantly. For instance, walking robots or aquatic robots have complex dynamic models because they are influenced by their contact with the ground or their interactions with water. Modeling and controlling these robots require a high level of expertise, and even this level of expertise has its limitations at times. In this dissertation, we present data-driven modeling and control methods for robots that exhibit nonlinear and complex behaviors as a new breakthrough. The proposed methods encompass wide aspects of data-driven approaches, including learning an accurate model for long-term prediction, obtaining high-quality data for generalized models, and augmenting data for improving modeling and control performance. To validate the proposed methods, data are collected using a cruise tour boat in field experiments and using a small robotic surface vehicle in a laboratory. Moreover, we demonstrate the utility of the proposed method by enhancing offline reinforcement learning performance in a variety of simulation environments. Although the experimental data are collected in aquatic environments, which have complex nonlinear properties, it is expected that the proposed algorithm will be applicable to a wide range of fields, including soft robots, as it is domain-independent.
다양한 자연 환경에서 이동하는 로봇은 불규칙하고 변화가 심한 환경에 대응할 수 있는 능력을 지녀야 한다. 로봇이 움직이는데 있어 환경과의 상호작용은 모델링 및 제어를 어렵게 만드는 요소이다. 예를 들어, 보행 로봇은 지면과 닿는 순간의 접촉에 의해, 해양 로봇은 로봇에 닿는 물과의 상호 작용에 크게 영향을 받음에 따라 복잡한 역학 모델을 지니게 된다. 이러한 상호작용을 고려한 로봇의 모델링 및 제어는 높은 전문 지식을 요구하며 도전적인 연구 과제로 여겨지고 있다. 본 논문에서는 복잡한 비선형성 운동 특성을 지닌 로봇 활용에 새로운 돌파구로서 순수한 데이터 기반의 모델링 및 제어 방법을 제시한다. 제안하는 방법은 데이터를 활용하여 높은 정확도를 가지는 모델을 학습하는 법, 일반화된 모델 학습을 위해 좋은 데이터를 얻는 방법, 모델링 및 제어 성능을 높이기 위한 데이터 증강 기법 등 데이터 기반 접근법을 광범위하게 다루며, 발전된 방법론의 적용을 통하여 모델링 및 제어를 더욱 쉽고 성공적으로 수행하고자 한다. 제안하는 방법론을 검증하기 위하여 실제 운용되는 관광용 수상정의 해양 실험을 진행하였으며 수상정 로봇을 제작하여 실험 공간에서 모델링 및 제어를 수행하였다. 더불어, 상태 기반 입력값에 적용될 수 있는 새로운 데이터 증강 기법을 개발하여 다양한 시뮬레이션 환경에서 오프라인 강화학습의 성능을 개선시키는 결과를 보였다. 본 연구에서 다루는 실험 데이터는 복잡한 운동 특성을 지니도록 수상 환경에서 얻어졌으나 제안하는 알고리즘이 도메인에 의존하지 않는 방법론임에 따라 소프트 로봇 등의 다양한 분야에서 유용하게 적용될 수 있을 것으로 기대한다.
