편마비 다리 보조기구 (1) — 전동 조종기를 그만두기로 한 이유Hemiplegic Leg Assist Device (1) — Moving Beyond a Manual Potentiometer Controller

무엇을 만들고 있나What I Am Building

우측 편마비 환자용 다리 보조기구다. 한 줄로 요약하면 이렇다. 건강한 쪽 다리의 관절 각도를 읽어, 마비된 쪽 다리가 따라가야 할 목표 각도를 8비트 MCU 위의 신경망이 실시간으로 생성한다.

This is a lower-limb assistive orthosis project for right-side hemiplegia. In one sentence: a quantized neural network on an 8-bit MCU reads the joint angles of the unaffected leg and generates real-time target angles for the paretic leg to follow.

우측 편마비 사용자를 상정하고 설계했다. 지금은 구현 중이고, 이 글에 적은 검증은 전부 계산과 PC 대조 단계다. 사람이 착용한 상태로 시험한 단계가 아니다.

The system is designed around a right-side hemiplegic user profile. It is currently under development, and all verification reported in this post comes from analytical calculations and PC cross-checks—not human subject testing.

문제 — 이건 보조기구가 아니라 조종기였다The Problem — It Was a Manual Remote, Not an Assistive Device

초기 시스템은 전기적으로는 완성돼 있었다. 빵판 위에서 폐루프 위치 제어, PID, 스톨 감지, 소프트 리밋, EEPROM 캘리브레이션까지 전부 동작했다.

The initial prototype was electrically complete on the breadboard: closed-loop PID position control, stall detection, soft limits, and EEPROM calibration all worked.

그런데 제어 구조를 한 문장으로 요약해 보니 이랬다.

Then I summarized what the control loop actually did in one sentence:

잔존 근력이 없는 사용자에게 "두 관절을 손가락으로 매 순간 조종하세요"라고 요구하는 장치는 쓸모가 없다. 여기서 구조를 갈아엎었다.

Asking a user with limited motor control to manually dial two leg joints with their fingers on every step is impractical. That realization prompted a complete control redesign.

6개 계층으로 나누기Splitting Control into Six Layers

제어를 여섯 계층으로 분리했다. 원칙은 두 가지다. 각 계층은 위 계층이 실패해도 단독으로 동작한다, 그리고 상위 계층의 어떤 출력도 안전층을 우회할 수 없다.

I separated the control stack into six layers governed by two rules: each layer must function independently if a higher layer fails, and no output from any upper layer may bypass the L0 safety layer.

우회 경로를 만들지 않는 것이 목표다Eliminating Bypass Paths in Code

안전층은 "막아 준다"고 말하는 것만으로는 부족하다. 코드 구조상 우회가 불가능해야 한다. 모드가 무엇이든 모터에 도달하기 전 같은 경로를 지나가는 것을 목표로 잡았다. 아직 거기까지는 못 갔다. 아래 코드에서 수동 모드는 공통 경로를 타지 않고 바로 빠져나간다 — 구동 펌웨어를 붙이기 전에 정리해야 할 부분이다.

Saying a safety layer exists is not enough—the code structure must make bypassing it impossible. The goal is for every control mode to flow through the exact same L0 clamping stage before touching motor PWM. There is still one gap left to close: in the snippet below, MODE_MANUAL returns early before the shared safety block, which must be unified before enabling live motor actuation.

// 모드가 무엇이든 최종 출력은 단 하나의 경로로만 나간다
switch (mode) {
  case MODE_MANUAL: targetFromPot(hip); targetFromPot(knee); return;
  case MODE_MIRROR: mirrorTargets(&tHip, &tKnee); break;         // L1
  case MODE_MODEL:  modelInfer(features, &tHip, &tKnee); break;  // L2
}
// ── 이 아래는 공통. 우회 경로 없음 ──
tHip  = clampSoftLimit(tHip,  HIP_MIN,  HIP_MAX);
tKnee = clampSoftLimit(tKnee, KNEE_MIN, KNEE_MAX);
hip.target  = slewLimit(hip.target,  tHip,  SLEW_DEG_PER_S * DT);
knee.target = slewLimit(knee.target, tKnee, SLEW_DEG_PER_S * DT);
if (!deadmanHeld() || eStopLatched()) { allOff(); return; }

// Regardless of mode, final output must pass through a single shared path
switch (mode) {
  case MODE_MANUAL: targetFromPot(hip); targetFromPot(knee); return;
  case MODE_MIRROR: mirrorTargets(&tHip, &tKnee); break;         // L1
  case MODE_MODEL:  modelInfer(features, &tHip, &tKnee); break;  // L2
}
// ── Shared L0 path below: no bypass allowed ──
tHip  = clampSoftLimit(tHip,  HIP_MIN,  HIP_MAX);
tKnee = clampSoftLimit(tKnee, KNEE_MIN, KNEE_MAX);
hip.target  = slewLimit(hip.target,  tHip,  SLEW_DEG_PER_S * DT);
knee.target = slewLimit(knee.target, tKnee, SLEW_DEG_PER_S * DT);
if (!deadmanHeld() || eStopLatched()) { allOff(); return; }

안전층 함수는 전부 순수 정적 함수로 만들었다. 덕분에 펌웨어(C)로 1:1 이식이 가능하고, Unity 플레이 모드 없이 단위 검사를 돌릴 수 있다.

All L0 safety functions are written as pure static functions, allowing 1:1 porting between C firmware and C# and enabling fast unit tests in Unity without entering Play Mode.

8비트 MCU에서 신경망 돌리기Running a Neural Network on an 8-Bit MCU

L2의 목표각 생성기는 7-16-16-2 MLP, 파라미터 434개다. 이걸 int16 고정소수점으로 양자화해 ATmega328P에서 실행한다. 활성값과 가중치는 Q12, 누산기는 int32, tanh 는 65점 룩업 테이블과 선형보간으로 대체했다.

The L2 target generator is a 7-16-16-2 MLP with 434 parameters. I quantized it to int16 fixed-point to run on the ATmega328P: activations and weights use Q12, accumulators use int32, and tanh is evaluated via a 65-point lookup table with linear interpolation.

/* 자동 생성된 헤더의 추론 함수 (일부) — AVR PROGMEM 대응 */
static void legassist_infer(const int16_t *raw_in, int16_t *out_d10)
{
  int16_t x[LEGASSIST_N_IN];
  int16_t h1[LEGASSIST_N_HIDDEN];

  /* 입력 정규화: Q16 역표준편차를 곱하고 Q12로 시프트 */
  for (i = 0; i < LEGASSIST_N_IN; i++) {
    int32_t diff = (int32_t)raw_in[i] - LA_RD16(la_x_mean_raw, i);
    int32_t scaled = (diff * LA_RD32(la_x_inv_std, i)) >> (LA_NORM_SHIFT - LA_ACT_SHIFT);
    x[i] = la_clamp16(scaled);
  }

  /* 1층: int32 누산기에 Q24로 쌓고 Q12로 내린 뒤 tanh LUT */
  for (i = 0; i < LEGASSIST_N_HIDDEN; i++) {
    int32_t acc = LA_RD32(la_b1, i);
    for (j = 0; j < LEGASSIST_N_IN; j++) {
      acc += (int32_t)LA_RD16(la_w1, i * LEGASSIST_N_IN + j) * (int32_t)x[j];
    }
    h1[i] = la_tanh(acc >> LA_ACT_SHIFT);
  }
  /* ... 2층, 출력층, 역정규화 ... */
}

/* Excerpt from auto-generated inference header — AVR PROGMEM compatible */
static void legassist_infer(const int16_t *raw_in, int16_t *out_d10)
{
  int16_t x[LEGASSIST_N_IN];
  int16_t h1[LEGASSIST_N_HIDDEN];

  /* Input normalization: multiply by Q16 inverse std and shift to Q12 */
  for (i = 0; i < LEGASSIST_N_IN; i++) {
    int32_t diff = (int32_t)raw_in[i] - LA_RD16(la_x_mean_raw, i);
    int32_t scaled = (diff * LA_RD32(la_x_inv_std, i)) >> (LA_NORM_SHIFT - LA_ACT_SHIFT);
    x[i] = la_clamp16(scaled);
  }

  /* Layer 1: accumulate in Q24 inside int32, shift to Q12, apply tanh LUT */
  for (i = 0; i < LEGASSIST_N_HIDDEN; i++) {
    int32_t acc = LA_RD32(la_b1, i);
    for (j = 0; j < LEGASSIST_N_IN; j++) {
      acc += (int32_t)LA_RD16(la_w1, i * LEGASSIST_N_IN + j) * (int32_t)x[j];
    }
    h1[i] = la_tanh(acc >> LA_ACT_SHIFT);
  }
  /* ... Layer 2, output layer, de-normalization ... */
}

설계 판단 1 — 모델은 각도를 출력한다. 토크나 PWM이 아니다.Design Decision 1 — Output Joint Angles, Not Torque or PWM

건측과 환측의 각도 관계는 운동학적 관계다. 누가 얼마나 힘을 냈는지와 무관하다는 뜻이다.

The coordination between the unaffected leg and the affected leg is a kinematic relationship—it does not depend on actuator force.

그래서 지금의 소형 저와트 모터로 모은 데이터로 학습해도, 나중에 구동계를 바꿨을 때 모델을 다시 학습할 필요가 없다. 바뀌는 것은 하위 추종 제어기(PID 게인, 중력보상)뿐이다. 토크를 출력하도록 설계했다면 구동계를 바꿀 때마다 전부 다시 해야 했다.

Because the model outputs target angles rather than motor torque, changing the motor or gear ratio later does not invalidate the trained model. Only the lower-level tracking controller (PID gains and gravity compensation) needs retuning.

설계 판단 2 — tanh 룩업 테이블을 헤더에 함께 내보낸다Design Decision 2 — Export the `tanh` LUT Directly in the Header

Python 참조 구현과 C 구현이 같은 표를 쓰면, 근사 오차가 서로 상쇄되는 게 아니라 아예 동일해진다. 그래서 3,000표본 검증에서 차이가 0으로 나온다. 이건 운이 아니라 설계다.

Because both the Python fixed-point reference and the C firmware read from the exact same LUT array, approximation differences do not merely cancel out—they are bit-for-bit identical. Across 3,000 test samples, the difference between Python and C is 0.

학습 모델이 새로 만드는 위험New Failure Modes Introduced by a Learned Model

신경망을 넣으면 기존에 없던 고장 방식이 생긴다. 그걸 따로 정의하고 방어책을 붙였다.

Adding a neural network introduces failure modes that do not exist in simple rule-based code. I cataloged each one and added explicit guards.

실기에 올릴 수 있는 크기까지는 왔다Fitting Inside the 8-Bit MCU Budget

아래 표의 검증은 전부 PC 쪽에서 한 것이다. gcc 로 빌드해 파이썬 참조 구현과 출력을 맞춰 보고, avr-gcc 로 빌드해 플래시·RAM 이 들어가는지 확인했다. 보드에 올려 돌린 결과는 아직 없다. 그건 다음 단계다.

All checks in the table below were performed on the PC side: compiling with gcc to verify bit-exactness against Python, and compiling with avr-gcc to measure Flash and SRAM usage. On-board execution timing is the next step.

데이터 수집 펌웨어는 모터를 아예 안 돌린다The Data Collection Firmware Keeps Motors Physically Disabled

50Hz CSV 스트리밍, 활동 라벨 전환, 캘리브레이션 EEPROM 저장을 지원하는 별도 펌웨어를 만들었다. 여기서는 L298N 제어핀을 setup 에서 LOW로 고정하고 그 뒤로 건드리지 않는다.

I wrote a dedicated firmware build for 50Hz CSV streaming, activity label toggling, and EEPROM sensor calibration. In this build, all L298N control pins are pulled LOW in setup() and never touched again.

데이터를 모으는 단계에서 모터가 움직일 이유가 없고, 움직이면 위험만 늘어난다. 구동은 검증이 끝난 뒤 별도 펌웨어로 분리했다.

There is no reason for motors to spin while recording baseline human gait data, and enabling them during data collection only adds hazard. Motor actuation is isolated in a separate firmware target.

1편 정리, 그리고 다음Part 1 Summary, and What Comes Next

여기까지가 "조종기"를 "스스로 목표를 만드는 장치"로 바꾸는 구조 설계와, 그 모델을 8비트 MCU에 실제로 올린 이야기다.

That covers redesigning the system from a manual potentiometer remote into an autonomous target-angle generator, and quantizing the MLP to fit comfortably inside an 8-bit ATmega328P.

다음 편에서는 가상 물리 시뮬레이션과 하드웨어 구성을 다룬다. Unity ArticulationBody 시뮬레이션이 3D 출력 전에 잡아낸 기구 간섭 오류, 그리고 브레드보드 배선을 정리하기 위해 설계한 듀얼 소켓 PCB와 센서 구성을 정리한다.

Part 2 covers the virtual physics simulation and hardware design: cross-checking joint torques with Unity ArticulationBody and Newton-Euler equations, catching a 23 mm thigh cuff interference before 3D printing, and designing a dual-socket Nano/ESP32 PCB with an AS5600 magnetic encoder.

그 과정에서 확인한 소형 저와트 모터의 역학적 한계와 준능동 구조로의 전환은 3편으로 이어진다.

The mechanical torque limits of the compact low-wattage geared motor discovered during that process—and the resulting pivot to a semi-active stance lock mechanism—follow in Part 3.