압력 센서와 랜덤 포레스트 회귀를 이용한 어깨 외골격의 자세·부하 동시 추정
Simultaneous Posture and Load Estimation of a Shoulder Exoskeleton Using Pressure Sensors and a Random Forest Regressor
- 주제(키워드) 랜덤포레스트 , 압력센서 , 자세부하동시추정
- 주제(DDC) 621.8
- 발행기관 아주대학교 일반대학원
- 지도교수 최영만
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035679
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Repetitive lifting tasks and overhead assembly operations are commonly performed in industrial environments, during which the shoulder joint is continuously subjected to gravitational torque and externally applied load moments. Such cumulative mechanical loading has been widely reported to accelerate the development of muscle fatigue and to induce post-task pain or discomfort. To mitigate these issues, shoulder exoskeletons have been proposed as assistive technologies, and previous studies have shown that passive or open-loop–based exoskeletons can reduce muscle activation and alleviate fatigue under specific conditions. However, in real-world working environments, arm posture and external load often vary simultaneously and rapidly, making it difficult for conventional exoskeleton systems to provide torque assistance with the appropriate magnitude and direction at the required moment. This limitation has been repeatedly highlighted in prior studies. To address this gap, the present study proposes a real-time control framework capable of simultaneously estimating arm posture and external load and generating stable assistive torque based on the estimated states. To this end, silicone-based BFS (BPSC [Barometric Pressure Sensor Chip]–based Force Sensors) were attached to two antagonistic muscles—the biceps brachii and triceps brachii—to measure pressure variations associated with muscle contraction. In addition, the shoulder joint angle was measured using a motor-integrated encoder, and trunk inclination was captured using an inertial measurement unit (IMU) mounted on the upper back. To compute features at every time step of the acquired time-series data, a sliding window approach with a window size of 20 samples and a stride of 1 was applied to the pressure signals. This process yielded a 33×1 feature vector at each time instant, which was temporally aligned with the ground-truth shoulder torque data. The resulting feature vectors were used as inputs to a multi-output Random Forest Regressor model executed on a Raspberry Pi 4 single-board computer (SBC). The model automatically learned statistical characteristics from the two-channel pressure signals to separately predict elbow joint angle and external load. Owing to its ensemble structure, in which predictions are obtained by averaging multiple decision trees trained in parallel, the Random Forest model has been shown in prior studies to provide stable and balanced prediction performance even with limited training data and in the presence of nonlinearities and noise, outperforming comparative models such as multi-layer perceptrons (MLP) and support vector regression (SVR). The experimental protocol was divided into static and dynamic evaluations. In the static experiments, the objective was to verify whether the two BFS channels exhibited distinct response characteristics according to muscle contraction direction and increasing load, and to define baseline signal distributions that are distinguishable within a safe loading range. In the dynamic experiments, datasets were repeatedly generated for model training and testing to evaluate the stability of the elbow angle–load–pressure mapping and the estimation error, quantified using the root mean square error (RMSE). Although MLP and SVR demonstrated relatively low RMSE values when evaluated separately for elbow angle or load estimation, the primary requirement of this study was the stable simultaneous estimation of both variables. Comprehensive evaluation results showed that the Random Forest model exhibited consistent error dispersion, fewer extreme outliers, and reproducible performance across repeated training trials. Accordingly, Random Forest was selected as the most suitable model for the simultaneous estimation of joint angle and external load, providing a favorable balance between accuracy and robustness. In this study, the final shoulder assistive torque was computed as the sum of the gravitational torque components generated by the upper arm, forearm, and external load (T_u, T_f, and T_load, respectively). The assistive torque controller was designed to compensate for a predefined portion of the estimated shoulder gravitational torque derived from the two-channel BFS pressure signals. To validate the effectiveness of the proposed estimation framework, the stability of the Random Forest–based predictions under dynamic motion ranges and varying load conditions was evaluated. Sensor sensitivity, estimation error distribution, and inter-trial reproducibility were systematically analyzed. Through these validation procedures, it was confirmed that the proposed system enables real-time simultaneous estimation of posture and load using pressure sensors alone, while maintaining stable estimation performance in dynamic motion environments. The key contributions of this study lie in demonstrating that upper-limb pressure signals can be decoupled and interpreted under complex motion–load conditions to enable real-time shoulder torque updates using a Random Forest Regressor, and in verifying the validity of a control loop design that integrates estimation outputs into torque commands without perceptible delay.
more초록/요약
반복적인 물건 들기와 머리 위 조립 동작 등은 산업 현장에서 흔히 수행되는 작업이며, 이 과정에서 어깨 관절에는 지속적인 중력 토크와 외부 하중 모멘트가 누적된다. 이러한 누적 부하는 근피로를 빠르게 증가시키고, 작업 후 통증이나 불편감을 유발할 수 있음이 다수 보고되어 왔다. 이를 줄이기 위한 기술로 어깨 외골격이 제안되었으며, 수동형 또는 Open-loop 기반 외골격은 특정 조건에서 근활성 감소와 피로 완화 효과를 보인다. 그러나 실제 환경에서는 팔의 각도와 하중이 동시에 빠르게 변화하기 때문에, 기존 외골격이 필요한 순간에 정확한 크기와 방향으로 토크를 지원하기 어렵다는 점이 반복적으로 지적되어 왔다. 본 연구는 이러한 간극을 해결하기 위해, 팔 자세와 외부 하중을 동시에 추정하면서, 그 결과로 안정적인 보조 토크를 생성할 수 있는 실시간 제어 구조를 설계하였다. 이를 위해 길항 관계에 있는 두 개의 근육, 즉 상완 이두근과 삼두근에 실리콘 기반 BFS(BPSC[Barometric Pressure Sensor Chip]–based Force Sensor)를 장착하여 압력 변화를 측정하고, 추가로 모터 내부에 장착된 엔코더로 어깨 각도, 그리고 등 부위 IMU(Inertial Measurement Unit)로 몸통 기울기를 측정하였다. 수집된 압력 신호는 시계열 데이터의 모든 시점에서 특징을 계산하기 위해, stride 1 기반의 sliding window size 20의 샘플을 적용하였으며, 이를 통해 각 시점의 특징 벡터(33×1)는 어깨 토크 정답 데이터와 시간적으로 정확히 정렬되었다. 이 벡터는 Raspberry Pi 4(SBC, Single Board Computer) 상에서 실행되는 다중 출력 Random Forest Regressor 모델의 입력으로 사용되었다. 해당 모델은 두 채널 압력 신호로부터 통계 특징을 자동으로 학습하여, 팔꿈치 각도와 하중을 구분·예측하는 방법을 수행하였다. 이러한 Random Forest 모델은 병렬적으로 학습된 다수의 작은 트리를 평균하여 예측을 생성하는 구조적 특성 덕분에, 비선형적이고 잡음이 많은 데이터에서도 비교 모델(MLP(Multi-Layer Perceptron), SVR(Support Vector Regression)에 비해 적은 데이터로도 안정적이고 균형 잡힌 예측 성능을 보인다는 점이 선행 연구들을 통해 확인되었다. 실험 구성은 크게 정적과 동적으로 구분되었으며, 정적 실험에서는 BFS 의 두 채널이 근 수축 방향, 하중 증가에 따라 서로 다른 특성으로 응답하는지를 검증하고, 안전한 하중 범위 안에서 구분 가능한 신호 분포의 기준선을 정의하는 데 있다. 동적 실험에서는 팔꿈치의 각도–하중 압력 매핑 안정성과 모델 추정 오차(RMSE)를 평가하기 위한 데이터셋으로 모델 훈련 및 테스트를 반복적으로 수행하였다. 정량적 성능 비교에서 MLP과 SVR은 팔꿈치의 각도와 하중의 개별 지표 기준으로 낮은 RMSE 값을 보인 바 있으나, 본 연구가 요구하는 것은 동시에 팔꿈치의 각도와 외부 부하를 안정적으로 추정하는 것이다. 종합 평가 결과 Random Forest는 오차 산포가 일정하고, 극단 오차가 드물며, 반복 학습에서도 유사 성능이 안정적으로 재현되는 특성을 보였다. 따라서 Random Forest는 본 연구의 각도·하중 동시추정 문제에서 균형 있는 정확성과 높은 응답 안정성을 동시에 제공한 모델로 채택되었다. 본 연구에서 최종 어깨 보조 토크는 상완, 전완, 외부 하중이 중력 방향으로 생성하는 토크 성분의 합(T_u, T_f, T_load)으로 계산된다. 보조 토크 제어기는 BFS 압력 2채널에서 추정된 어깨 중력 토크의 일정 수준을 분담하도록 설계되었다. 본 연구에서는 제안된 추정 구조의 실효성을 확인하기 위해 동적 동작 범위와 하중 조건에서 Random Forest 기반 추정값이 안정적으로 갱신되는지를 평가하여, 센서 신호의 민감도, 추정 오차의 분포, 반복 실험 간 재현성을 분석하였다. 이러한 검증 과정을 통해 본 연구에서 설계한 시스템은 압력 센서만을 이용한 실시간 자세·하중 동시추정이 가능하며, 동적 동작 환경에서도 안정적인 추정 성능을 유지할 수 있음이 확인되었다. 본 연구의 핵심 기여는 복합적인 동작·하중 조건에서 상지 압력 신호의 역할을 분리 해석하여, Random Forest Regressor 기반 추정 모델로부터 실시간 어깨 토크 갱신이 가능함을 보인 점, 그리고 추정값과 토크 명령을 지연 없이 제어하기 위한 제어 루프 설계의 타당성을 확인한 점에 있다.
more목차
제 1 장 서론 1
1.1 연구배경 1
1.2 기존 연구의 한계 2
1.3 기존 연구 동향 3
1.3.1 EMG 기반 어깨 외골격 연구 동향 3
1.3.2 FMG 기반 어깨 외골격 연구의 발전 4
1.3.3 머신러닝 기반 각도 및 하중 추정 연구 5
1.4 연구의 필요성과 본 연구의 차별성 6
제 2 장 시스템 구성 8
2.1 전체 시스템 개요 8
2.2 BFS 설계 및 특징 13
2.3 생체역학적 기초 16
2.4 측정 데이터 구성 19
2.5 어깨 토크 구성 및 모델링 21
제 3 장 머신 러닝 기반 자세부하 추정 24
3.1 데이터 수집 프로토콜 24
3.1.1 정적 실험 25
3.1.2 동적 실험 25
3.1.3 모션 캡처 기반 팔꿈치 관절각도 산출 및 동기화 절차 27
3.2 데이터 전처리 및 특징 추출 28
3.2.1 윈도우 메커니즘 28
3.2.2 통계적 특징 추출 29
3.3 Random Forest Regressor 설계 32
3.3.1 모델 구조 32
3.3.2 하이퍼 파라미터 설정 33
3.3.3 학습-테스트 분할 전략 35
3.4 성능 비교 및 근거 36
3.5 모델 학습 결과 42
제 4 장 외골격 실험 및 평가 43
4.1 시뮬레이션 기반 센서 추정 성능 검증 요약 43
4.2 외골격 착용 실험 44
4.2.1 실험 목적 44
4.2.2 실험 장비 및 센서 구성 44
4.3 동적 실험 프로토콜 45
4.4 데이터 처리 및 성능 평가 46
4.5 실험 결과 및 논의 47
제 5 장 결론 및 향후 과제 54
참 고 문 헌 56
Abstract 61
