본 논문은 다양한 환경에서 작동하는 일반화된 로봇을 위해 복잡한 다자유도(DoF) 물체 조작 문제를 다룬다. 기존의 객체 모델링 방법들은 사전 지식에 의존하거나 단일 자유도 물체에만 집중하여 한계를 보인다. 본 연구는 인간 시범 데이터를 통해 객체 모델을 학습하는 새로운 방법을 제시한다. 다자유도 물체의 운동 제약과 조작 순서를 포착하는 새로운 표현인 객체 운동학 시퀀스 머신(OKSMs)을 도입하고, 포인트 클라우드 데이터로부터 이 모델을 추정하기 위한 심층 신경망 Pokenet을 제안한다. 8,000개의 시뮬레이션 데이터와 1,600개의 실제 데이터를 사용하여 성능을 검증하였으며, 기존 방법 대비 실제 데이터에서 관절 축 및 상태 추정 성능을 20% 이상 향상시켰다. Sawyer 로봇을 이용한 실제 다자유도 물체 조작 실험을 통해 OKSMs의 효용성을 입증하였다.
