복잡한 상호작용이 가능한 체화형 에이전트로 로봇 시스템이 발전하면서, 파지는 더 이상 기하학적 안정성만을 최적화하는 문제로 다룰 수 없게 되었다. 최근 휴머노이드 로봇이 등장하고 대규모 언어 모델(Large Language Models)과 같은 고수준 추론 프레임워크의 지도를 받게 되면서, 파지 역시 작업 수준의 기능적 의도에 직접 부응해야 한다. 정밀한 로봇 조작에는 높은 자유도(DoF)를 지닌 다관절·다지 로봇 핸드가 필요하다. 물체를 손안에서 재배향하거나, 정밀하게 공구를 삽입하거나, 손가락을 번갈아 이동시키거나, 손잡이를 잡는 등의 많은 후속 작업은 제어 가능하고 여러 지점에 분산된 접촉 위상을 요구하기 때문이다. 이러한 접촉 위상은 단순한 평행 조 그리퍼가 제공하는 대칭적 집기나 포괄 파지 능력을 근본적으로 넘어선다.
서론
그러나 높은 자유도 시스템으로의 전환은 기존 파지 계획기의 핵심적인 한계를 드러낸다. 기존 방법은 물리적으로 안정적인 파지를 생성할 수는 있지만, 작업에 부합하는 접촉 위상을 만들어 내는 데 필요한 구조적 특성을 갖추지 못했다. 오늘날 데이터 기반 파지 계획기는 대체로 물체를 잡을 수 있는지에 집중할 뿐, 어떻게 조작해야 하는지는 충분히 고려하지 않는다.
기하학적 안정성과 힘 폐쇄(force closure)만을 최적화하는 이러한 방법은 에너지 측면에서는 안정적이지만 기능적으로는 획일적인 파지로 생성 결과가 편향되는 심각한 문제를 낳는다. 정교한 로봇 핸드는 풍부한 관절형 접촉 능력을 제공하지만, 기존 계획기는 파지 패턴의 다양성이라는 측면에서 그 잠재력을 충분히 활용하지 못하고, 압도적으로 포괄형 파워 그립에 의존한다.
그 결과, 특정 후속 작업에 필요한 정밀 파지를 합성하려면 기능적으로 부적합한 후보를 현실적으로 감당하기 어려운 규모로 생성한 뒤 대부분을 버려야 하므로 효율이 크게 떨어진다.
이 방법은 시뮬레이션과 실제 환경 모두에서 광범위하게 평가되었다. 먼저 기존의 분류 체계 비인지형 계획기가 기능적으로 얼마나 심하게 편향되어 있는지, 검색된 접촉 위상 분포의 엔트로피를 측정해 입증했다. 이어 CoToGrasp를 최신 분류 체계 기반 방법들과 비교하여, 접촉 위상 준수도와 안정성 모두에서 우수한 성능을 확인했다.
이 연구의 핵심 기여는 인간의 파지 분류 체계에서 도출한 구조화된 접촉 위상을 조건으로 파지를 합성하는, 물체 비종속(object-agnostic) 파지 계획기 CoToGrasp다. 이러한 능력을 제대로 평가하기 위해 정교한 파지 계획기에 내재한 기능적 다양성과 의미적 편향을 정량화하는 엄밀한 평가 방법론도 함께 제시한다.
방법
고수준의 기능적 의미와 임의의 물체 형상을 성공적으로 분리하기 위해 물체 비종속 학습 패러다임을 채택했다. 기존 방법과 달리 이 구조는 그리퍼의 점군만으로 학습하고, 추론 단계에서는 대상 물체의 점군을 입력으로 사용한다.
학습 단계에서 모델은 전적으로 표준화된 그리퍼 좌표계 안에서 작동하므로 전역 자세와 무관하다.
모델은 그리퍼의 전역 위치와 방향에 의존하지 않고, 표준화된 그리퍼 좌표계를 사용한다.
네트워크의 입력은 그리퍼의 국소 표면 형상과 의미적 접촉 위상뿐이다. 모델은 이를 바탕으로 해당 물리적 접촉 템플릿 마스크를 복원하는 방법을 학습한다.
결론
이 논문은 접촉 위상을 조건으로 정교한 파지를 합성하는 생성 프레임워크 CoToGrasp를 소개한다. 기능적 의도와 물체의 정체성을 근본적으로 분리함으로써, 이 접근법은 최신 파지 계획기에서 심각하게 나타나는 모드 붕괴를 효과적으로 완화한다.
그 결과 CoToGrasp는 값비싼 물체 주석 데이터셋에 의존하지 않고도, 보지 못한 형상에 대해 제약이 큰 위상 준수형 정밀 파지와 파워 파지를 합성할 수 있다. 광범위한 평가를 통해 검증 파이프라인이 위상적으로 잘못된 구성을 안정적으로 걸러 내며, 최첨단 수준의 의미적 다양성과 물리적 안정성을 달성한다는 사실을 확인했다.
마지막으로 Allegro Hand를 활용한 실제 환경 배치에 성공하면서, 생성된 접촉 위상의 구조적 특성이 실제 로봇 플랫폼에서 물리적으로 실행 가능함을 입증했다.
감사의 글
본 연구는 일드프랑스 지역 의회가 재정 지원한 FactoryIA 슈퍼컴퓨터를 활용하여 수행되었다. 논문에 제시된 실험은 DIM AI4IDF와 PRAIRIE-PSAI의 지원으로 구축된 플랫폼을 통해 진행되었다.
저자들은 본 논문의 실험 결과를 얻는 데 귀중한 도움을 준 Timothée Carecchio에게 감사의 뜻을 전한다.
본 프로젝트는 JARVIS 프로젝트를 통해 유럽연합의 Horizon Europe 연구·혁신 프로그램으로부터 보조금 협약 nº 101135708에 따라 지원받았다.
Liming Chen의 연구는 프랑스 국립연구청(l’Agence Nationale de Recherche)의 Aristotle, Astérix, DEMETER, PROTEUS 프로젝트 지원과 프랑스 국가 우선 투자 프로그램의 PSPC FAIR WASTE 프로젝트 지원을 일부 받았다.
자주 묻는 질문
CoToGrasp는 어떤 문제를 해결하나요? 많은 정교한 파지 계획기가 물리적으로 안정적인 파지만 생성하고 작업에 부합하는 접촉 위상은 만들어 내지 못하는 문제를 해결한다.
이 계획기는 어떤 조건을 바탕으로 파지를 생성하나요? CoToGrasp는 인간의 파지 분류 체계에서 도출한 구조화된 접촉 위상을 조건으로 파지를 합성한다.
이 방법은 어떻게 학습되나요? 구조는 표준화된 그리퍼 좌표계 안에서 그리퍼 점군만을 사용해 학습하며, 추론 단계에서는 대상 물체의 점군을 입력으로 사용한다.
CoToGrasp는 실제 로봇에서 테스트되었나요? 그렇다. Allegro Hand를 실제 환경에 배치한 결과, 생성된 접촉 위상이 실제로 실행 가능함을 확인했다.