모션프리미티브 (Motion Primitive)
쉽게 풀면
복잡한 동작을 만들 때 재료로 쓰이는, 미리 준비된 짧은 동작 조각들이에요.
왜 중요한가
복잡한 동작을 몇 개의 기본 동작 단위로 나누어 조합하는 접근으로, 시연에서 학습한 동작을 새 목표에 적응시키는 동적 운동 프리미티브가 시연 기반 학습의 대표 표현이 되었습니다. 이동로봇에서는 미리 계산한 짧은 궤적 조각 집합을 격자 탐색에 쓰는 형태로도 쓰입니다. 동적움직임프리미티브는 목표 위치가 바뀌어도 학습된 스프링-댐퍼 시스템의 수렴성 자체는 그대로 유지되므로, 안정성 증명 없이도 새로운 목표에 안전하게 일반화할 수 있다.
논문에서는 이렇게 쓰입니다
논문에서 모션프리미티브는 시연 기반 학습이나 동작 생성에서 재사용 가능한 동작 단위로 사용됩니다.
이 문장은 복잡한 동작을 매번 처음부터 계산하는 대신, 미리 만들어 둔 기본 동작들을 조합해 쓰면 로봇이 더 빠르게 반응할 수 있다는 뜻입니다.
조금 더 깊게 보면
프리미티브 단위를 어떻게 나누고 이어 붙일지가 핵심인데, 연결부에서 속도·가속도 불연속이 생기지 않도록 하는 처리가 필요합니다. 새 목표로 시간·공간 스케일을 바꾸는 일반화는 가능하지만 동작의 형태 자체를 바꾸지는 못하므로, 시연과 질적으로 다른 상황에는 대응하지 못한다는 한계가 있습니다. 동적움직임프리미티브(DMP)는 감쇠 스프링-댐퍼 미분방정식에 학습된 비선형 항을 더한 형태로 표현되어, 목표 위치나 시간 스케일을 바꿔도 안정적으로 수렴하는 성질을 수학적으로 보장한다. 이동로봇의 격자기반 계획에서는 로봇의 곡률 제약을 만족하는 짧은 궤적 조각들을 미리 계산해 두고, 이를 격자 탐색의 연결 후보로 사용해 실행 불가능한 경로가 나오는 것을 원천적으로 막는다.
주의할 점
모션프리미티브의 조합이 항상 실행 가능한 매끄러운 궤적을 보장하지는 않아, 연결 지점에서의 연속성 검토가 필요하다.
여러 모션프리미티브를 순서대로 이어 붙일 때 각 프리미티브의 끝 상태와 다음 프리미티브의 시작 상태가 정확히 일치하지 않으면 실행 시 갑작스러운 속도 변화가 나타날 수 있다.