Hyundae's Note

 
  • Jan 12, 2026

2. 데이터 수집: C++ Continuous Logger

기존 제어 코드에서 복잡한 로직(Ramp-down, PID Control)을 제거하고, 순수하게 센서 데이터만 기록하는 패시브 로거(Passive Logger)를 C++로 구현했습니다.

주요 기능

  • 200Hz 고속 로깅: 5ms 주기로 양팔 14축(7-DOF x 2)의 위치와 토크 데이터를 기록.
  • 인터럽트 처리: Ctrl+C 입력 시 데이터를 안전하게 저장하고 종료.
  • 단순화된 워크플로우: 프로그램 실행 -> “원-투” 10세트 수행 -> 종료.

```cpp /* record_full_session.cpp 핵심 로직 */

#include “research_interface.h” #include #include #include #include

// 시그널 핸들러 (Ctrl+C 안전 종료) static volatile std::sig_atomic_t g_stop = 0; void handleSigint(int) { g_stop = 1; }

int main() { // … 로봇 연결 및 초기화 … harmony::ResearchInterface info; info.init(); auto left = info.makeLeftArmController(); auto right = info.makeRightArmController(); left->init(); right->init();

// 안전을 위해 오버라이드 제거 (완전 수동 모드)
left->removeOverride();
right->removeOverride();

std::ofstream ofs("data/full_session_latest.csv");
// CSV 헤더 작성 (time, qL_0...6, qR_0...6)
ofs << "time,qL_0,qL_1,qL_2,qL_3,qL_4,qL_5,qL_6,qR_0,qR_1,qR_2,qR_3,qR_4,qR_5,qR_6\n";

std::cout << "=== [통녹화 모드] 시작: 펀치 후 3초 휴식하세요 ===" << std::endl;
auto t0 = std::chrono::steady_clock::now();

while (!g_stop) {
    auto now = std::chrono::steady_clock::now();
    double t = std::chrono::duration<double>(now - t0).count();

    // 200Hz 주기로 양팔 데이터 획득 및 기록
    auto lState = info.joints().leftArm.getOrderedStates();
    auto rState = info.joints().rightArm.getOrderedStates();
    
    ofs << t;
    for(int i=0; i<7; ++i) ofs << "," << lState[i].position_rad;
    for(int i=0; i<7; ++i) ofs << "," << rState[i].position_rad;
    ofs << "\n";

    std::this_thread::sleep_for(std::chrono::milliseconds(5));
}

std::cout << "저장 완료." << std::endl;
return 0; } 3. 데이터 후처리: Python Auto-Cutter 수집된 거대한 CSV 파일(약 15,000 라인)에서 유의미한 펀치 동작만 추출하기 위해 파이썬 스크립트를 작성했습니다.

알고리즘: ‘정적 구간’을 찾아라 사람이 펀치를 날릴 때는 팔의 속도가 급격히 빨라지고, 쉴 때는 0에 가까워집니다. 이 특성을 이용해 데이터를 자동으로 분할했습니다.

속도 계산: 각 관절의 각속도(Angular Velocity)를 계산.

임계값(Threshold) 적용: 전체 관절 속도 합이 1.5 rad/s 이상이면 “동작 중”으로 판단.

세그멘테이션: 0.5초 이상 정적 구간이 지속되면 동작이 끝난 것으로 간주하고 파일 저장.

Python

auto_cutter.py 핵심 로직

import pandas as pd import numpy as np

1. 속도(Velocity) 계산

df = pd.read_csv(‘data/full_session_latest.csv’) dt = df[‘time’].diff().mean()

차분(diff)을 이용해 속도 추정

velocities = df.iloc[:, 1:].diff().abs().sum(axis=1) / dt

2. 움직임 감지 (Thresholding)

is_moving = velocities > 1.5

3. 구간 자르기 및 저장 (Simplified)

combo_id = 1 start_idx = -1 min_pause = int(0.5 / dt) gap = 0

for i in range(len(is_moving)): if is_moving[i]: if start_idx == -1: start_idx = i gap = 0 else: if start_idx != -1: gap += 1 if gap > min_pause: # 파일 저장 sub_df = df.iloc[start_idx : i - gap] if len(sub_df) > 20: # 노이즈 제거 sub_df.to_csv(f”data/cut_results/combo_{combo_id}.csv”, index=False) combo_id += 1 start_idx = -1

  1. 데이터 분석 및 품질 검증 수집된 데이터를 분석하여 학습에 적합한지 확인했습니다.

4.1 데이터 스펙 샘플링 레이트: 약 196.6 Hz (목표 200Hz 충족)

최대 속도: 11.73 rad/s (왼팔 기준)

일반적인 로봇 움직임보다 훨씬 빠른, 실제 펀치의 역동성이 그대로 담겼습니다.

4.2 시각화 (Visualization) 아래 그래프는 전체 세션의 관절 각도와 속도 변화를 보여줍니다. 파란색/빨간색 선(Speed)이 치솟는 구간이 바로 “원-투” 펀치를 날린 순간이며, 그 사이의 평평한 구간이 휴식 구간입니다.

(Python Matplotlib으로 생성한 분석 결과)

그래프를 통해 “동작(Active)”과 “휴식(Idle)”이 명확하게 구분됨을 확인할 수 있었으며, 이는 자동 자르기 알고리즘이 완벽하게 작동할 수 있음을 의미합니다.

  1. 결론 및 향후 계획 이번 작업을 통해 “데이터 수집 → 자동 전처리 → 품질 검증”으로 이어지는 파이프라인을 완성했습니다. 이제 로봇은 사람의 펀치 동작을 학습할 준비가 되었습니다.

Next Steps:

분할된 데이터(combo_*.csv)를 로봇 실행 포맷(exercise.json)으로 변환.

데이터 스무딩(Smoothing)을 통해 미세한 떨림 보정.

실제 하드웨어에서 쉐도우 복싱 재현 테스트.

Note: 이 프로젝트는 Harmony SHR 재활 로봇 플랫폼을 기반으로 진행됩니다.

Search