부드러운 지면에서는 발이 가라앉고 비틀리며, 접촉면 곳곳에서 서로 다른 저항을 만나기 때문에 두 발 로봇의 균형이 쉽게 무너진다. MILD는 계산 가능한 발-지형 모델과 온라인으로 지면의 순응도를 추정하는 강화학습 제어기를 결합해 이 문제를 다룬다. 그 결과 시뮬레이션과 하드웨어에서 더 안정적이고 에너지 효율적인 보행은 물론, 서로 다른 변형 지면 사이를 빠르게 전환하는 능력까지 구현했다.
목차
- 연구진은 무엇을 개발했나?
- MILD는 어떤 성과를 거뒀나?
- MILD는 부드러운 지면을 어떻게 모델링하고 적응하나?
- 이 연구가 로보틱스에 중요한 이유는 무엇인가?
- MILD에 남은 한계와 과제는 무엇인가?
- 구매자와 엔지니어가 MILD에 대해 자주 묻는 질문
- 결론
연구진은 무엇을 개발했나?
MILD는 흙, 모래, 폼 같은 변형 가능한 표면에서 움직이는 두 발 로봇을 위한 지형 모델과 보행 제어 시스템을 결합한 기술이다. 이 시스템은 기존 다리형 로봇 시뮬레이션의 주요 약점을 겨냥한다. 대부분의 시뮬레이터가 바닥을 단단한 고정면으로 취급하기 때문에, 실제 부드러운 지면이 변형되고 충격을 흡수하며 로봇의 발에 고르지 않게 반발하는 현상을 재현하지 못하기 때문이다.
이 지형 모델은 발을 하나의 점으로 단순화하지 않고, 넓은 접촉면을 가진 로봇 발판에 초점을 맞춘다. 발이 기하학적 중심에서 벗어난 위치로 지면에 들어가는 편심 삽입과, 발의 각 부분이 서로 다른 깊이로 가라앉는 공간적 침투 차이를 표현한다. 또한 빠른 충돌과 발이 지면을 누르면서 변하는 저항 등 시간에 따른 변화도 반영한다.
MILD는 이렇게 현실에 가까운 시뮬레이션 안에서 강화학습으로 보행 정책을 훈련한다. 인코더-변조 구조는 로봇과 지면의 상호작용에 관한 관측값을 지형 순응도의 내부 표현으로 변환한다. 제어기는 이 표현을 바탕으로 움직임을 조절하므로, 지면마다 사람이 별도의 제어기를 설계할 필요가 없다.
그 결과 MILD는 단순화된 시뮬레이션과 실제 변형 지면 보행 사이의 간극을 줄이도록 설계된 시스템이 되었다.
MILD는 어떤 성과를 거뒀나?
보고된 시뮬레이션 실험에서 MILD는 비교 대상 지형 모델보다 보행의 견고성, 에너지 효율, 동적 안정성에서 더 나은 성능을 보였다. 각 모델에서 동일한 에피소드 수로 정책을 훈련해 평가했기 때문에, 서로 다른 훈련 조건을 비교한 것이 아니라 일관된 시험 환경에서 성능을 검증했다.
연구진은 MILD를 다섯 가지 모델 기반 기준선과 비교했다. 비교 대상은 동심 스프링 모델, 기질의 추가 질량을 표현하는 원뿔 모델, 강체 지면 시뮬레이터, 저항력 이론에 기반한 편심 준정적 모델, 편심 스프링 모델이다. 이 모델들은 상호작용을 서로 다른 방식으로 단순화한다. 일부는 힘이 발의 중심을 통해 작용한다고 가정하고, 일부는 침투 깊이의 차이를 무시하며, 또 일부는 밀려난 기질의 관성 변화까지 고려하지 않는다.
또한 MILD는 순응성 지형을 위해 설계된 수동성 기반 전신 제어기와도 비교했다. 이 제어기는 안정성을 우선하기 위해 계산량이 큰 온라인 최적화를 수행한다. 반면 MILD는 사전에 최적화된 강화학습 정책을 사용한다. 보고된 실험에서 MILD는 더 작은 질량중심 진동과 더 안정적인 동적 보행을 보였다.
가장 실용적인 결과는 하드웨어 실험에서 나타났다. 제어기는 지면 강성이 갑자기 바뀌어도 적응했으며, 안정적인 움직임을 잃지 않고 서로 다른 변형 수준의 지면 사이를 이동했다. 동시에 각 지면의 기계적 특성도 온라인으로 분류했다.
MILD는 부드러운 지면을 어떻게 모델링하고 적응하나?
강체 지면 시뮬레이션은 대개 접촉을 짧고 국소적인 충돌로 취급한다. 단단한 바닥에서는 이 근사가 어느 정도 잘 작동하지만, 두 발 로봇의 발이 부드러운 표면을 누르는 상황에서는 한계가 분명해진다. 실제 발판은 넓은 영역에 걸쳐 지면을 파고들 수 있고, 한쪽 가장자리가 먼저 들어가며, 부위마다 가라앉는 깊이가 다르고, 발의 움직임에 따라 기질이 내는 힘도 변한다.
MILD는 발판 전체에 상호작용 힘을 분산시키는 접촉 모델로 이 문제를 해결한다. 이 모델은 다음 세 가지 핵심 효과를 포착한다.
- 편심 침투: 발이 중심에서 벗어난 위치로 지형에 들어가면서 하중과 토크가 고르지 않게 발생할 수 있다.
- 공간적으로 달라지는 침투: 접촉면의 각 지점이 서로 다른 깊이를 경험하므로 발생하는 힘도 달라진다.
- 시간에 따라 변하는 상호작용: 고속 충돌과 기질의 변위가 접촉 과정에서 힘을 바꾼다.
이 접근법은 단일 스프링 모델보다 상세하면서도 대규모 강화학습 훈련에 사용할 수 있을 만큼 계산 가능하다. 여기서 ‘계산 가능하다’는 것은 물리적 현실성과 시뮬레이션 속도 사이의 균형을 맞춘다는 뜻이다. 흙이나 모래를 입자 단위로 정밀하게 시뮬레이션하면 정책을 반복해서 훈련하기에는 계산 비용이 지나치게 커진다.
학습된 제어기는 접촉 모델 위에 적응 능력을 더한다. 인코더는 몸체의 움직임, 발과 지면의 상호작용, 접촉 반응 같은 관측값을 처리한 뒤, 지형에 관한 핵심 정보를 잠재 표현으로 압축한다. 변조 메커니즘은 이 표현을 정책의 의사결정에 반영해 지면의 순응도가 변할 때 발 디딤 위치, 몸체 움직임, 힘 조절 방식을 바꿀 수 있게 한다.
이 정책은 걷기 전에 지형의 종류를 명시적으로 입력받을 필요가 없다. 대신 로봇이 실제로 보이는 물리적 반응을 통해 지면을 파악한다. 이는 강성이 갑자기 바뀌는 상황에서 특히 중요하다. 미리 정해 둔 지형 범주는 변화가 일어나는 순간 곧바로 쓸모없어질 수 있기 때문이다.
이 연구가 로보틱스에 중요한 이유는 무엇인가?
다리형 로봇이 투입될 것으로 기대되는 환경에는 변형 가능한 지형이 흔하다. 건설 현장, 재난 지역, 농경지, 해변, 숲, 자갈밭, 마감되지 않은 산업 공간 등이 그 예다. 단단한 바닥에서만 훈련된 로봇은 발이 갑자기 가라앉거나 미끄러지고, 몸체가 앞으로 크게 기울거나, 예상보다 많은 에너지를 소비할 수 있다.
MILD는 값비싼 실환경 데이터 수집에만 의존하지 않고 이런 조건을 위한 제어기를 훈련할 수 있는 실용적인 방법을 제시한다. 더 나은 접촉 모델은 하드웨어 시험 전에 정책이 현실적인 실패 양상을 경험하게 하며, 온라인 순응도 추정은 지형마다 별도의 정책을 만들지 않고도 하나의 제어기가 여러 표면에 대응하도록 돕는다.
이 연구는 넓은 발판을 다루면서 변화하는 지지 조건 위에서 직립 자세를 유지해야 하는 휴머노이드 플랫폼과 특히 관련이 깊다. 이러한 시스템을 검토하는 조직은 Robot Overflow에서 휴머노이드 로봇을 살펴보고 현재 출시된 플랫폼과 폼팩터를 비교할 수 있다.
같은 원리는 산업 자동화에도 중요하다. 다양한 지면 조건을 처리할 수 있는 두 발 로봇은 정교하게 설계된 공장 바닥을 넘어 작업할 수 있으며, 중고 산업용 로봇 목록에 소개된 기존 로봇을 보완할 수 있다. 더 넓게 보면 이 연구는 지형 모델링이 단순한 시뮬레이션 세부 사항이 아니라는 점을 보여준다. 지형 모델은 제어기의 신뢰성, 에너지 소비, 실제 배치 위험에 직접 영향을 미친다.
MILD에 남은 한계와 과제는 무엇인가?
보고된 시스템은 변형 지면 보행에 초점을 맞추고 있으며, 모든 야외 지형 조건을 해결하는 완전한 해법은 아직 아니다. 표면 변형은 물리적 상호작용을 통해 추정되므로, 지형의 형태나 재료 경계, 눈에 보이지 않는 연약 지점에 관한 시각 정보는 아직 제어기에 통합되지 않았다.
하드웨어 실험은 서로 다른 강성의 변형 지면 사이를 전환하는 능력을 보여줬지만, 날씨, 습기, 경사, 불규칙한 지형, 장시간 운용까지 폭넓게 검증한다면 현장 배치 가능성을 더욱 확실히 평가할 수 있을 것이다. 또한 원문은 모든 기준선과 시험 조건을 아우르는 종합 성능표를 제시하지 않으므로, 성능 향상의 규모는 수치보다는 정성적으로 더 분명하게 드러난다.
연구진이 제시한 향후 과제에는 시각 기반 지형 변형 인식, 달리기와 점프를 포함한 다중 보행 일반화, 모델 기반 제어와의 통합이 포함된다. 이러한 확장은 학습된 순응도 표현이 보행을 넘어, 그리고 현재 로봇 구성 자체를 넘어 전이될 수 있는지를 검증하게 될 것이다.
구매자와 엔지니어가 MILD에 대해 자주 묻는 질문
MILD는 어떤 문제를 해결하나? MILD는 발이 부드럽거나 변형 가능한 지면에 불균일하게 파고들고 상호작용하는 상황에서도 두 발 로봇이 안정적이고 효율적으로 걷도록 돕는다.
MILD는 지형마다 별도의 제어기가 필요한가? 아니다. 제어기는 상호작용 데이터를 바탕으로 지형의 순응도를 추정하고, 하나의 학습 정책을 변화하는 지면 특성에 맞게 조정한다.
점 접촉 모델보다 발판 모델이 나은 이유는 무엇인가? 발판 모델은 접촉면 전체에 걸쳐 발생하는 불균일한 힘을 포착한다. 여기에는 발이 중심에서 벗어나 삽입되는 현상과 발의 각 부위에서 나타나는 서로 다른 침투 깊이가 포함된다.
MILD는 실제 로봇에서 시험됐나? 그렇다. 하드웨어 실험에서 강성의 급격한 변화에 적응하고, 서로 다른 수준의 변형 지면 사이를 전환하는 능력이 확인됐다.
결론
MILD는 정밀도가 향상된 변형 접촉 모델과, 보행 중 지형의 순응도를 파악하는 강화학습을 결합한다. 시뮬레이션과 하드웨어 실험 결과는 현실적인 발-지형 상호작용 모델이 안정성을 높이고 질량중심의 움직임을 줄이며, 두 발 로봇이 서로 다른 부드러운 지면을 지날 때 빠르게 적응하도록 도울 수 있음을 보여준다.