Lecture 1. 로봇공학 입문

자율 이동 로봇이 어떻게 "스스로" 움직이는지 큰 그림을 그려봅시다.

1. 로봇이란?

로봇은 ① 환경을 감지하고(Sense), ② 생각하고(Think), ③ 행동하는(Act) 기계입니다. 스마트폰은 감지·계산은 잘하지만 스스로 움직이지 않으니 로봇이 아닙니다. 반면 청소 로봇, 자율주행차, 자율운항 선박은 세 가지 모두 합니다.

그림 1. 로봇의 3요소

대부분의 자율 시스템은 다음 5단계로 작동합니다. 각 단계가 곧 이 강의의 주차별 주제입니다.

#	단계	하는 일	관련 강의
1	인지 (Perception)	"내 주위에 무엇이 있나?"	비전 / LiDAR (별도)
2	측위 (Localization)	"나는 지금 어디에 있나?"	L4, L5 칼만 필터
3	경로 계획 (Planning)	"어디로 어떻게 갈까?"	L7
4	유도 (Guidance)	"다음 순간 어느 방향으로?"	L10
5	제어 (Control)	"바퀴/추진기에 어떤 명령을?"	L9, L13, L14

이 모든 단계는 로봇의 동역학 모델(L2)과 상태공간 표현(L3) 위에서 돌아갑니다. 그래서 우리는 동역학부터 시작해서 점점 위쪽으로 올라갑니다.

이 강의는 아래로 내려갈수록 추상도가 올라가는 순서로 구성되어 있습니다. 각 카드를 눌러 해당 강의로 바로 이동할 수 있습니다.

로봇이 "어떻게 움직이는가"를 수학으로 적어봅니다. 바퀴 로봇의 자전거 모델, 선박의 Fossen 모델, 뉴턴·오일러 방정식과 RK4 수치 적분까지. 모든 이후 강의의 언어를 여기서 배웁니다.

$\dot x = Ax + Bu$, $y = Cx + Du$. 로봇의 동역학을 벡터·행렬 한 줄로 정리하는 현대 제어의 공용어. 가제어성·가관측성, 극점과 안정성의 기본 개념.

잡음 섞인 센서 값에서 "진짜 상태"를 뽑아내는 가장 우아한 알고리즘. 가우시안 분포 두 개를 합치는 트릭 하나로 Apollo 우주선부터 스마트폰 GPS까지 달립니다.

상태가 여러 개인 경우로 확장. EKF, UKF, 파티클 필터까지. 2D 평면에서 위치+속도를 동시에 추정하는 실전 예제.

"어디로 갈지" 정하는 문제. BFS·Dijkstra·A*의 그래프 탐색과 RRT·PRM의 샘플링 기반 기법, 인공 포텐셜 필드와 Dubins 곡선까지.

오차를 보고 입력을 조정하는 가장 널리 쓰이는 방법. PID 세 항의 직관, 과도응답 지표, Ziegler-Nichols 튜닝, 그리고 차량 추종을 위한 Pure Pursuit / Stanley 제어기.

"다음 순간 어느 방향으로?"를 결정하는 유도(LOS)와 "절대 부딪히지 않는" 안전 필터(CBF). SAIL 연구실이 직접 다루는 안전 제어의 수학적 기초.

데이터 점에 가장 잘 맞는 직선을 찾는 머신러닝의 첫걸음. 최소제곱법·정규방정식·Ridge 정규화·경사하강법까지. 딥러닝의 모든 것의 출발점.

선형 회귀를 여러 층으로 쌓아 비선형 함수를 학습. 퍼셉트론→MLP, ReLU·Sigmoid·Tanh 활성화, 역전파와 PyTorch 실전 코드.

미래 $N$ 스텝을 시뮬레이션해 최적 행동을 고르고 첫 입력만 실행. 현대 제어공학의 표준 언어이자 SAIL 연구실의 핵심 연구 주제. 고전 제어 vs MPC, OCP 정식화, receding horizon, CasADi 예제까지.

안정성·재귀 실현가능성, Tube/Robust/Stochastic/Economic MPC, Explicit MPC와 RTI, 학습 기반 MPC, MPPI, Koopman, MPC+CBF까지. 연구 논문을 읽을 수 있게 해주는 지도.