2026-1.로봇공학개론
전 회차 개념 요약 (시험 대비용)

• 인간 중심 협업로봇(Human-centered Collaborative Robot) — 사람을 대체하지 않고 증강·보조·협력하는 로봇. 강의 전체를 관통하는 주제이며, 결론은 "로봇은 노동의 대체재가 아니라 인간의 잠재력을 증강하는 지속 가능한 동반자"이다.
• HRI(Human-Robot Interaction) — 사람과 로봇이 같은 공간에서 안전하고 자연스럽게 함께 일하도록 만드는 연구 분야. 감정적·물리적 상호작용 중 이 강의는 물리적 협업에 무게.
• 완전 자동화의 한계 3가지 — ① 비정형 환경의 취약성, ② 유연성 부족(재프로그래밍 비용), ③ 회복 탄력성 저하. 시험에 "왜 완전 자동화가 실패하는가"로 출제 가능.
• 효율성 vs 회복 탄력성(Efficiency vs Resilience) — 한 작업에 최적화할수록 효율은 오르나 충격 흡수·적응 능력은 떨어지는 맞교환 관계. 핵심 대비 개념.
• 모라벡의 역설(Moravec's paradox) — 사람에게 쉬운 일(부드러운 천 다루기)이 로봇엔 어렵고, 어려운 일(정밀 반복)이 쉽다. Flufferbot 사례의 공학적 교훈.
• 비정형 물체/환경(unstructured object/environment) — 천·끈·과일처럼 형태가 고정되지 않아 머신 비전·제어가 다루기 어려운 대상/조건. 완전 자동화 실패의 직접 원인.
• Industry 4.0 vs 5.0 — 4.0은 IoT 기반 '기술 주도'·인간과 기계 물리적 분리; 5.0은 '가치 주도'·인간 중심 연결. 가장 큰 차이는 인간-기계의 분리 여부. 빈출 비교.
• Industry 5.0 세 기둥 — Human-centric(인간 중심)·Resilient(회복 탄력)·Sustainable(지속가능). EU 집행위 정의.
• 노동력 3대 기술 방향 — 증강(enhancement)·지원(assistance)·회복(recovery). 인간 중심 산업에서 공학자의 역할.
• 인간-로봇 작업 5단계 분류 — Conventional → Coexistence(Autarkic) → Synchronised(공간 한 번에 하나) → Cooperation(공간 공유·과업 다름) → Collaboration(공간·과업 공유·접촉). Cooperation vs Collaboration 구분이 핵심.
• ISO 10218 / ISO/TS 15066 — 협동 운전 안전 국제 표준. 최우선 가치는 Safety.
• 협동 운전 4레벨 — SMS(Safety-rated Monitored Stop) 근접 시 정지 · HG(Hand Guiding) 손 유도 · SSM(Speed and Separation Monitoring) 거리·속도 감시 감속 · PFL(Power and Force Limiting) 접촉 힘·파워 제한. 현 상용 로봇은 레벨3까지, 산업계는 레벨4로 이행 중.
• 안전·공존·협업 3분류 — Safety=충돌 감지·반응(L1), Coexistence=충돌 회피(L2), Collaboration=조율된 동작(L3·4). 4레벨을 가치로 재정리한 틀.
• 인간공학(Ergonomics) — 사람이 작업 시 어디에 힘이 어떻게 실리는지 분석하는 학문. 반복 부하 누적이 만성 질환으로 이어짐.
• 사후(reactive) → 실시간/사전(proactive) 전환 — 기존은 사후 분석 후 환경을 정적으로 설계; 핵심 아이디어는 작업 중 상태를 실시간 측정해 임계치 전에 개입하는 동적 접근. 매우 중요한 시험 포인트.
• 운동학 vs 동역학 지표(Kinematic vs Dynamic) — 운동학은 변위·속도·가속도(힘 무관, 움직임만), 동역학은 토크·피로·보상력(실제 부하). 같은 자세도 든 무게에 따라 토크가 달라 동역학 지표 필요.
• 과부하 피로 모델(Overloading Fatigue Model) — 순간 토크가 아니라 시간에 따라 근육에 누적되는 피로를 추정. 가벼운 물체도 오래 들면 위험 → 협업 안전의 출발점.
• ErgoTac / 진동·시각 피드백 — 위험 자세를 빨간 관절(시각)·진동(촉각)으로 알려 교정 유도. 인지 부하(cognitive load) 최소화를 위해 진동을 30~60% 범위로 조절하는 것이 설계 핵심.
• CBF(Control Barrier Function) — "값 ≥ 0이면 안전 영역"이라는 제약. 항상 ≥0이면 인간공학적 안전 한계를 넘지 않음을 보장.
• BoS / CoP(Base of Support / Center of Pressure) — 지지면과 압력중심. CoP가 BoS 안에 있으면 넘어지지 않는 안정 상태. 자세 안정성 판정.
• 가변강성(Variable Stiffness) — 평소 부드럽다가 필요 시 단단해지는 기술. 리지드·소프트의 단점을 보완해 안전성과 힘 전달을 동시에 확보.
• 레이어 재밍(Layer Jamming) — 겹친 층의 마찰력으로 강성 변화(정렬 0%일수록 단단). 모터로 슬라이드를 넣고 빼 강성 조절(공압 불필요).
• TSA(Twisted String Actuator) — 실 묶음을 꼬으면 길이가 짧아져 큰 감속비를 얻는 가벼운 텐던 구동. 단독으론 큰 힘 전달이 어려워 실리콘과 결합.
• 리지드 vs 소프트 로봇(Rigid vs Soft) — 리지드는 큰 힘이나 위험·거추장스러움, 소프트는 안전하나 부피 크고 힘 약함. 두 장점 결합이 연구 방향.
• 슬랙(slack) — 텐던 구동에서 줄이 느슨해져 생기는 미스매치. 기구적 보완 + 제어 예측으로 줄여 에너지 손실 최소화.
• 행동 인식 / 보행 사이클(Activity Recognition / Gait Cycle) — 웨어러블 제어의 전제. 보행 국면(0~100%)·지형마다 제어가 달라 실시간 판단 필수.
• 멀티태스크 학습(Multitask Learning) — 보행 단계·지형을 동시 판단하고, 새 사용자도 2~3스텝 안에 적응. 소수 IMU로 경량(on-device) 추론.
• 공유 자율성(Shared Autonomy) — 완전 수동/완전 자율의 양극단이 아닌 중간; 상황에 따라 제어 권한·작업을 동적 분담. 박스 크기별 역할 분배가 예시.
• 여유 자유도(Redundancy) / 널 스페이스(Null Space) — 손끝 위치를 유지하면서 팔꿈치 등을 움직일 수 있는 여유. 유연성을 주지만 외란 시 발산 위험.
• 임피던스 제어(Impedance Control) — 말단을 부드럽게(스프링-댐퍼처럼) 거동시키는 제어. 접촉 작업에 적합.
• 에너지 탱크(Energy Tank) / 수동성(Passivity) — 쓸 수 있는 에너지 총량을 정해두고 모든 작업에 배분. 받은 것보다 많은 에너지를 만들지 않으면(passivity) 발산하지 않아 다중작업 안정성 보장.
• 리아푸노프 안정성(Lyapunov Stability) / CLF-MPC — 안정성을 수학적으로 증명하며 임피던스 파라미터를 도출. 접촉 손실·공구 진동·외란에도 안정 → 협업 신뢰의 토대.
• 센서 퓨전(Sensor Fusion: UWB·IMU·기압계 + LSTM) — 실내 3D 위치 추정. UWB는 실내 측위에 강하나 다중경로 오차 → IMU(자세)·기압계(고도)를 LSTM으로 융합해 약점 보완(Geo-LSTM).
• 의도 인식(Intent Perception, 시선·스켈레톤) / HIPCP — 부른 위치에 멈추는 베이스라인과 달리, gaze·skeleton으로 실제 작업 지점까지 접근해 사람의 이동·수고 절감.
• 모방 학습(Imitation Learning) / ACT — 사람 시연 데이터로 정책 학습; ACT는 여러 시점 동작을 묶어 예측. 데이터의 양뿐 아니라 일관된 품질이 성능을 좌우.
• 충돌 인지 텔레오퍼레이션(Collision-Aware Teleoperation) — 단순 미미킹이 아니라 로봇의 가동 한계·충돌을 반영해 깔끔한 데이터 확보 → 학습 가속(작업 시간·이동 거리 약 62% 단축).
• MCP(Model Context Protocol) + ROS — LLM이 외부 도구·센서에 표준 방식으로 접근하는 어댑터 규약. ROS와 결합하면 자연어 의도를 ROS 명령 시퀀스로 번역해 코드 수정 없이 기존 로봇 제어 가능.

CBF(x) ≥ 0 — 인간공학적 안전 제약을 "값이 0 이상인 영역 = 안전"으로 정의해, 작업 궤적 내내 이 값이 음수가 되지 않게 함으로써 관절 과부하·낙상 한계를 넘지 않음을 보장하려는 것.

에너지 탱크: P_task + P_sub ≤ E_total — 시스템이 쓸 수 있는 에너지 총량을 정해두고 말단 작업과 여유 자유도 동작에 배분해, 수동성(passivity)을 지켜 외란 시에도 발산하지 않고 안정하게 만들려는 것(구체적 값·유도는 시험 무관).

• 노동을 줄이는 기계 vs 대체하는 로봇 (labor reduction vs replacement) — 세탁기는 인간의 수고를 줄여 보조하지만, 로봇은 노동 자체를 대체·재배치한다. 기술 문제를 넘어 사회·경제 구조의 질문으로 확장된다는 도입부 핵심 대비. A vs B 비교로 출제되기 쉽다.
• 시제품 vs 양산 (prototype vs mass production) — 연구는 성능 위주(고가 부품 자유 사용), 양산은 단가·신뢰성·대량 생산 제약이 지배. 둘 사이 간극이 "로봇이 곧 일상에 온다"는 기대와 현실의 거리다.
• 양산 단가 경험칙 (cost rule) — 양산가는 대략 판매가의 1/20. 수십 개 액추에이터가 들어가는 휴머노이드에서 모터 단가가 전체 가격을 비현실적으로 끌어올리는 이유를 설명하는 핵심 근거.
• 맥슨 모터 (Maxon motor) — 스위스제 정밀 DC 모터로 의료·우주에도 쓰이는 고급 부품의 대명사. 랩에서는 당연히 쓰지만 양산엔 부적합 → 시연과 상용화의 간극을 보여주는 사례.
• 설계 (design) — 형상 그리기가 아니라 기구학+동역학을 포함한 공학적 설계. 이 강의에서 '설계'의 정의를 묻는 문제가 나올 수 있다.
• 기계적/물리적 지능 (mechanical/physical intelligence), 형태 지능 (morphological computation) — 센서·제어기 대신 하드웨어의 형상·물성 설계로 복잡한 제어 없이 환경에 반응하게 만드는 사고방식. 멀티트랙·유연 트랙이 예시. 강의 전체를 관통하는 최우선 개념.
• 멀티트랙 (multi-track) — 턱을 넘기 위해 트랙을 둘로 나눈 구조. 피드백 제어 없이 물리적으로 똑똑하게 동작하게 하는 기계적 지능의 구현 예.
• 이종 군집 구성 (heterogeneous swarm) — 동일 기종 30대가 아니라 벽붙기·점프·비행·지상 4종을 섞어 캐리어에서 살포. 동질 군집보다 수행 가능한 미션 조합이 크게 늘어남이 핵심.
• 컴플라이언스 설계 (compliance design) — 구조를 유연하게 만들어 장애물에 부드럽게 적응. 장애물 극복엔 강하나 페이로드·안정성엔 불리한 트레이드오프. 강성 vs 순응성 균형이 핵심 난제.
• 변형 바퀴 (transformable wheel) — 평지에선 바퀴, 장애물 앞에선 스포크로 변형. 모터의 발열 문제(가감속 시 힘 발산)를 회피하면서 장애물 극복을 노린 설계.
• 발열 (heat dissipation) — 모터는 한 방향 회전에 최적화돼 바퀴·전기차에 유리. 가감속을 반복하는 다리형은 힘을 계속 발산해 발열이 성능 저하의 핵심 이슈. 바퀴형 선호의 근거.
• 접촉 모드 전환 (contact mode: rolling → point → double point contact) — 변형 바퀴에서 접촉 양상이 바뀌면 동역학 방정식이 교체됨. 왜 변형 바퀴 제어가 어려운지의 직접적 원인.
• 스위치드/하이브리드 시스템 (switched / hybrid system) — 연속 동역학과 이산 모드 전환이 섞인 시스템. 각 모드에서 안정해도 전환 순간 전체가 불안정해질 수 있어 안정성(stability) 보장이 어렵다. 변형 바퀴·계단 등반·줄 매달림 모두 이 틀로 설명.
• 제어 변천: 백스테핑 → MPC → 강화학습 — 백스테핑(backstepping)은 입력 제약을 못 넣어 입력이 튐 → MPC는 입력 구속을 명시적으로 처리 → RL/액터-크리틱은 모델 없이 정책 학습(단 sim-to-real 격차). 각 단계가 '왜 다음으로 넘어갔는가'를 묻기 좋은 인과형 포인트.
• 4절 링크 (four-bar linkage) — 계단 등반 배달 로봇에서 스포크 홈을 계단 모서리에 인앤아웃시켜 한 칸씩 오르는 단순·안정 메커니즘.
• 계단 치수 의존성 (stair-size dependency) — 4절 링크 행정이 특정 계단 규격에 맞춰져 다른 규격엔 못 씀. 이 로봇의 진짜 약점(방향 전환이 아님 — 함정 선택지 주의). 해법은 소프트 스포크로 적응·접지력 확보하되 미끄럼 방지(release)와 동시 만족.
• 모듈러 로봇 / 리컨피규러블 트러스 (modular robot / reconfigurable truss) — 동일 모듈을 레고처럼 재조합. 우주 환경에서 고장 시 재구성으로 대응하는 여유도(redundancy)가 핵심 가치.
• 텐션 그래디언트 (tension gradient) · 자유단 (free end) — 줄 위쪽은 고장력, 아래 자유단은 장력 0. 줄에서의 슬립과 함께 모델링·장력 추정을 어렵게 만드는 외벽청소 등반 로봇의 핵심 난점.
• 매달림 vs 잡고 오르기 (boundary condition) — 위에서 매달면 줄이 스프링처럼 단순 모델. 로봇이 줄 중간을 잡고 이동하면 접촉점 위·아래 장력 불연속+슬립으로 위치 추정이 비선형·불확정. 룰 베이스 한계 → 액터-크리틱 전환의 이유.
• 위치 추정·청소 인식 (position estimation / cleaning recognition) — 줄·윈치 모델링과 더불어 외벽청소 로봇의 핵심 기술. "청소가 됐는지" 판별하는 인식 기술이 별도 과제로 중요.
• 다족형 결합 (legged adaptation) — 본체(등반기)는 줄 따라 영역 커버리지, 다족 다리는 표면 장애물·곡면 적응(adaptation) 담당. 빠른 도약형 보행이 아닌 제약 하의 느린 적응 동작.
• 비파지 조작 (non-prehensile manipulation) — 집기(grasp) 대신 밀기·긁기·쓸기로 환경 접촉을 이용해 물체를 다룸. 젓가락·휴지·포스트잇처럼 집거나 인식이 어려운 대상에서 단일 파지보다 유효한 복합 전략.
• 실용 지향 (deployable) / 현장 검증 — 이론적으로 재밌는 제어 문제보다 '실제로 쓸 수 있는 것'을 지향. 랩 연구라도 반드시 현장을 가보고 활용 가능성을 따지라는 연구 철학(학문적 시사점으로 출제 가능).

• MPPI (Model Predictive Path Integral) — 미래 궤적 후보를 무수히 샘플링한 뒤 비용이 낮은 궤적에 큰 가중치를 줘 평균 내는 샘플링 기반 MPC. 미분 불가능·비선형 시스템에도 쓸 수 있고 GPU 병렬화로 실시간성을 확보. "회색 경로 → 가중합 → 빨간 최적 경로"가 한 줄 요약.
• MPC (Model Predictive Control) — 예측 지평 동안 움직임을 시뮬레이션해 비용 최소 입력을 골라 한 스텝 실행하고 매 순간 재계산하는 제어법. 구속조건을 잘 다루는 것이 최대 장점.
• 위너 프로세스 (Wiener process) — 브라운 운동을 수식화한 노이즈의 원천. dw~N(0,dt). 결정적 동역학(ODE)에 더하면 확률적 동역학(SDE)이 되어 궤적이 들쭉날쭉해진다. "다이내믹스를 비결정적으로 만든다"가 핵심 문장.
• SDE vs ODE — ODE는 노이즈 없는 결정적 모델(이상적 세계), SDE는 노이즈 항이 추가된 비결정적 모델(현실에 가까운 세계). MPPI는 SDE 기반.
• 제어-어파인 (control-affine) — 제어입력 u가 G(x)u처럼 1차(선형)로만 들어가는 형태. 최적화가 쉬워진다. 비-어파인은 G(x,u).
• 가치함수 (value function) — 최소화 대상인 누적 비용 함수. 노이즈로 궤적이 여럿이라 기댓값으로 정의된다. 터미널 비용 + 러닝 비용 구조.
• 러닝 비용 vs 터미널 비용 — 러닝 비용 q(x)+½uᵀRu은 상태 오차 벌점(Qx²)과 제어 에너지 벌점(Ru²)의 절충. 좋은 제어란 둘의 합을 최소화하는 지점 — 너무 세면(공격적) 에너지 폭발, 너무 약하면(약함) 오차 누적.
• 확률적 HJB (Stochastic HJB) — 최적 가치함수가 만족하는 편미분방정식. 결정적 HJB와 달리 노이즈의 분산에 해당하는 2차 트레이스 항 tr(BBᵀV_xx)이 반드시 살아남는 것이 결정적 차이.
• 차원의 저주 (curse of dimensionality) — 상태 차원이 늘수록 격자 기반 PDE 풀이의 계산량이 지수적으로 폭발(n≥4면 사실상 불가). MPPI가 샘플링으로 우회하는 이유.
• 지수 변환 / 희망함수 (transformation, desirability Ψ) — V=−λlogΨ로 비용을 '바람직함'으로 뒤집어, 곱·지수로 얽힌 비선형 HJB를 선형 PDE로 펴는 치환(Cole-Hopf). 적분의 치환과 같은 발상.
• 핵심 가정 λGR⁻¹Gᵀ = BBᵀ — "제어가 노이즈와 같은 채널로 들어간다(제어 통로 G와 노이즈 통로 B를 일치)". 이 가정으로 비선형 항 두 개가 부호만 반대인 쌍이 되어 상쇄 → 선형 PDE 완성. 노이즈를 상태가 아니라 제어입력에 더하는 구현이 이 가정과 일관됨.
• 파인만-칵 정리 (Feynman-Kac Lemma) — "복잡한 PDE의 해는 확률적 궤적들의 기댓값과 같다". 이 덕분에 PDE를 직접 푸는 대신 제어 없는 동역학으로 궤적을 굴려 가중평균하면 된다. 어려운 미분방정식을 시뮬레이션 샘플링으로 잇는 다리.
• 몬테카를로 추정 / 가중치 w_i — 기댓값을 유한 샘플 합으로 근사. 가중치 w_i=exp(−X̂/λ)/Σexp(−X̂/λ)로 비용 작은 궤적일수록 큰 비중. 최저 비용 하나만 고르는 게 아니라 좋은 궤적들을 절충해 평균 → 안정적이고 부드러운 제어.
• 온도 파라미터 λ — 가중치의 날카로움을 조절. 작으면 최저 비용 경로에 몰아줌(공격적), 크면 여러 경로를 부드럽게 섞음(보수적).
• 모델예측 개념 / 리시딩 호라이즌 (receding horizon) — 미래 n스텝을 계획하되 첫 한 스텝만 적용하고 새 상태에서 다시 계산하는 반복. 예측이 틀려도 매 스텝 보정돼 모델 오차·외란에 강인. 순수 경로적분(한 번 계산해 끝까지 사용)과의 차이. PI + MPC = MPPI.
• 모델 기반 vs 학습 기반 — 모델 기반(MPC)은 가정한 상황에서 신뢰성 ~100%지만 가정 이탈 시 급락. 학습 기반(RL)은 100% 보장은 아니나 불확실성 속에서도 성능을 부분적으로 유지. 불확실성 0이면 모델 기반, 예측 불가 불확실성이면 모델+학습 결합이 유리.
• WLR 모델링 핵심 — 바퀴는 "moving point contact"로 다뤄 DOF 증가 없음 + 발에 걸던 롤링 구속(no-slip)을 제거해 바퀴 굴림을 표현. 다리 로봇 대비 오히려 단순해짐. 시험에 "왜 자유도가 안 느는가/롤링 구속을 빼는가"로 출제 가능.
• 마찰 원뿔 (friction cone) — 접촉력이 이 원뿔 안에 있어야 미끄러지지 않는다는 물리 조건의 기하학적 표현.
• TD-MPC & 잠재 동역학 (latent dynamics) — 확률적 MPC의 지역 최소점 문제를 RL로 보완. ⑴ 압축된 잠재공간에서 미래 예측(계산 경량화), ⑵ 비용 대신 신경망 가치함수 Q로 장기 가치 평가. 단기는 모델로 굴리고 그 너머는 학습된 Q로 메움(TD=Temporal Difference).
• MoE (Mixture of Experts) — 상황별 전문가(직선·코너·곡선)를 따로 학습하고 게이팅 네트워크가 가중합. 성격이 다른 주행 구간을 각각 잘 처리.
• 특권 정보 (privileged state) — 시뮬에선 알지만 실제론 측정 어려운 정보(지면 마찰·지형 높이 등). 학습 땐 활용하되 실전에선 고유수용감각(proprioception)만으로 추정. LSTM이 시계열로 지면 상태 추정을 도움.
• 비대칭 액터-크리틱 (asymmetric actor-critic, PPO) — 액터(현실 정보만 보는 연기자)와 크리틱(시뮬의 모든 값을 보는 지도교수)이 보는 관측이 다른 구조. Isaac Gym 시뮬에서 학습.
• 보상 설계 (reward design) — 알고리즘보다 실무에서 가장 중요. 예: 목표 거리 감소 시 +보상, 전복 시 페널티, 도착 시 속도 0 근처면 보상.
• 커리큘럼 러닝 (curriculum learning) — 쉬운 것부터 단계적 난이도 상승(평지→낮은 턱→높은 턱). 학습 안정화에 필수.
• Sim-to-Real & 도메인 랜덤화 (domain randomization) — 시뮬-현실 격차(마찰계수·타이어 다이내믹스·타임 딜레이)를 메우기 위해 마찰을 0.9~1.1 등으로 랜덤화해 학습. 현실 이식(transfer) 성능 확보.

dx_t = f(x_t)dt + G(x_t)u_t dt + B(x_t)dw — 보통의 상태방정식에 위너 노이즈 항을 더해 결정적 모델을 확률적(SDE) 모델로 만드는 것. 수백 개 후보 궤적이 생기는 근원.

V(x_t,t) = min_u E[ E(x_T) + ∫(q + ½uᵀRu)dτ ] — 노이즈로 궤적이 여럿이므로 기댓값으로 평가한 누적 비용을 최소화하려는 것(오차 벌점과 에너지 벌점의 절충).

u*_k ≈ Σ_i w_i v_{k,i}, w_i = exp(−X̂_i/λ)/Σexp(−X̂_n/λ) — MPPI의 결론. 무작위로 뿌린 후보 입력들을 비용 기반 가중치로 가중평균해 최적 제어 하나를 합성하려는 것. 비용 작은 궤적일수록 크게 반영.

V = −λ log Ψ + 가정 λGR⁻¹Gᵀ=BBᵀ — 비선형 HJB를 선형 PDE로 바꿔, 파인만-칵으로 "샘플 궤적 기댓값" 풀이가 가능하게 만드는 결정적 트릭.

• SLAM (Simultaneous Localization And Mapping) — 위치추정과 지도작성을 동시에 푸는 기술. '동시에'가 핵심(둘이 서로를 필요로 하는 상호의존). 거의 모든 자율 로봇의 기반이라 정의·구성요소를 묻는 단골 출제 대상.
• Localization vs Mapping — 로컬리제이션은 로봇의 포즈(pose, 위치·자세) 추정, 매핑은 지도 생성. 지도가 완성된 뒤엔 매핑→로컬리제이션으로 관심이 이동(사전지도 위 포즈 보정만 하면 가볍고 정밀). A vs B 구분 포인트.
• Offline SLAM (COLMAP / SfM) — 이미지를 모두 모아 시간을 들여 가장 정확히 복원하는 방식. SfM(Structure-from-Motion)은 여러 사진만으로 카메라 포즈+3D 점군을 동시 복원. 이미지만 써서 문제는 어렵지만 정확도 우선.
• Online/Real-time SLAM (Cartographer) — 로봇이 움직이며 2D LiDAR 스캔을 실시간으로 쌓아 지도 생성. 오프라인과의 대비(정확도 vs 실시간성)가 시험 포인트.
• Occupancy Grid Map (점유 격자 지도) — 공간을 칸으로 나눠 각 칸을 '비었다(흰)/막혔다(검)/모른다(회)'로 분류. 로봇이 통행 가능 영역·미탐사 영역을 스스로 판단하게 해줌.
• Point Cloud (점군) — SLAM의 전통적 지도 표현(XYZ 3D 점들). 강의의 문제의식: '지도가 꼭 점군이어야 하나? 사람은 점군 없이도 공간을 이해' → 공간 표현(representation) 자체를 새로 고민.
• Loop Closure / Loop Closing (루프 클로징) — 예전 방문 지점을 다시 인식해 누적 오차(drift)를 한꺼번에 보정. "한 바퀴 돌아오니 시작점과 거의 일치"의 원리. 멀티로봇에서는 로봇 사이에서 일어나(inter-agent loop closure) 서로의 지도를 묶음.
• World Frame (월드 프레임, 지도 좌표계) — 센서 포인트를 포즈로 변환해 넣는 기준 좌표계. 변환 결과가 사전지도와 딱 겹치면 포즈가 정확하다는 증거.
• 전통 내비게이션 스택의 두 축 — 가로축=동작 주파수 O(1Hz)(전역·느림) ~ O(100Hz)(제어·빠름), 세로축=계층(Planning/Control·Mapping·State Estimation). "위는 느리고 똑똑, 아래는 빠르고 단순" 직관을 묻기 좋음.
• Proprioception vs Exteroception — 고유수용감각(관절각·IMU 등 자기 상태) vs 외수용감각(LiDAR·카메라 등 외부 환경). 센서 분류 A vs B.
• 3D Foundation Model / DUSt3R — 보정 없이 이미지 한두 장을 feed-forward로 통과시켜 픽셀별 3D 좌표(point map)를 출력. 거대 데이터 사전학습으로 환경 불문 범용성을 가져 '파운데이션'이라 부름.
• Feed-forward & Point Map vs Depth Image — feed-forward는 신경망 1회 통과(기하 최적화 반복 없이). point map은 픽셀별 3D 좌표, depth는 카메라 시점의 Z값일 뿐 — 이 차이 구분이 출제 포인트.
• Scale Ambiguity (스케일 모호성) — 단안 카메라의 근본 한계(작은 것 가까이 vs 큰 것 멀리 구분 불가). 시작 스케일을 1로 잡고 로봇 간 일관되게 맞추는 스케일 정렬이 멀티로봇 SLAM의 핵심.
• Multi-robot Collaborative SLAM & 3단계 — 각자 원점에서 시작 → place recognition(장소 재인식) → coordinate alignment(좌표 정렬) → scale alignment(스케일 정렬)로 하나의 지도로 융합. 이종 플랫폼도 백엔드 수정 없이 통합되는 확장성이 장점.
• Front-end vs Back-end (SLAM 용어) — 프론트엔드=각 로봇이 센서로 즉석에서 포즈·특징 추출, 백엔드=모아서 전역 최적화(루프 클로저·번들조정). "백엔드 수정 불필요"=이종 로봇을 공통 백엔드가 그대로 융합.
• Memory (메모리) — 로봇 센서 데이터를 임베딩·텍스트화해 DB(JSON)에 넣은 것. 로보틱스의 수학적 '맵(point cloud/mesh)'과 대비되는 LLM식 표현. 큰 공간에서 drift 부담을 줄이는 영리한 대안.
• RAG (Retrieval-Augmented Generation, 검색 증강 생성) — 외부 DB에서 관련 자료를 검색해 프롬프트에 붙여 답하게 하는 방식. LLM을 재학습하지 않고 입력만 증강. '언제 DB에서 꺼내 컨텍스트에 넣을지'를 결정하는 역할.
• 재료(fact) vs 추론(reasoning) 분리 원칙 — DB엔 "세션별 위치 사실"만 넣고, "이동했다" 같은 결론은 LLM이 매번 추론. 결론을 미리 박으면 새 질문에 유연 대응 불가. 롱텀 메모리 설계의 핵심 이유(why).
• ReMEmbR & Long-term Navigation Memory — 롱텀 공간-시간 메모리로 질의응답. 변화 유형(APPEAR/DISAPPEAR/MOVE/RE-APPEAR/NONE/Compound)을 시간축으로 기억. 단 실제 이동 경로는 전통 플래너 의존이라는 한계.
• VLA (Vision-Language-Action) / VLN (Visual-Language Navigation) — 영상+언어를 받아 로봇 행동을 출력하는 최신 모델 계열. 내비게이션에선 Action을 떼고 VLN. 입력(지시·지도·영상)을 토큰화해 End-to-end로 액션 학습.
• Fast vs Slow Thinking (System 1 / 2) — 느린 사고=전역 경로 계획(Global), 빠른 사고=다음 몇 스텝 웨이포인트 즉각 생성(Local). 인지심리학 비유를 묻기 좋음.
• Action Expert & Flow Matching (π0.5) — 행동을 생토큰("왼/오")으로 뱉던 방식 대신 연속 행동을 확률 흐름으로 생성하는 전용 모듈. 동작 일반화(generality)를 크게 향상.
• 데이터 병목 & sim2real gap — VLN의 진짜 한계는 모델이 아니라 데이터 부족. 시뮬레이터 데이터와 실제 환경의 격차가 sim2real gap. "잘 된다는 논문은 배포코드 비공개·1분 데모" 편향도 데이터 편향의 결과.
• Heterogeneous Modality Matching & Text-based LiDAR Place Recognition — 형식이 다른 모달리티(자연어↔라이다 점군)를 공통 의미공간에서 정렬하는 문제. '지시→라이다 포인트' 맞히기. 사람-로봇 대화의 수학적 환원.
• Point-to-language grounded navigation (약도형 내비게이션) — 정밀 지도 없이 사람이 쓰는 약도(sketch map)를 입력 삼아 목적지를 찾아가게 하는 인터페이스 연구. "사람은 약도만 봐도 잘 오니 로봇도 그렇게"라는 발상.
• Digital Twin / Multi-Hypothesis Problem / Social Navigation — 디지털 트윈=실제 공간을 가상에 복제한 모형(로봇 위치·계획의 토대). 멀티-가설=의도가 불명확해 여러 가능성을 동시에 유지하다 관찰·대화로 좁힘. 소셜 내비게이션=최단경로가 아닌 사람의 상태·의도·사회적 맥락을 고려한 길안내.

• 메모리 vs 스토리지(Memory vs Storage) — 메모리(DRAM)는 작업 중 데이터를 담는 휘발성 임시 기억, 스토리지는 전원이 꺼져도 남는 비휘발성 영구 기억. 'A vs B' 구분 문제로 출제되기 쉬움. SSD는 NAND 기반으로 두 성격을 겸함.
• DVS(Dynamic Vision Sensor) — 매 프레임 전체를 찍지 않고 '변화한 픽셀'만 출력하는 센서. 저전력·고속이라 로봇·자율주행 실시간 응용에 유리.
• 팹리스/파운드리/IDM — 설계 전문(NVIDIA·Apple) / 위탁 제조 전문(TSMC) / 설계+제조 통합(Intel·삼성 메모리). 대표 기업과 함께 묻기 쉬움.
• SoC 기술 계층 — 소재·장비→단위공정→CMOS FET→표준셀→IP/Block→SoC. 아래일수록 투자집약(무겁고), 위일수록 설계집약(가볍다).
• PPAC — Power(전력↓)·Performance(성능↑)·Area(면적↓)·Cost(비용↓). 미세화로 동시에 추구하는 4대 목표. 가장 빈출 약어.
• 스케일링(Scaling)으로 돈 버는 원리 — 미세화 → 웨이퍼당 칩 수↑ → 칩당 원가↓. 가격이 떨어져도 원가를 더 빨리 내린 기업이 승리.
• Compute-centric → Data-centric — 산업 무게중심이 '빠른 연산'에서 '대량 데이터 처리·저장'으로 이동. Memory Big Bang(메모리 수요 폭발)의 배경.
• 알파고 사례 — 일반 PC는 메모리 비용이 CPU의 ~1/10, 알파고는 메모리가 CPU의 ~1.5배로 역전. "AI 파워 = 연산력 × 메모리 용량"의 근거이자 AI 시대 메모리 부상의 상징.
• 무어의 법칙(Moore's Law)과 종료 — 2년마다 칩당 트랜지스터 2배. 5/4/3nm는 실제 치수가 아닌 '이펙티브' 마케팅 명칭(실제는 10nm 이상)이라는 점이 함정 포인트.
• More Moore vs More than Moore — 전자는 미세화를 수직으로 더 깊이(거의 종료), 후자는 옆으로 틀어 기능 다각화·적층·패키징(HBM·3D NAND·Emerging Memory). 'A vs B' 비교 출제.
• 엣지 브레인(Edge Brain) / 온디바이스 — 연산을 기기 내부로 옮김. 클라우드 의존의 3대 문제(지연·단절·보안)를 해결. 엣지=현장, 클라우드=원격 데이터센터.
• 휴머노이드 반도체 생존 조건 — 초저전력(약 5W, 휴대폰 충전 수준)·실시간(지연 없는 즉응)·내구성. 하나라도 못 맞추면 실용화 불가.
• 로봇의 반도체 매핑 — 두뇌=NPU/GPU(연산·SLAM), 감각=CIS/LiDAR/Radar, 심장=PMIC(전력관리), 근육=MCU·모터 드라이버·MEMS.
• 폰 노이만 병목(Von Neumann Bottleneck) — 연산-메모리 분리로 데이터 이동에 전력·지연 소모. "데이터를 옮기지 말고 연산을 데이터 옆으로"가 모든 차세대 구조의 공통 발상.
• 아키텍처 진화 순서 — HBM(IO 확대) → PNM(메모리 옆) → PIM(메모리 안) → CIM(같은 칩 통합) → Brain-like(뇌처럼 한 몸). 순서·정의 매칭 빈출.
• HBM(High Bandwidth Memory) — DRAM을 TSV로 적층한 메모리. 핀당 속도는 낮추고 IO를 1024개 이상으로 늘려 저전력+고대역폭 달성. 단점: 칩 크기↑(웨이퍼당 생산↓), 다단 적층 단가↑, 인터포저 비용↑.
• TSV / 인터포저 — TSV(Through Silicon Via)는 칩을 수직 관통해 위아래를 잇는 구리 배선(HBM 적층의 핵심). 인터포저는 미세 배선을 위한 실리콘 기판으로 제작 난이도·비용이 높음.
• Why HBM — 딥러닝은 대역폭·용량이 곧 성능. GDDR6 12개(24GB/768GB/s)보다 HBM3E 4개(144GB/4710GB/s)가 압도적 → AI 가속기엔 사실상 필수. 미래 HBM4는 IO 2048개·핀당 속도 인하, HBM5/6은 광배선·하이브리드 본딩.
• Low Voltage Swing / VDDQ 인하 — 신호 전압 진폭(스윙)을 줄여 전력 절감. HBM 세대마다 VDDQ가 1.2V→0.4V로 하락하는 저전력 설계.
• PNM(Processing Near Memory) — 연산기를 메모리 '근처'(컨트롤러·패키지)에 배치하는 절충안. 메모리 칩은 거의 안 건드림. CXL 확장 메모리에서 효과적.
• CXL(Compute Express Link) — CPU·GPU·메모리를 잇는 표준 인터페이스, 메모리 풀링(카드처럼 확장) 가능. PNM의 무대.
• PIM(Processing In Memory) — 메모리 칩 내부에 연산 회로 삽입. Bank-level Parallelism으로 유효 대역폭 4~8배, 시스템 성능 2배·에너지 70% 수준. 단점: 메모리·로직 공정 통합 난이도. 메모리 바운드(Memory-Bound) 연산(AI 행렬·벡터)에 특화.
• NPU(Neural Processing Unit) — 행렬 곱셈·딥러닝에 특화, 군더더기를 제거해 압도적 전성비. 연산 모듈마다 On-chip Memory 내장. GPU=학습(training) 강점, NPU=추론(inference) 강점.
• 뉴로모픽(Neuromorphic) — 뇌의 뉴런·시냅스를 실리콘으로 모사, 연산·저장 미분리. 시냅스 연결 강도를 저항성 메모리(ReRAM·PRAM·MRAM·FeRAM)의 가변 전도도로 구현. 초저전력이나 범용 연산엔 부적합.
• 이종 컴퓨팅(Heterogeneous Computing) — CPU(복잡 제어)·GPU(병렬 학습)·NPU(실시간 추론)를 한 SoC에 통합해 워크로드별 역할 분담. 무어의 법칙 둔화 후 패키징·구조로 성능을 올리는 More than Moore 흐름과 연결.
• 3D 채널 구조: Planar→FinFET→GAAFET(MBCFET) — 게이트가 채널을 감싸는 면이 1→3→4면으로 늘수록 게이트 제어력↑ → 누설↓, Vth↓ → 동작전압·전력↓. (호스를 손가락 하나보다 손 전체로 쥐면 더 잘 통제) 삼성: 3nm MBCFET.
• BSPDN(Back-Side Power Delivery Network) — 전원선을 웨이퍼 뒷면으로 이동, 앞면엔 신호선만 남겨 면적(Area) 절감. 삼성 2nm 적용. PPA 중 Area 해법.
• 3D NAND — 셀을 수직 적층(200단↑)해 비트당 비용↓. 수평 미세화의 셀 간섭 한계를 우회. 깊은 채널 홀 가공·균일 충전 등 공정 난이도·수율이 과제. DRAM도 3D DRAM으로 같은 방향 연구.
• 숏채널 이펙트(Short-Channel Effect) — 채널이 20nm 이하로 짧아지면 게이트가 채널을 제대로 못 잡는 현상. 평면 미세화의 한계이자 3D 구조 전환의 직접 원인.
• 로봇 Co-Roadmap 3단계 — Automated(자동화, CPU/GPU) → Autonomous(자율화, NPU/온디바이스 AI) → Social & Collaborative(상호작용, 뉴로모픽). 단계 상승에 따라 요구 반도체가 고도화.

인공지능 파워 = 연산력 × 메모리 용량 — AI 성능이 빠른 연산만으로 결정되지 않고, 처리할 데이터를 담아 둘 메모리 용량에 동등하게 좌우됨을 강조하는 식. AI 시대에 메모리가 핵심 비즈니스로 부상하는 이유를 설명한다(알파고에서 메모리 비용이 CPU를 역전).

• 생체모방 (bio-mimetics) — 인체·동물 구조에서 로봇 설계 힌트를 얻는 접근. 이 강의 3대 원리의 출발점으로, "왜 자연은 더 큰 모터를 안 썼나"라는 질문이 핵심.
• 관성 모멘트 (moment of inertia) — 회전 운동의 관성. 질량이 회전축에서 멀수록(거리²에 비례) 커짐. 말단 경량화가 왜 민첩성·효율에 유리한지를 설명하는 핵심 개념 → 출제 1순위.
• 근위부/말단부 (proximal / distal) — 중심부(근위)에 큰 구동 요소를 모으고 말단은 가볍게. 힘줄/케이블로 원격 전달하는 설계 원리 1의 핵심 대비.
• 힘줄·텐던 전달 (tendon transmission) — 구동기와 분리된 채 운동을 원격 전달. 로봇에서는 케이블 구동에 대응.
• 기능적 협응 (functional coupling) vs 독립 구동 (independent actuation) — 자연은 1:1 독립 구동 대신 관절을 묶어 협응. 적은 구동기로 풍부한 움직임을 만드는 원리 2.
• 이관절 근육 (biarticular muscle) — 고관절·슬관절 두 관절을 동시에 가로지르는 근육. 자연의 커플링 구동 예시.
• 부족구동 (underactuation) — 구동기 수 < 전체 자유도 수. 가볍고 저렴하나 움직임이 묶여 협응을 설계로 잘 짜야 함. 완전구동(full actuation)과 대비. 로봇 그리퍼가 대표 응용.
• 탄성 에너지 저장·방출 (elastic energy storage & return) — 힘줄을 생물학적 스프링으로 활용해 에너지 회수, 순간 출력·반복 효율 향상. 단, 근육 대체는 아님(보조·재활용).
• SEA (Series Elastic Actuator) — 모터와 부하 사이에 스프링을 직렬로 넣은 탄성 구동기. 충격 흡수·에너지 효율. 본 강의 편심 스프링 구동기의 기반.
• 복강경 수술 (laparoscopy) — 막대 도구를 구멍에 끼워 자유도 2개 부족 → 도구 끝 관절 2개로 보완. 개복(incision)보다 회복 빠르고 흉터 적음.
• 수술 진화 단계 — 개복 → 복강경 → SPL(단일공) → NOTES(자연 통로, 무흉터). 뒤로 갈수록 도구가 가늘고 유연해야 한다는 인과를 기억.
• 원격조작 (teleoperation)·마스터-매니퓰레이터 — 의사 손동작을 수술 도구 관절로 전달하는 방식.
• 롤링 콘택트 관절 (rolling contact joint) — 톱니가 맞물려 미끄러지지 않고 굴러 회전. 핀 힌지와 달리 케이블 유효 반경이 일정해 장력 안정. 풀리 없이 소형화 가능.
• PREF 관절 — Pulleyless Rolling joint with Elastic Fixtures. 풀리 없는 탄성 고정부 구름 관절. 4점 굽힘 유사 모멘트로 안정적 구름.
• 안정 조건 R ≥ B — 톱니 반경 R이 높이 B와 같거나 약간 클 때 케이블 장력 안정·슬랙 방지. 시험에 부등호 그대로 나올 수 있음.
• 좌굴 (buckling) — 핀 관절을 길게 직렬로 쌓을 때 옆으로 휘청거리는 불안정. 구름 관절이 이를 해결한 것이 핵심 성과.
• 히스테리시스 (hysteresis) — 같은 입력이라도 진행 방향(굽힘/펼침)에 따라 결과가 달라지는 현상. 마찰이 원인이며 정밀 제어에서 오차로 작용.
• 등방성 굽힘 (isotropic bending) — 어느 방향으로 굽혀도 동일한 작업공간. Pitch/Yaw 관절을 교대 적층해 얻으며 운동학을 단순화.
• 비아조인트 (via-joint) — 케이블이 거쳐 가기만 하는 중간 관절. 두 아이들 풀리에 대각선 교차 통과시켜 총 길이 보존 → 디커플링 트릭의 핵심.
• 디커플링 (decoupling) — 모터-목표 관절을 1:1 독립화해 한 관절 제어가 다른 관절에 간섭하지 않게 함. 역기구학·제어 단순화, 정밀도 향상. 실험상 타 케이블 장력 변동 ±0.8N 이내.
• 관절 불일치 (joint misalignment) / 과구속 (over-constraint) — 사람·로봇 관절축이 어긋난 채 강체로 묶일 때 발생하는 부하. 웨어러블의 고질병.
• 물리적 HRI (physical Human-Robot Interaction) — 사람-로봇 연결구를 스프링으로 모델링해 부하를 정량화(길이 유지=부하 0). 동작별 편함/불편함을 점수화.
• 자기정렬 (self-aligning) / idle 관절 — 모터로 구동 안 하고 따라 구르며 관절축 어긋남을 흡수, 인체 관절 무부하 실현.
• 장력 증폭 (tension amplification) — 어시스트 모터(고감속비, 버티기)와 드라이브 모터(섬세 동작)가 힘을 합치는 구조.
• 편심 스프링 (eccentric spring) / 중력보상 (gravity compensation) — 스프링을 편심 배치해 특정 자세에서 스프링 토크가 중력 토크를 상쇄(모멘트 0). 자세 유지 전력 소모 ≈ 0. 천장에 매단 전동공구와 같은 발상.
• Free Mode — 사전장력·모드 설정으로 보조력을 작업·사용자(근피로도·몸무게)별 맞춤 조절.
• 기구적 중력보상 (모터리스) — 캠(신장형) 풀리·짐벌·무게추만으로 위치 3-DOF·자세 3-DOF 보상. 사람 부하를 100%→약 2.5~8.6%로 감소.
• 배선 해법 — 드레스팩(dress pack), 중공(hollow) 액추에이터 내부 통과, 슬립링(slip ring). 엔드이펙터 추가 시 단선·사고 위험 완화.
• 애커만 조향 (Ackermann steering) — 링크로 안·바깥 바퀴를 다른 각도로 꺾어 공통 회전 중심 공유, 미끄러짐 없는 조향. 모터 8개식 4륜 조향보다 단순·경제적.
• QDD (Quasi-Direct Drive) — 감속비 낮은(≤1:6) 구동기. 역구동성(back-drivability)이 좋아 힘 제어·충격 흡수에 유리, 다이내믹스 예측 쉬움. 관절 직결 방식의 대표.

ΣF_load = F_load + F_spring + F_in, 구동 출력 조건: ΣF_load = 0 — 편심 스프링 구동기에서 부하·스프링·입력 힘의 합이 0이 되는 자세를 만들겠다는 의도. 그 자세에서는 모터가 일을 하지 않아도 균형이 유지되어 자세 유지 전력을 0에 가깝게 만든다. (유도·계산은 불필요, 균형=무전력의 의미만 기억.)

R ≥ B — 구름 관절 톱니의 반경 R과 높이 B의 기하학적 안정 조건. 케이블 슬랙·장력 불안정을 방지해 안정적 구름 운동을 보장하려는 설계 부등식.

• 소프트 로봇(soft robot) — 몸체·구동기·센서가 모두 무르게 변형되는 로봇. "단단한 부품을 못 붙인다"는 한계가 세 핵심 요소가 필요한 이유. 출제 1순위.
• 소프트 로봇의 3대 요소 — 소프트 액추에이터 / 유연 센서 / 스마트 구조. 세 개를 묻거나 각각의 필요성을 묻는 형태로 나옴.
• 압전효과(piezoelectric effect) — 기계·전기 특성이 커플링된 현상. 외력→전기(센서), 전기→변형(구동기)의 양방향이 핵심. "센서와 구동기 둘 다 되는 이유"를 설명할 수 있어야 함.
• 정전기력(electrostatic force) — 두 전극을 대전시켜 끌어당기는 인력. 커패시터 구조이며 유전체가 무르면 수축이 구동력이 됨. 전기→기계 단방향, 구동 전용.
• 압전 vs 정전기 (핵심 비교) — 압전은 양방향(센서+구동), 정전기는 단방향(구동만). 슬라이드 화살표 ⇄ vs → 의 차이가 곧 시험 포인트.
• 커플링(coupling) — 두 물리 특성이 서로 묶여 한쪽 변화가 다른 쪽을 일으키는 것. 압전이 양방향인 근본 이유.
• 유전체(dielectric) — 두 전극 사이 절연 물질. 무를 때만 정전기력이 수축·구동으로 이어진다는 점이 포인트.
• 전기유압 구동기(electro-hydraulic actuator) — 정전기력으로 유전체 유체를 이동시켜 손가락을 굽히는 구동기. 입력은 전기뿐, 전압으로 굽힘각 조절. 약한 물체를 손상 없이 잡음.
• 오리가미 펌프(origami pump) — 접히는 필름 챔버를 모터/텐던으로 눌러 내부에서 공기를 만드는 내장형 펌프. 외부 컴프레서 없는 독립형(self-contained) 구동의 핵심. 출력은 약하나 가볍고 부드러움.
• 독립형 구동(self-contained) — 외부 동력원에 줄로 묶이지 않고 몸 안에서 동력을 만드는 것. 차 교수 연구실 전체를 관통하는 설계 철학.
• 하이브리드 구조(hybrid structure) — 강체(Facet)와 소프트(Hinge)를 결합해 유연성+지지력을 동시 확보. 팔이 너무 무르면 힘이 약하다는 문제의 해법.
• Facet / Hinge / Valley·Mountain·Crease — 면(단단)·경첩(유연), 그리고 골접기·산접기·접힘선. 오리가미를 고무 힌지로 재해석해 반복 변형에 견디는 탄력성 확보.
• 직선 변형 vs 굽힘 (linear vs bending) — 굽힘은 쉬우나 강체만으론 길이 신축(직선)이 불가. 모듈 사이 고무가 직선 신축을 가능케 함(코끼리 코 동작).
• 텐던 구동(tendon-driven) — 모터가 케이블을 당겨 구동. 공압보다 지지력이 좋아 다리·팔에 유리. 새 물리 원리가 아닌 기존 방식의 변형으로 분류됨.
• 자기장 구동(magnetic, Tesla) — 모듈 속 자성 입자에 외부 자기장(1T 등)을 걸어 원격 구동. 전기 모터 없이 얇고 가볍게 만드는 장점. 슬라이드의 'T'는 시간이 아닌 테슬라.
• PVDF(압전 고분자 필름) — 유연한 압전 필름. 세라믹 압전은 단단해 부적합. 가볍고 충격에 강함(고무망치 시험). 공진 주파수에서 작은 입력으로 큰 진동을 얻어 추진.
• 진동 전달함수(transfer function) 기반 재질 인식 — 압전 한 쌍(액추에이터+센서) 사이 물체를 통과한 진동으로 재질 분류. 형상이 아닌 재질을 본다는 점, 17종 95.9% 같은 결과가 포인트.
• 겹친 장수 세기(counting) — 0.1mm 5장 ≠ 0.5mm 1장: 총 두께가 같아도 층 사이 공기층·계면(interface)이 진동을 끊어 구별 가능. 인과 설명형 단골.
• 열전달 기반 인식 / RTD·TED — 열전도율 차이로 재질 구분. 가만히 있으면 평형이라 정보가 없어 능동 발열 필요. RTD=측온저항, TED=열전소자.
• 멀티모달(multimodal) 센싱 — 진동+열 등 다른 모달리티 결합. 단독보다 정확도 급상승(47.5%+85.6%→97.5%). "왜 합치면 좋은가"=서로 다른 물리량으로 상호 보완.
• 혼동행렬(confusion matrix) 읽기 — 세로=실제, 가로=예측. 대각선이 진할수록 정확. 모달리티별로 행렬이 선명해지는 비교가 출제됨.
• 비전(카메라)의 한계 보완 — 투명 필름·불투명 병 속 액체 종류/잔량은 카메라가 못 함. 들지 않고 잡는 순간 인공 스킨만으로 식별하는 것이 차별점.
• 원격제어(teleoperation) — 사람 모션을 인식해 로봇에 전달, 로봇이 느낀 온도를 사람에게 되먹임(양방향). 위험(고온) 물체에서 즉시 손 떼게 함.
• 모션 센싱의 '실' 트릭 — 넓은 관절은 센서 직접 부착 시 노이즈 큼. 관절에 실을 통과시켜 변형을 작은 압전 센서로 모아 인장으로 받으면 신호가 깔끔. 신장률–전압 곡선으로 각도 환산.
• 햅틱 3성분: 법선력·전단력·진동 — 누르는 압력 / 옆으로 미끄러지는 마찰감 / 떨림. 전단(shear)이 가장 구현 어려워 공압 회전으로 해결. 미끄러짐 지각에 필수.
• 열전소자(TED)·펠티에 효과(Peltier) — 전류 방향에 따라 한 면은 가열·반대 면은 냉각. 하나의 소자로 온감·냉감 모두 구현.
• 다중감각 통합(multisensory integration)·시간 동기화 — 촉감·온도·시각이 동시에 같은 위치·타이밍에 오면 더 강하고 진짜처럼 느껴짐. 회색 막대+색+1℃ 착각 실험이 근거.

• uRON (Universal Robot Navigation Library) — 다양한 로봇에 재사용 가능한 내비게이션 라이브러리. 센서·플랫폼 추상화로 범용·재구성성을 확보. 기능 5종(위치추정·지도작성·경로계획·경로추종·장애물회피)을 묶어서 묻기 좋음. "ROS 이전의 ROS 내비게이션"이라는 위치를 기억.
• 추상화 (Abstraction) — 서로 다른 하드웨어를 같은 인터페이스로 다뤄 코드 재사용을 가능케 하는 설계 원리. 범용성의 근거.
• 8-이웃 탐색 (8-neighbor search) / 옥타일 거리 (octile distance) — 격자에서 8방향만 허용하고 직선 1·대각선 √2로 비용을 매기는 방식. 진짜 직선(임의각)을 표현 못 해 지그재그가 생기는 원인. "왜 A*가 꺾인 경로를 내는가"의 답.
• 임의각 경로계획 (Any-angle path planning) / Theta* — 격자에 갇히지 않고 시선(Line-of-sight) 검사 + 유클리드 거리로 자연스러운 직선 경로를 얻는 접근. 단점은 충돌 검사 과다(Bresenham 직선으로 검사).
• Theta# — Theta*의 충돌 검사를 동적 계획법(중복 부분 문제 재사용)으로 가속한 버전 + 비균일 코스트맵 일반화. "중복 검사 제거"와 "비용 가중 유클리드 거리"가 두 핵심 기여. 이진 지도는 특수 경우.
• 비균일 코스트맵 (non-uniform costmap) — 모든 칸의 이동 비용이 1이 아닌 지도(카펫·경사 등 "지날 수는 있지만 힘든" 영역에 높은 비용). 현실적 경로 산출의 근거.
• Off-centered GPS — GPS를 중심에서 벗어나 달면 회전 시 호를 그려 방향각 θ까지 관측 가능 → 오히려 더 정확. 4가지 구성(Centered / Pseudo-centered / Transformed / Off-centered) 구분이 시험 포인트.
• 관측성 (Observability) / 결핍(deficiency) — 측정만으로 상태(위치·방향)를 유일하게 알아낼 수 있는가. 결핍 차수 r_d = n − rank(O_d)가 0이면 완전 관측. 중심 GPS는 방향이 결핍되기 쉽고, off-center는 결핍이 줄어든다.
• 불확실성 분석 / 최소 고유값 — 공분산의 최소 고유값이 클수록 추정이 안정적(불확실성 작음). 오프셋이 길수록 이 값이 커진다 = off-centered가 더 정확하다는 정량 근거.
• 뒷축 기준점 (rear axle) / 비횡슬립 가정 — 바퀴가 옆으로 미끄러지지 않는다는 가정 때문에 기준점을 뒷축에 두면 기구학이 단순해짐(차동구동·Ackermann). GPS 장착·좌표 변환의 이론적 배경.
• GPS 오차의 비대칭성 — 위성이 하늘에 퍼져 있어 수평 오차는 작고 수직(고도) 오차가 가장 크다. 기압계 도입의 핵심 동기. "왜 기압계가 필요한가"로 출제 가능.
• 기압계 (Barometer) / 드리프트(Drift) — 고도를 정밀하게 측정하나 시간이 지나며 기준이 밀림. 절대 기압값으로 고도를 못 박을 수 없는 이유(날씨·온도로 기압 기준 자체가 이동).
• BVC (Barometric Velocity Correction) — 기압을 고도가 아니라 수직 속도(기압차의 미분)로 사용. 차분이 느린 드리프트를 상쇄해 편향에 강함. 비교군 BAC(고도 보정 계열)는 절대값 의존이라 편향에 취약 — 이 대비가 핵심.
• EKF (Extended Kalman Filter) — 예측→보정 반복. 상태에 위치+속도(6차원)를 함께 두는 이유는 기압계를 속도 보정으로 쓰기 위함. 칼만 이득 K는 측정 잡음 R이 크면 작아져 측정을 덜 믿음.
• 중앙값(median) 오차 지표 — GNSS 모드 변경 같은 순간적 튐(outlier)에 둔감해 "평소 성능"을 공정하게 평가하려고 평균 대신 median을 씀. CDF는 곡선이 왼쪽 위로 가파를수록 좋음.
• 오도메트리 (Odometry) / 드리프트 vs 전역기준 — 한 스텝씩 적분하는 상대 추정이라 로컬은 정밀하나 누적 드리프트 발생. GPS(전역 정확, 방향 없음, 어반 캐년·터널에 약함)와 상보적. 융합의 당위.
• 어반 캐년 (Urban canyon) — 고층 빌딩이 위성 신호를 가리거나 반사시켜(다중경로, multipath) GPS 오차가 커지는 환경. 터널은 신호 차단. GPS-denied 환경의 대표 사례.
• 옵티컬 플로우 (Optical flow) / KLT 트래커 — 화면 점들의 흐름으로 카메라 운동 복원. Lucas-Kanade로 이미지 평면 위 2D 추적(2 DOF), Good-Feature-to-Track로 코너 선택, 버켓팅으로 화면 전체에 고르게 분산.
• 자유도 (DOF) 단순화: 6→3→2 — 일반 6 DOF, 평면 운동 3 DOF(X,Y,θ), 평면 원호 운동 2 DOF(θ=2φ). 제약이 많을수록 필요한 점이 적어 빠름. 가장 중요한 시험 포인트 중 하나.
• 1-point RANSAC / RANSAC — 이상치를 걸러내며 모델 추정. 필요한 점이 1개면 무작위 샘플 조합이 급감해 매우 빠름. 평면·원호 가정과 결합해 실시간 VO 달성.
• 소동작 가정 (small-motion approximation) — 카메라가 초당 10장 이상 찍어 인접 프레임 간 움직임이 작음 → 무거운 전역 해 대신 국소 최적화로 빠르게 모션 갱신. 실제로 유용했던 단순화.
• 스케일 모호성 (Scale ambiguity) — 단안 카메라는 공간 크기와 이동 크기가 결합되어 절대 스케일을 못 구함(2m 터널 vs 1m 터널의 플로우가 동일 → "up to scale"). 단안의 근본 한계.
• 일정 카메라 높이 제약 → 지면 평면 찾기 — 실제 높이 L과 복원된 높이 l의 비로 스케일 ρ=L/l 복원. "스케일 찾기"가 "지면 찾기"로 환원됨. 추가 센서(속도계·IMU·GPS)나 초기값으로도 해결 가능.
• 비대칭 커널/RANSAC (asymmetric kernel) — 물체는 지면 위에만 있다는 비대칭성을 반영해 지면을 정확히 피팅. 대칭 가우시안은 지면이 위로 떠오르는 편향. "휴리스틱을 노이즈 모델로 포뮬레이션하면 설득력↑"이라는 논문화 교훈도 개념적으로 기억.
• PnP / BA (Bundle Adjustment) — PnP(Perspective-n-Point)는 3D 지도점과 2D 영상점 대응으로 카메라 자세 추정, BA는 여러 프레임의 자세·점을 동시 최적화해 누적 오차 감소. WheelOdo 결합으로 실제 스케일(Real-scale) 확보.
• VPR (Visual Place Recognition): 지역 vs 전역 특징 — 지역 특징은 키포인트 대응 + 기하 검증(RANSAC/MAGSAC++)으로 회전·가림·스케일에 강건하나 전수 탐색이라 느림. 전역 특징(AnyLoc=DINOv2+VLAD 등)은 이미지를 한 벡터로 요약해 최근접 이웃 검색으로 빠르나 기하 변형에 약함. 이 트레이드오프가 베이스라인 선정의 핵심.
• 전역 특징의 불변성 — 스케일·회전 변화에는 유사도가 크게 떨어지나(취약), 종횡비(aspect ratio) 변화에는 거의 불변. TileLoc의 기여(멀티줌 타일맵·회전 질의 배치·순차 매칭)는 이 약점 보완책.
• 크로스뷰(cross-view) 정합의 난점 — UAV vs 항공영상의 스케일·커버리지 불일치, 시점 차이, 외관 변화(조명·식생·구조). GPS-denied 지오로컬라이제이션의 어려움.

ρ = L / l — 단안 VO의 절대 스케일을 복원하려는 식. 미리 아는 실제 카메라 높이 L과, 스케일 미상 점군에서 잰 높이 l의 비로 전체 스케일을 정함(지면을 찾으면 나눗셈 한 번으로 끝).

r_d = n − rank(O_d(x₀)) — 어떤 센서 구성이 상태를 얼마나 못 보는지(관측성 결핍)를 세려는 식. 0이면 완전 관측 가능, 클수록 추정 불가능한 차원이 많음. off-centered GPS가 결핍을 줄임을 보이는 데 사용.

v_z^B = Δz^B(P_k, P_{k-1}) / Δt — 기압을 절대 고도가 아니라 두 시점 기압차의 미분(수직 속도)으로 바꿔, 드리프트의 영향을 제거하고 GPS의 수직 약점을 보강하려는 식(BVC의 핵심).

• 소프트 웨어러블 로봇(soft wearable robot) — 부드러운 소재로 만든 입는 로봇. 강체 외골격 대비 가볍고 신체에 순응. 전 회차를 관통하는 설계 철학이므로 정의·장점을 강체와 대비해 암기.
• 강체 외골격 vs 소프트 엑소슈트(rigid exoskeleton vs soft exosuit) — 강체: 자연 움직임에 저항, 무겁고 부피 커서 대사 비용↑(예: ReWalk). 소프트: 유연·경량, 자연 움직임에 순응(예: Harvard). 대표적 A vs B 비교 문항.
• ADL(Activities of Daily Living, 일상생활 동작) — 자립도 평가 기준 6가지(몸단장·식사·용변·이동·옷입기·목욕). 손 보조 로봇의 목표 성능을 정의하는 개념.
• SCI(척수 손상)·뇌졸중(stroke) — 손·보행 기능 상실의 대표 원인. 경수(목) 손상일수록 손까지 마비. 불완전 손상 환자 증가가 보조 기술 수요의 배경.
• TSM(tendon-sheath mechanism, 건-시스 메커니즘) — 유연한 외피 속 줄을 모터가 당겨 힘을 원거리 전달(보우든 케이블 원리). 무거운 모터를 착용부에서 떼어내 부드럽고 가볍게 만드는 핵심 구동 방식. 손·허리 로봇 공통.
• 강성 이방성(stiffness anisotropy) — 방향에 따라 강성이 다르게 설계. 누르는 방향은 저강성(편안함), 힘 전달 방향은 고강성(효율). '편안함 vs 힘 전달' 상충을 한 소재로 해결하는 핵심 아이디어.
• 착용 부위 무센서 추정(sensorless, learning-based) — 손가락이 아닌 구동기 쪽 신호(와이어 장력·전류)만으로 물체 크기·파지력을 학습 추정. 위생·착용성·내구성을 지키는 차별점. 왜 센서를 액추에이터에 두는지 인과로 출제 가능.
• 위생·소재(폴리머 vs 천) — 천은 음식물·세탁 오염으로 위생 인증(FDA) 문제 → 실리콘/폴리머로 닦아 해결. 단 통기성↓라 구멍을 내 보완. 수동 엄지(passive thumb)는 엄지를 받침대로 고정해 안정적 파지.
• 의도 감지 vs 의도 예측(intention detection vs prediction) — 감지=의도 발생 후 인지, 예측=발생 전 미리 내다봄(더 어려움). AI 신호가 EMG보다 빠르면 '예측(pre-action)'이라 부를 근거. 용어 구분이 시험 단골.
• EMG를 정답(ground truth)으로 사용 — 근수축 시작 순간=실제 의도 시점. AI 시점이 그보다 앞서는지 비교해 '예측'을 객관 증명. 왜 EMG를 기준으로 쓰는지 설명 요구 가능.
• 움직임 기반 의도 추론(behavioral psychology) — "의도는 제3자 관점에서 더 정확히 정의", "사람은 움직임에서 의도를 유추". 손 마스킹 실험으로 AI가 모양이 아닌 외곽선(궤적)을 본다는 것 확인. 한계: 팔/손-물체 중 하나라도 안 보이면 실패.
• CWT(연속 웨이블릿 변환) / 시계열→이미지 인코딩 — 1차원 센서 신호를 시간-주파수(또는 RGB) 2D 이미지로 변환해 CNN으로 분류. raw 데이터보다 정확도↑. CNN 분류는 stay/to sit/to stand/walk 4클래스.
• MVC 정규화 / 반복측정 ANOVA — MVC(최대 수의 수축)를 100%로 두고 개인차를 보정해 EMG 비교. 동일 피험자가 여러 조건을 수행하므로 일원 반복측정 분산분석 사용(독립집단 t검정 X). 왜 반복측정인지 출제 가능.
• 혼동행렬·투표 시스템(voting) — 행=실제/열=예측, 대각선이 1에 가까울수록 정확. to stand와 walk가 혼동(둘 다 다리 폄). 실시간 오작동 방지를 위해 연속 5회 일치해야 구동.
• 편평등 증후군(flat back syndrome) — 요추 전만 소실로 무게중심 전방 이동, 몸이 앞으로 굽음. 근감소증·척추기립근 지방화(fatty degeneration)가 근원. 근육(대요근·척추기립근·다열근) 위축 → 악순환.
• 수술 vs 보조기 vs 소프트 로봇 — 척추 변형 수술: 위험·합병증·요추 운동성 영구 상실. 보조기: 착탈 어렵고 굽힘 불가·정밀 지지 부족. 소프트 로봇이 '수술은 과하고 보조기는 불편한' 빈틈을 메움. 요추 신전 보조가 목적.
• 편마비 보행(hemiparetic gait)·foot drop·circumduction — 뇌졸중 후 근력약화·경직(spasticity)·선택적 운동제어 손상으로 좌우 비대칭, 보행속도·보폭↓, 발 처짐. 발끝 끌림을 피하려 다리를 반원으로 돌리는 휘돌림 보행(circumduction)이 보상 동작.
• 백드라이버빌리티 / QDD 모터 — backdrivability: 모터를 끄거나 거꾸로 밀 때 관절이 쉽게 따라 움직이는 정도. 높을수록 사용자 움직임을 안 막아 안전·편안. QDD(Quasi-Direct-Drive)는 감속비를 낮춰 역구동성·토크 제어 우수 → 사람과 힘을 주고받는 웨어러블에 적합.
• 고정점(anchor point)·모멘트 암(moment arm)·강성 설계 — 고정점이 밀리면 힘이 관절이 아닌 전단·변형으로 낭비(피부 쓸림). 모멘트 암은 관절축~힘 작용선 거리로 길수록 토크↑. 무릎 신전 지지는 굽힐 때 거리↑(토크 확보), 펼 때 거리↓(돌출 최소화). 허리 벨트는 단단한 장골능(iliac crest)에 앵커.
• 보행 위상(gait phase)과 인솔 센서 제어 — 4단계: Loading Response·Mid Stance·Terminal Stance·Swing. 발 앞/뒤 압력 조합으로 단계 판별. 유각기엔 배측굴곡(DF)으로 발 처짐 방지, 말기 입각엔 저측굴곡(PF)으로 추진. low P-gain control은 약하게 끌어 사람을 구속하지 않는 전략. DF/PF/FLX/EXT 용어 숙지.
• 임상 결과 해석(A→B / B→C / A→C) — A→B=착용만(구조 효과), B→C=구동(능동 보조 효과), A→C=합산. 단계 분리로 개선이 착용 때문인지 모터 보조 때문인지 구분. 발목 각도 70%·무릎 60%·대칭성 50~62.5% 개선. back knee(genu recurvatum, 무릎 과신전) 완화에 효과.
• HED·EfficientNet / MobileNetV3·Tucker-2 — HED(Holistically-nested Edge Detection): 다중 해상도 윤곽선 검출로 계단 단차 포착. EfficientNet: 깊이·너비·해상도 균형 확장의 경량 모델. EfficientNet-HED로 평지·오르막·내리막·계단 실시간 분류(HED 전 단계 입력 시 성능↑). 보행 위상 검출은 MobileNetV3(AutoML 기반)+Tucker-2 분해(가중치 텐서 압축)로 경량·실시간 추론. 웨어러블의 실시간성 제약이 경량 모델 선택의 이유.

• Spatial AI(공간지능) — 시각·관성·공간 정보를 결합해 환경의 기하 구조와 의미를 동시에 이해하고 3D 상의 위치·형상·움직임을 예측하는 기술. 로봇 측위·지도·계획의 토대.
• Physical AI vs 생성형 AI — Physical AI는 센서로 입력받아 액추에이터로 물리 세계와 상호작용하는 시스템; 생성형 AI는 화면 안 데이터만 다룸. "실제 환경과의 상호작용"이 구분 기준.
• SLAM(Simultaneous Localization and Mapping) — 위치추정과 지도작성을 동시에 푸는 문제. 시험에 정의·왜 어려운지가 자주 출제.
• Localization vs Mapping — 지도→위치 추정 = Localization, 위치→지도 작성 = Mapping. 한쪽이 정확하면 다른 쪽은 쉬워짐.
• 닭과 달걀 문제(chicken-and-egg problem) — 지도도 위치도 모두 모르는 채 출발해 번갈아 갱신해야 하므로 SLAM이 본질적으로 어려운 이유.
• Front-end / Back-end — 프론트엔드는 특징 추출·데이터 연관으로 제약(단서) 생성(인지 단계), 백엔드는 제약을 모아 최적화로 자세·지도 추정(그래프 최적화 단계). 웹 개발 용어와 무관.
• 데이터 연관(Data Association) / Correspondence — 서로 다른 관측에서 같은 지점·특징을 대응시키는 일. Kanade의 "가장 중요한 세 가지=Correspondence"가 핵심—SLAM의 모든 문제가 여기로 귀결.
• Loop Closure(루프 클로저) — "갔던 곳을 다시 방문했는가"를 인식하는 장기(long-term) 연관. 멀리 떨어진 자세 노드를 잇는 강한 제약으로 누적 드리프트를 보정. 단기 연관과 대비해 출제 가능.
• Factor Graph Optimization(팩터 그래프 최적화) — 추정 변수(자세·랜드마크)를 노드, 측정 제약을 팩터(간선)로 둔 그래프를 최적화하는 백엔드 방식. 출력 = 추정 자세·지도.
• IMU 사전적분(preintegration) — 고주파 IMU 측정을 매번 재적분하지 않고 미리 묶어 최적화 비용을 줄이는 기법.
• Garbage in, Garbage out — 센서 오염 → 대응 깨짐 → 포즈 어긋남 → 지도 붕괴로 이어지는 실패 연쇄. 강건 SLAM의 동기. 거울·유리·곡면 금속 반사가 가짜 대응을 만드는 예시 기억.
• Robust SLAM(강건한 SLAM) — 잘못된 대응(outlier)을 걸러내는 능력. 벤치마크 성공과 실환경 강건성은 전혀 다른 문제임을 구분.
• Field Robot / Field Robotics — 비정형·예측 불가능한 실외(농업·숲·건설·수중·지하·행성) 환경에서 사람 개입 없이 동작하는 로봇/분야. 설계의 1순위는 구동부가 아니라 센서 조합.
• Multi-modal Sensing(멀티모달) — 카메라·LiDAR·열화상·레이더 등 약점이 다른 센서를 상보적으로 융합. 한 센서가 무력화돼도 다른 센서가 보완. 저하된 인식(degraded perception) 극복 전략.
• Time Synchronization(시간 동기화) — 서로 다른 센서가 같은 순간의 데이터를 확보하도록 맞추는 것. 융합이 신뢰성을 가지려면 반드시 필요한 전제(자주 간과됨).
• 장기 자율 3대 키워드: Robustness·Reliability·Efficiency — 강건성(외란에 안 깨짐), 신뢰성(무엇을 믿을지 앎), 효율성(제한 자원으로 오래 버팀). 셋이 합쳐져 야지 배치 가능한 long-term autonomy. 서로 맞물린 관계 설명 가능해야 함.
• 필드 인식 난제 6요인 — ① GPS 불가·제한 통신 ② 저가시성(안개·연기·비·눈·먼지·야간) ③ 다양한 센서 모달리티 ④ 특징 빈약 장면(사막·설원·수면·암반) ⑤ 다중 시간척도 동역학(초/분~시간/일~월) ⑥ 복잡·미지·비정형 환경.
• Pose-Correspondence 문제 — 동적 객체가 대응을 망치면 포즈→지도로 오차가 연쇄 전파. 정보 흐름 = 대응→포즈→지도. 동적 객체 제거와 안정적 랜드마크 위주 대응이 출발점.
• Dynamic Object Removal / Free Space Estimation — 지면 위 비어 있어야 할 공간을 점이 차지하면 동적으로 판정. coarse-to-fine 복셀 + 슬라이딩 윈도우 + 재귀 베이즈 필터로 동적 확률 누적.
• Recursive Binary Bayes Filter(재귀 이진 베이즈 필터) — 점유격자(occupancy grid)에서 각 칸의 "참/빔" 확률을 새 관측마다 갱신. 한 프레임 노이즈에 안 휘둘리고 동적/정적을 구분.
• ScanContext / Descriptor — 맵 기반 장소 기술자. 동적 객체가 남으면 모두 피처로 등록되어 위치인식 오차를 발산시키므로, 동적 제거된 깨끗한 디스크립터가 핵심.
• Modality-agnostic Place Recognition — 회전식(Ouster/Velodyne) vs 비반복 스캔식(Livox)은 스캔 패턴이 근본적으로 달라 사실상 다른 센서. 포즈·스캔만으로 통합 가능한 표현이 필요한 이유.
• Anchor Node / Anchor Factor — GPS 없이 각자 원점에서 출발한 여러 로봇의 좌표계를 묶는 기준 노드. 로봇 간 루프 제약과 함께 PGO로 단일 좌표계 정렬.
• Robust Kernel(강건 커널) — 큰 오차를 내는 이상치 제약의 영향력을 줄여, 잘못된 루프가 섞여도 최적화가 발산하지 않게 함. 일반 최소제곱이 이상치 하나에 망가지는 것과 대비.
• Uni-Mapper vs SKiD-SLAM — Uni-Mapper=중앙집중식(서버에 모아 병합), SKiD-SLAM=완전 분산형(메시지 풀로 디스크립터 교환, 로봇 간 위치인식·기하 매칭·아웃라이어 제거(Truncated MSE, PCM)). 중앙집중 vs 분산 비교 출제 가능.
• State Estimation → Traversability → Local Planning — 강건한 상태추정 위에 주행가능성(현재 측정값에서 안전한 이동 영역) 판단, 그 위에 지역 경로계획. 지도만 믿고 갈 수 없는 이유(과거 가능 경로가 현재 막힘)와 연결.
• Motion Imbalance(KISS-IMU) — 학습 기반 IMU 오도메트리가 지배적 모션(직진·회전)에 편향되고 드물지만 결정적인 모션(점프·넘어짐)이 과소표현되어 야외 일반화가 떨어지는 문제. IMU는 노이즈·드리프트가 커서 신경망 보정을 쓰되 희소 모션 균형 학습이 필요.

• 강화학습(Reinforcement Learning, RL) — 에이전트가 시행착오로 보상을 최대화하는 행동 정책을 학습. 초기 샘플 효율이 나빠 학습이 잘 안 되며, 입력 차원이 커지면 더 어려워진다는 점이 적응 모듈 설계의 근거.
• 적응(Adaptation) — 행동→상태 변화 경험으로 현재 환경을 추정해 그에 맞춰 제어하는 능력. "다 견뎌라"가 아니라 "지금 환경이 뭔지 알아내 맞춰라". 강의 전체의 핵심 키워드.
• Sim-to-Real gap — 시뮬레이션과 실제 환경의 차이. System ID, 센서 지연, 노이즈 등이 원인. 빠른 시스템일수록 비행 중 즉시 메워야 함.
• Vanilla RL vs RL with Adaptation — 전자는 현재 관측만, 후자는 관측·행동 이력(t~t-100)까지 입력. 단, 긴 이력을 정책에 직접 넣지 않고 적응 모듈로 압축하는 이유(입력·가중치 폭발)를 묻기 좋음.
• Domain Randomization(도메인 무작위화) — 학습 중 질량·마찰·풍속·풍향을 무작위로 흔들어 과적합을 막고 강건성 확보. 한계는 학습 범위 밖(OOD)에서 성능 미보장.
• OOD(Out of Distribution) — 학습 시 본 Training Range를 벗어난 구간. 적응의 강점으로 자주 제시되나, 강의자는 실제 외삽 폭이 그리 크지 않아 OOD 일반화 주장은 다소 과하다고 평가(비판적 시각도 시험 포인트).
• 2단계 학습(Two-Phase Training) — Phase 1: 특권 정보로 교사 정책+인코더를 RL 학습(latent z_t 생성). Phase 2: 이력으로 적응 모듈이 ẑ_t를 supervised로 복원(z_t와 일치). Phase 2가 RL 아닌 지도학습이라 반복 수가 훨씬 적다.
• 특권 정보(Privileged information) — 시뮬레이터만 아는, 실제 센서로 못 재는 환경 변수(질량·무게중심·마찰·지형높이·모터강도). 교사가 정답에 가까운 행동을 배우게 함.
• 잠재 벡터(Latent vector, z) — 환경 인자 인코더가 압축한 환경 표현. 베이스 정책의 추가 입력이며, 적응 모듈은 이력으로 이를 복원하는 것이 목표.
• 적응 모듈(Adaptation Module, φ) — 상태·행동 이력으로 잠재 벡터를 추정하는 네트워크. 잠재가 천천히 변해 저주파(10Hz)로 비동기 실행. 발표 마지막 강조: 행동복제 방식으로 별도 학습된다.
• Asymmetric Actor-Critic — Critic만 시뮬레이터 특권 정보(Pitch·Roll 등)를 보고, Actor는 실제 얻을 수 있는 관측+이력만 사용. 학습은 풍부하게, 배치는 현실적으로 → Sim-to-Real에 유리.
• 회귀 옵션 1 vs 옵션 2 — 옵션1: 정상(잘 걷는) 데이터로만 학습. 옵션2: 적응 모듈 스스로 낸 (엉망일 수 있는) on-policy 데이터로 학습 → 위기 상황 회복 가능(자전거 비유). 논문은 옵션 2 채택.
• Behavior Cloning vs DAgger — BC는 전문가 상태-행동을 흉내만 내 새 상태(OOD)에 취약. DAgger는 정책이 실제 방문하는 상태에 전문가 라벨을 보강해 분포를 확장(옵션 2와 직결).
• 커리큘럼 러닝(Curriculum Learning) — 쉬운 것부터 점차 어렵게. 페널티·환경 파라미터 난이도를 점진 상향. 처음부터 어려우면 학습이 안 되기 때문.
• Traversability(Tr) / Terrain desirability(Td) — 난이도를 에이전트 관점으로 정의. Tr=1 쉬움, 0 어려움. 학습 효과가 가장 큰 적정 난이도는 Tr 0.5~0.9 구간.
• Particle Filter(파티클 필터) — 지형 하나하나를 파티클로 두고 적정 난이도(0.5~0.9) 지형에 큰 가중치를 주며 리샘플링해 커리큘럼을 자동 갱신. 정책 수준 변화에 맞춰 난이도가 따라 올라감.
• 비주얼 서보잉 IBVS vs PBVS — IBVS는 이미지 평면 위치를 그대로 제어 입력으로, PBVS는 추정기(예: EKF)로 3D 실제 위치를 추정한 뒤 제어. 정밀 제어엔 PBVS가 필요.
• Reachable set(도달 가능 집합) — 현재 상태에서 일정 시간 안에 도달 가능한 모든 상태의 집합. 차량 미래 위치를 한 점이 아닌 집합으로 다뤄, 무작위로 움직여도 카메라 시야(FOV) 안에 가둬 추적 놓침 방지.
• 계층형(Cascaded) 제어 — 위치(느림, 관성계, 50Hz) → … → 각속도(빠름, 몸체계, 250Hz~1kHz). 빠른 안쪽 루프(자세)가 느린 바깥 루프(위치)를 받침. 위는 키네매틱스, 아래는 다이나믹스.
• Allocation matrix vs Mixer matrix — A: 프로펠러 추력→총추력·Pitch/Roll/Yaw 모멘트. M: 원하는 추력·모멘트→각 프로펠러 추력(A의 역). 제어는 사슬을 거꾸로 내려가며 M으로 RPM 명령 산출.
• 사족보행 vs 회전익 드론 — 사족보행: 전복 비치명적, High inertia, 각도 명령, Torque-to-Angle. 드론: 추락 치명적, Low inertia(외란 취약·빠른 반응), RPM 명령, RPM-to-thrust(기체 의존·공기역학으로 모델 불완전). 드론이 더 어려운 이유를 묻기 좋음.
• 키네매틱스 명령 원칙 — 기체가 바뀌어도 상위 제어기를 재튜닝하지 않으려면 명령에 다이나믹스 변수(모멘트·추력)를 넣지 말고 각속도·각도, 질량 정규화 추력(thrust/mass)을 사용. 변하는 부분은 저수준 적응이 흡수.
• 상태 선택 원칙 — RL은 행동 결과가 즉시 상태에 드러나야 학습이 잘 됨. 프로펠러 속도가 즉시 바꾸는 추력에 가장 가까운 키네매틱 상태인 각속도·z축 가속도를 상태로 넣는다.
• IL-guided RL — 드론은 순수 RL이 곧 추락하므로 초기엔 전문가 모방 비중을 크게, 학습이 진행될수록 RL 비중을 키움(가중치 α=e^(−0.001·t_epoch)).
• Safe Region(안전 운용 범위) — 정답 궤적 없는 End-to-End 착륙에서 피치·롤 40° 이하, 수직속도 1m/s 이하 등을 벗어나려 하면 전문가가 개입해 교정하는 안전장치.
• 드론 공기역학 효과 — ① Induced flow(하강기류)에 의한 추력 감소(호버링 시 추가 throttle 필요, 전진 시 신선한 공기로 양력 증가=Translational lift), ② Rotor drag(전진 시 advancing/retreating 블레이드 양력 비대칭), ③ Blade flapping(회전=가진=고유진동수 공진, 90° 위상 지연으로 블레이드가 앞으로 들려 추력 벡터 기울어짐). 모두 모델링이 어려워 적응이 필요한 근거.
• RL with Adaptation 장점 — ① Zero-shot deployment(System ID 생략), ② 복잡한 물리 모델링 생략, ③ 2단계 학습으로 RL 수렴성 향상, ④ OOD 강건성.

F = k_f·ω² — 프로펠러 추력은 회전수의 제곱에 비례. 역으로 풀면 원하는 추력에서 모터 RPM(ω=√(F/k_f))을 얻어 최종 명령을 산출. 단, 이는 정지(static) 가정이며 실제 추력은 기류·공기밀도·배터리에 따라 변한다는 한계가 적응의 동기.

τ_des = J·ω̇_des + ω × (Jω) (오일러 회전 방정식) — "원하는 각속도에 도달하려면 어떤 토크가 필요한가"를 물리식으로 계산해 목표 토크를 정하고, 학습된 제어기의 실제 토크가 이를 따라가도록 보상을 설계하려는 것.

Tr(c_T, π), Td := Pr(Tr ∈ [0.5,0.9]) — 지형 난이도를 에이전트 성공 여부로 정량화하고, 학습 효과가 가장 큰 적정 난이도 지형을 골라내 커리큘럼을 자동 구성하려는 의도.

• Swarm vs Multi-Robot — 둘 다 다수 로봇 협력 시스템이나, 군집은 단순 개체 다수의 집단 행동, 멀티로봇은 능력 있는 소수의 역할 분담 협업. 정의 구분 문제로 자주 출제될 수 있음.
• 완전 자율 군집(Fully Autonomous Swarm) — 사람 개입 없이 로봇 떼가 스스로 협력하는 자율화 사다리의 최상위 단계. 미 국방부 로드맵의 장기 목표.
• 분산화(Decentralisation)의 4대 이유 — ①통신 제약 ②단일 장애점 회피 ③확장성 ④프라이버시. "왜 분산형인가"를 묻는 핵심 인과형 문항. 통신 없는 환경(원자력 시설·전장)이 대표 동기.
• 중앙집중형 vs 분산형(Centralised vs Decentralised) — 중앙집중은 전역 최적해를 한 번에 계산해 깔끔하나 단일 장애점에 취약(OR식). 분산은 부분 정보로 결정해 강건하나 충돌 발생(Robotics식). 트레이드오프 비교 문제.
• 단일 장애점(Single Point of Failure) — 중앙이 죽으면 전체가 마비되는 구조적 약점. 분산화를 요구하는 핵심 근거.
• 로컬 정보 + 통신 = 글로벌 정보 — 분산 시스템의 핵심 통찰. 각 로봇이 주변만 알고 이웃과 소통해도 전체를 풀 수 있다는 설계 원리.
• 미션 오토노미(Mission Autonomy) — 자율 시스템이 목표·상황·자기 능력을 바탕으로 행동 방안(COA)을 스스로 세워 실행하는 능력. 이 회차의 중심 개념.
• 행동 방안(Course of Action, COA) — 목표 상태 도달을 위한 액션 시퀀스. 군 교리상 상황 이해 → 임무 이해 → COA 생성으로 도출됨.
• 유무인 복합체계(MUM-T, Manned-Unmanned Teaming) — 유인·무인 자산이 팀(리더-팔로워)을 이루는 중간 단계. 완전 자율 군집 전에 먼저 거치는 단계이며 민간(소방·구조·재난)으로도 확장. 시험에 단계론으로 출제 가능.
• 자율성 3계층 — 미션/스웜 레벨(무엇을·태스크 플래닝+할당) → 태스크/에이전트 레벨(액션 플래닝) → 액션 레벨(경로·모션·저수준 제어). 위=추상, 아래=구체. 계층 매칭 문제 빈출.
• 태스크 분해(Task Decomposition) + 태스크 시퀀싱(Task Sequencing) — 태스크 플래닝의 두 요소: 미션을 작은 태스크로 쪼개기 + 의존성 고려한 순서 정하기.
• 태스크 할당 vs 연합 형성(Task Allocation vs Coalition Formation) — 로봇→태스크 관점이면 할당, 태스크→로봇팀 관점이면 연합 형성. 한 대로 안 되는 무거운 작업은 연합 형성 필요. 동전의 양면 관계.
• LLM/VLM 기반 플래닝(Trend #1) — 자연어 미션을 분해·할당 코드로 자동 생성(SMART-LLM). 장점=유연·자동화, 단점=정확성·검증 약함. VLM은 이미지+언어를 함께 이해.
• HTN(Hierarchical Task Network, Trend #2) — 작업을 상위·하위 태스크로 계층 분해하는 AI 플래닝. if-else 수작업 없이 규칙 시스템 구현(예: GTPyhop). "플래닝=상태→목표 행동 순서 자동 탐색".
• 행동 트리(Behaviour Tree, BT) vs FSM(Trend #3) — BT는 Root/Control/Leaf 노드로 구성, tick이 잎까지 전파되어 행동 실행. FSM 대비 ①모듈성 ②가독성 ③반응성(실패 복구)에서 우수. FSM은 상태 늘면 전이가 폭발. ROS2 NAV2가 BT 채택. A vs B 비교 단골.
• 세 트렌드의 융합 — LLM(형식화)+AI Planning(순서)+BT(프로그램 생성), 실행 실패 시 재추론으로 전제조건 보충하는 실패 해소 루프(Failure Resolution)가 도는 통합 접근.
• MRTA 택사노미(Gerkey & Matarić 2004) — ST/MT(로봇 멀티태스킹 여부) × SR/MR(태스크당 로봇 수) × IA/TA(즉시 vs 시간확장 할당). 약어 풀이·케이스 분류 문제 필수. ST-SR-TA=전형적 할당, ST-MR-IA=연합 형성.
• NP-hard — 조합이 복잡해지면(MT-MR-TA 등) 정확해를 구하기 사실상 불가능 → 근사·휴리스틱·게임이론 필요. 왜 분산·근사가 필요한지의 근거.
• 2단계 파이프라인(로컬 의사결정 → 충돌 해소 → 반복) — 모든 분산 MRTA의 공통 골격. 충돌 해소와 합의 도달이 핵심 난제.
• 수렴(Convergence)과 그 증명 — 분산 알고리즘이 반드시 멈추는가·얼마나 빨리·최적 대비 얼마나 좋은가를 수학적으로 보장해야 함. 내시 균형 등 게임이론이 도구.
• 헤도닉 게임 / 내시 안정 분할(Hedonic Game / Nash-stable partition) — 플레이어가 소속 그룹 자체에 선호를 갖는 게임. 아무도 팀을 옮길 이유 없는 상태가 안정 분할. GRAPE의 이론적 기반.
• CBBA vs GRAPE — CBBA=경매(Auction) 기반(소수 에이전트·다수 태스크에 강함), GRAPE=헤도닉 게임 기반(대규모 에이전트·소수 태스크 연합 형성). 분산·비동기·임의 연결망에서 작동.
• GRAPE의 주요 결과 — 다항시간 수렴 O(#robots²), 특수 경우 최적해의 50% 이상 보장하는 차선해 하한, 재수렴 시간(에이전트 약 4~5배, 거의 선형→확장성 양호). 분산이 빨라도 품질이 무너지지 않는다는 안전판.
• 연산-통신 트레이드오프 — 로컬 연산량 ↔ 통신 라운드 수는 파레토 경계(Front Line)를 이룸. 한쪽을 줄이면 다른 쪽이 늘어남. 그래프 지름 d_G가 반복 복잡도에 들어가는 이유: 가장 먼 두 로봇 간 정보 전달에 그만큼의 라운드가 필요.
• 비동기·시간평균 강연결(Asynchronous / Strongly-connected over time) — 분산 통신 가정. 매 순간 동시 통신할 필요 없고, 끊겼다 이어져도 충분한 시간이면 모두에게 정보 전달 가능. 다수 문헌은 분석 편의상 동기 설정으로 단순화함.
• Pre-Decoupled vs Pre-Coupled — 로봇 간 의존성을 언제 끊느냐. Decoupled=미리 분리해 따로 풀어 빠르나 최적성 손해, Coupled=상호작용 함께 고려해 품질 높으나 통신·연산 부담 큼.
• 시뮬레이터의 편의성↔충실도 트레이드오프 — Gazebo·Webots는 사실적이나 무겁고, Stage 등은 가볍지만 단순. 분산 알고리즘은 이론 증명만으론 통신 지연·충돌 같은 현실 문제를 못 봄 → 이론과 실험 사이 '중간 다리' 도구가 필요.

u_i,equal = (1/|S_j|)·V_j − c_i(t_j) — GRAPE의 기본 효용 함수. 태스크 가치 V_j를 그 태스크에 모인 로봇 수 |S_j|로 나눠 "너무 많이 몰리면 1인당 보상이 줄어 자연히 분산"되게 하고, 거기서 이동 비용 c_i(t_j)를 빼 각 로봇이 이기적으로 행동해도 전체가 균형 있게 수렴하도록 유도하는 것이 의도.

u_i,S-RA = (e_i / (ê²_{S∪i}·|S_j|))·V_j − c_i(t_j) — 자원(배터리 잔량 e_i)을 효용에 반영한 확장식. 자원이 많은 로봇이 더 부담을 지고 적은 로봇은 보존되게 해, 특정 로봇만 빨리 방전되는 것을 막고 군집 전체의 장기 가동 시간을 늘리려는 의도(장기 자율운용용).

• New Space / Old Space — 민간 주도(재사용 로켓·저비용) vs 정부 주도. 발사비용 급감이 우주 로봇 산업 활성화의 근본 동인. "왜 지금 우주 로봇인가"의 답.
• OOS(On-Orbit Servicing, 궤도상 서비싱) — 연료 재보급·수리·제거로 위성 수명을 늘리는 작업. 세 축(refueling/repair/removal) 구분이 출제 포인트.
• ADR(Active Debris Removal, 능동 잔해 제거) — 통제 불능 잔해를 적극적으로 포획·디오빗. ClearSpace-1, ELSA-d, ADRAS-J 등이 사례.
• ISAM / OSAM(In-Space/On-orbit Servicing, Assembly and Manufacturing) — 우주에서 직접 조립·제조. 대형 구조물을 모듈로 올려 로봇 팔로 조립("스페이스 레고"). 로봇 팔 수요의 핵심 이유.
• 도킹(docking) vs 버싱(berthing) — 도킹은 우주선이 스스로 결합, 버싱은 로봇 팔로 잡아 붙임. ISS의 Canadarm으로 화물선을 잡아 도킹하는 것이 버싱.
• 데오비팅(deorbiting) / 탄도계수(ballistic coefficient) — 폐위성을 대기권으로 떨어뜨려 소멸. 폐기 시간은 탄도계수(≈질량÷항력계수·단면적)에 좌우, 무겁고 작을수록 천천히 떨어짐. 드래그 세일로 항력을 키워 20~30년→4~5년 단축. 초속 7~8km라 추력으로 곧장 떨어뜨리려면 연료가 막대.
• 케슬러 증후군(Kessler syndrome) — 잔해 충돌이 또 다른 잔해를 낳는 연쇄로 궤도가 못 쓰게 되는 현상. ADR이 중요한 이유.
• 밴앨런대(Van Allen belt) / SAA(남대서양 이상대) — 지구 자기장에 갇힌 고에너지 양성자·전자 영역. 통과 시 전자부품 오작동. 지상 투영점이 가장 심한 곳이 남대서양 상공.
• SEU / SEL / TID / DD — SEU(단일사건반전): 비트 뒤집힘 → 엉뚱한 명령 위험. SEL(래치업): 소자 잠김. TID(총이온화선량): 누적 피폭으로 수명 단축. DD(변위손상): 격자 손상. 방사선 고장 4종으로 묶어 출제 가능.
• 아웃가싱(outgassing) / 냉간용접(cold welding) — 진공 환경의 두 문제. 아웃가싱은 가스 방출로 광학계 오염, 냉간용접은 진공에서 금속끼리 들러붙어 관절 고착.
• 원자산소(atomic oxygen) — 저궤도(LEO)에서 고분자 접착제·필름·코팅·복합재 표면을 침식. 자외선·이온 조사로 가속.
• MMOD(미소운석·우주쓰레기) / 초고속 충돌 — 작은 조각도 총알의 10배 속도라 위성을 파괴. ≥10cm 약 4만, ≥1cm 약 110만, ≥1mm 약 1.3억 개.
• 주석 휘스커(tin whisker) — 주석 도금이 실처럼 자라 합선(short) 유발. 코팅으로 예방. 발사 진동에 의한 PCB 균열, CCD 죽은 픽셀도 흔한 고장.
• 차폐와 무게 / CFRP+텅스텐 — 차폐는 곧 무게. 기준 알루미늄 3.81mm(150mil). CFRP는 가볍지만 차폐력 거의 없어 얇은 W(0.1mm)를 끼우면 28.7MeV까지 막고 Al 대비 무게 90%. 폴리에틸렌(수소多)은 더 가볍지만(68%) 두꺼움.
• 구조 재료(경량화) — 위성 무게=비용. 알루미늄 합금(2/6/7xxx, 차폐+경량)이 주력, 외피는 고강도 7000/2000계, 넓은 패널은 허니컴. 마그네슘·Mg-Li은 초경량+재진입 시 잘 타 없어짐(demise). 망원경엔 가벼운 마그네슘.
• SE(시스템 엔지니어링) / V-모델 / 게이트 리뷰 — A/S 없는 우주에서 "한 번에 제대로". MDR·SRR·PDR·CDR(설계) → TRR·MRR(검증). 문제 남으면 다음 단계로 안 넘어감.
• 개발 모델 단계(DM/EM·EQM/QM/FM) — DM: 형상 같으나 우주급 부품 미사용. QM(인증모델): 진공·극한온도·worst case 풀 인증. FM(비행모델): 통과 후 간단 점검만 하고 발사. 비싼 비행품을 아끼려 단계적 검증.
• PA(제품보증) / 이력추적 / ITAR — 부품 하나(저항까지)도 추적·인증, 미국 수출제한(ITAR) 여부 확인. 신뢰도 분석으로 설계수명·COTS 사용 균형.
• TRL(Technology Readiness Level) — 기술성숙도 1~9. TRL3=개념실증(PoC), TRL6=관련 환경(열-진공 챔버 등) 시제품 검증. 실임무 투입엔 단계가 더 남음.
• 탑재체(payload, 페이로드) — 상대적 개념. 로켓엔 위성이, 위성엔 로봇 팔이 탑재체. 그래서 위성 개발팀과 팔 개발팀의 역할이 나뉨.
• 대표 우주 로봇 팔 — Canadarm 1·2·3(2는 ISS 17.6m·7-DOF, 3은 게이트웨이용 자율), Dextre(SPDM, 정밀 "손"), JEMRMS(일본 키보, 고정형), CSSRMS(중국), ERA(유럽, 양 끝 번갈아 고정해 이동), OEDMS/Orbital Express(미·DARPA, 급유·부품교체 실증), ETS-VII(일본, 세계 최초 무인 랑데부·도킹·로봇팔), FREND(7-DOF, 그래플 픽스처 없는 위성도 비전으로 포획), MRV/MEP(GEO 수명연장 상업모델).
• 재배치형(relocatable)·대칭형 팔 / 자벌레(inchworm) — 한쪽 끝을 베이스로 고정, 반대쪽으로 작업하고 끝을 옮겨 붙이면 베이스가 뒤바뀜. 적은 팔로 넓은 작업공간 확보. 우주에선 팔마다 받침대 설치가 천문학적 비용이라 표준화되는 추세(GITAI 등).
• 고정 베이스 vs 이동 베이스 — I_s≫I_m(셔틀·ISS): 지상 로봇처럼 다룸. I_s≥I_m(추격·표적 위성): 팔 움직이면 본체가 반작용으로 따라 움직임 → 별도 모델링 필요.
• Free-Flying vs Free-Floating — ★핵심 구분. 프리플라잉=추력기로 베이스 제어(도달성·자세 정확 / 연료소모=수명, 플룸, 포화, 낮은 제어율). 프리플로팅=추력기 끔(무연료·무플룸·고속 / 표류, 좁은 작업공간, 접촉 시 의도치 않은 드리프트).
• 플룸 충돌(Plume Impingement) / MIB(Minimum Impulse Bit) — 플룸: 추력기 배기가 표적·주변 부품 교란·오염. MIB: 추력기 최소 분사량이 정해져 미세 제어 불가 → 모멘텀을 정확히 0으로 못 맞춤(프리플로팅의 "영모멘텀 가정"이 깨지는 이유).
• 디커플링(decoupling): 완전 vs 부분 — 한 부분을 제어해도 다른 부분이 끌려가지 않게 함. 추력기 힘(force)은 병진이라 관절 토크와 깔끔히 분리되지만, 모멘트(토크)는 회전을 일으켜 팔 운동과 결합 → 그래서 "부분" 디커플링. 완전 디커플링은 베이스 요구 없이 엔드이펙터·CoM만 제어.
• 반작용휠(reaction wheel) / 운동량 덤핑(momentum dumping) — 휠 각운동량을 바꿔 위성을 반대로 돌림(무연료 자세제어). 한 방향으로 계속 돌면 포화(saturation) → 추력기로 운동량을 버려 풀어줌. 장기 임무에 유리.
• 협조 vs 비협조 표적 / 텀블링 / 디텀블링 — 협조 표적은 자세 유지로 작업 쉬움. 비협조(연료 다한 잔해)는 신호·제어 없이 텀블링 → 카메라·라이다로 인식 후 회전을 죽이는 디텀블링이 선행. 비접촉 와전류(eddy current) 감속도 연구.
• 임무 단계(Mission Phases) — 발사→위상조정→원/근거리 랑데부→V-bar/R-bar 접근→인식·계획→접촉(래칭)→안정화→디텀블링→서비스. 순서 자체가 출제 가능.
• V-bar / R-bar — 표적 기준 접근 축. V-bar=진행(속도) 방향, R-bar=지구 중심(반경) 방향. 궤도역학 때문에 아무 방향 직선 접근은 궤도가 어긋나, 이 두 축을 따라 천천히 접근해 충돌 위험을 줄임.
• 소프트 캡처 vs 하드 캡처 / 스네어(snare) — 무중력에서 동시에 강하게 물면 반작용으로 위성이 튕겨 날아감 → 와이어로 부드럽게 잡아(소프트) 충격 흡수 후 래치로 단단히 고정(하드). 캐나다암 끝단의 스네어 메커니즘.
• 포획 메커니즘 종류 — 프로브-콘(probe-cone, SRMS·LEE·ERA), 훅-클로(hook-claw, Orbital Express·SARAH), 그래플 픽스처(grapple fixture), 스네어. 표적 인터페이스에 맞춰 선택.
• 그래플 픽스처(grapple fixture) / 런처(Marman) 링 — 잡기 위한 전용 손잡이. 비협조 위성엔 그래플 픽스처가 없으므로, 거의 모든 위성에 공통인 발사체 고정부 런처 링(Marman ring)을 비전 마커로 인식해 포획점으로 삼음.
• 일반화 자코비안(generalized Jacobian) / FFSM — 자유부유 우주 매니퓰레이터(FFSM)에서 베이스가 수동 관절(passive joint)이라, 운동량 보존으로 베이스 속도를 소거하고 관절속도와 엔드이펙터를 잇는 자코비안. 잡은 물체의 미지 질량은 잔여 질량(residual mass) 항으로 보정(불확실성 인지 IK).
• H∞ 강건 제어 — 잡은 물체의 질량·관성을 모르는(모델링 오차) 상황에서, 그 오차를 외란처럼 취급해 오차 증폭을 일정 한도(γ) 이하로 보장하는 제어. 우주에선 표적 질량을 모를 때가 많아 특히 유용.

I_s ≫ I_m (고정 베이스) vs I_s ≥ I_m (이동 베이스) — 베이스 관성과 팔 관성의 상대 크기로 제어 난이도를 가르는 기준. 베이스가 압도적으로 크면 지상 로봇처럼, 비슷하면 반작용을 고려한 별도 모델링이 필요함을 한눈에 보이려는 분류식.

M_b q̇_b + M_bm q̇_m + M_bw q̇_w = 0 (운동량 보존) — 추력기를 끈 프리플로팅에서 베이스에 외력이 없을 때 전체 운동량이 보존된다는 조건. 이로부터 베이스 속도를 소거해 "팔만 움직였는데 본체가 끌려가는" 결합을 정량화하고, 일반화 자코비안을 끌어내려는 의도.

∫(xᵀQx + uᵀRu)dt ≤ γ²∫wᵀw dt (L2-게인 조건) — 최악의 외란/모델오차 w에 대해서도 상태·입력 오차의 증폭을 γ² 이하로 묶겠다는 H∞ 제어의 약속. 잡은 물체 질량을 몰라도 성능을 보장하려는 강건 제어의 핵심 부등식.