Unitree G1 휴머노이드는 깊이 카메라와 학습된 두 개의 제어기를 사용해 실제 환경에서 걷고 달리며 계단을 오르고 상자 위로 점프하거나 내려옵니다. 시스템은 동작 선택과 로봇 몸체 제어를 분리한 뒤 강화학습으로 동작 생성기를 미세조정합니다. 연구진은 동작 선택에서 최대 80퍼센트포인트, 과제 성공률에서 최대 25퍼센트포인트 향상됐다고 보고합니다.
목차
- 연구진은 무엇을 만들었나요?
- 주요 결과는 무엇인가요?
- 시스템은 어떻게 작동하나요?
- 로보틱스 분야에서 왜 중요한가요?
- 한계와 미해결 과제는 무엇인가요?
- 구매자와 엔지니어가 자주 묻는 질문은 무엇인가요?
- 핵심은 무엇인가요?
연구진은 무엇을 만들었나요?
연구진은 휴머노이드 로봇을 위한 두 부분으로 구성된 제어 시스템을 만들었습니다. 동작 생성기는 깊이 이미지와 요청된 이동 속도를 입력받아 짧은 전신 동작 계획을 생성합니다. 별도의 추적 제어기는 그 계획을 관절 명령으로 변환하고, 균형을 유지하면서 로봇의 움직임이 기준 동작을 따르도록 조정합니다. 생성기는 0.24 seconds마다 계획을 갱신하고, 추적기는 50 Hz로 연속 작동합니다.
시스템은 실내와 실외에서 Unitree G1으로 시연됐습니다. 걷기와 달리기, 서 있기, 계단 오르기, 상자 점프를 수행했습니다. 장면을 해석하고 모든 관절을 직접 제어하는 일을 하나의 정책에 맡기는 대신, 두 정책에 역할을 나눠 맡겼습니다. 한 정책은 카메라에 포착된 환경에 맞는 동작을 선택하고, 다른 정책은 그 동작을 실행합니다.
훈련 예시를 만들기 위해 연구팀은 사람의 움직임을 포착한 뒤 로봇에 맞게 최적화했습니다. 이 과정을 통해 다양한 속도와 방향, 지형과의 상호작용을 위한 수백 개의 동작 기준이 만들어졌습니다. 이렇게 구축된 시스템은 동작 데이터, 지형을 고려한 계획, 실시간 로봇 제어를 하나의 파이프라인으로 연결합니다.
주요 결과는 무엇인가요?
주요 성능 향상은 강화학습으로 동작 생성기를 미세조정한 결과입니다. 미세조정 전의 해당 결과와 비교했을 때, 이 접근법은 동작 선택을 최대 80퍼센트포인트, 과제 성공률을 최대 25퍼센트포인트 향상했습니다. 이는 보고된 최대 향상 폭이며, 모든 과제에서 같은 수준으로 성능이 개선된다는 뜻은 아닙니다.
| 보고된 지표 | 미세조정에 따른 향상 폭 |
|---|---|
| 동작 선택 | 최대 80퍼센트포인트 |
| 과제 성공률 | 최대 25퍼센트포인트 |
논문에는 실내외 환경에서 걷기, 달리기, 계단 이동, 상자 점프를 수행한 실제 로봇 시연도 보고돼 있습니다. 시스템은 장애물이 나타날 때마다 새로운 속도 명령을 받지 않고도 지형에 맞춰 행동을 조정하면서 지정된 이동 속도를 유지했습니다. 두 대의 깊이 카메라 덕분에 다가오는 장애물을 미리 인식하고 속도를 늦출 수 있었습니다. 연구진은 위쪽 카메라를 제거하면 이 능력이 크게 저하된다고 보고합니다.
이 결과는 측정 가능한 미세조정 효과와 실제 하드웨어 시연을 모두 보여줍니다. 다만 공개된 결과에는 절대 성공률, 과제별 상세 분석, 다른 로봇 시스템과의 직접적인 수치 비교가 없습니다. 따라서 퍼센트포인트 향상 폭은 하드웨어 테스트에서 얻은 정성적 증거와 함께 해석해야 합니다.
시스템은 어떻게 작동하나요?
과정은 사람의 움직임 데이터에서 얻은 동작 기준으로 시작합니다. 연구팀은 로봇 동역학 시뮬레이터를 사용해 기준 동작을 최적화함으로써 로봇의 물리적 능력과 목표 속도에 더 잘 맞도록 했습니다. 최적화 과정에서는 주기적 동작도 적용할 수 있습니다. 예를 들어 보행 주기가 시작 지점으로 자연스럽게 이어지는 상태에서 끝나도록 할 수 있습니다. 완성된 라이브러리에는 다양한 방향의 걷기와 달리기 등 정상 상태 동작 252개와 계단 및 상자 점프를 위한 기준 동작 46개가 포함됐습니다. 전체 훈련 라이브러리는 140개의 지형 형상에 걸친 10,000개의 클립으로 구성됐습니다.
추적기는 이 기준 동작을 따르도록 학습합니다. 피드백 제어기는 로봇의 현재 상태와 계획된 움직임을 비교한 뒤 관절 위치 목표값을 로봇의 모터 제어기에 보냅니다. 관절 각도만 추적하는 것이 아니라 로봇 몸체 링크의 위치도 추적하며, 원치 않는 접촉과 과도한 토크, 관절 한계를 벗어나는 움직임을 억제하도록 훈련됩니다. 또한 훈련 중 물리적 특성과 센서 측정값을 무작위로 바꿔 제어기가 하나의 특정 시뮬레이션 설정에 지나치게 의존하지 않도록 합니다.
동작 생성기는 플로 매칭으로 학습한 트랜스포머입니다. 플로 매칭은 점진적으로 정제되는 출력 시퀀스를 통해 궤적을 생성하는 방법을 학습하는 기법입니다. 생성기는 두 카메라의 깊이 이미지, 요청된 속도, 이전 궤적을 간결하게 기록한 정보를 조건으로 삼아 계획을 만듭니다. 카메라는 사전에 구축된 지형 지도가 아니라 직접적인 깊이 정보를 제공하며, 시스템은 오도메트리를 요구하지 않습니다. 실제 작동 시 생성기는 8회의 정제 단계를 사용하며 실행 시간은 약 11 milliseconds입니다. 추적기의 실행 시간은 1 millisecond 미만입니다. 추적기에 입력되는 깊이 이미지는 30 by 26 pixels로 다운샘플링됩니다.
로보틱스 분야에서 왜 중요한가요?
휴머노이드 로봇에는 평평한 바닥에서 안정적으로 걷는 것 이상의 능력이 필요합니다. 지면의 변화에 반응하면서 몸 전체를 조율해야 하며, 장애물이 나타날 때마다 사람이 새로운 동작을 선택할 때까지 기다리지 않고 이를 수행해야 합니다. 이 시스템은 동작 생성과 동작 추적을 분리해 유연한 계획과 빠르고 빈번한 제어를 결합하는 실용적인 방법을 제시합니다.
카메라를 사용하면 지형 변화에 더 민감하게 제어할 수 있습니다. 전방을 향한 높은 위치의 카메라는 로봇이 장애물에 도달하기 전에 이를 포착하고, 낮은 위치의 카메라는 주변 지면과 다리를 살핍니다. 이로써 로봇은 기존 속도 명령을 유지하면서 속도를 조정할 수 있습니다. 계단이나 높게 솟은 바닥, 바닥 구조가 바뀌는 시설에서는 지형을 미리 인식하는 능력이 경로 지도를 요구하지 않고도 로봇의 적응을 돕습니다.
이 결과는 특히 이동 작업이 평지 보행을 넘어서는 경우, Robot Overflow의 휴머노이드 로봇을 검토하는 구매자에게 유용합니다. 이번 시연이 감독자 없이 상업적으로 운영할 준비가 됐음을 입증하는 것은 아닙니다. 다만 인식, 학습 기반 동작 계획, 빠른 안정화 제어기가 실제 하드웨어에서 어떻게 함께 작동할 수 있는지를 보여줍니다.
한계와 미해결 과제는 무엇인가요?
시스템은 물체의 모양과 거리는 나타내지만 의미는 알려주지 않는 깊이 정보를 사용합니다. 상자 모양의 물체를 감지할 수는 있지만, 그 위로 점프하는 것이 안전하거나 적절한지는 알지 못합니다. 논문은 이런 종류의 의미 기반 지시를 표현하는 메커니즘을 설명하지 않습니다.
훈련 파이프라인에도 여전히 사람의 개입이 필요합니다. 사람이 기준 동작을 선택하거나 휴리스틱으로 고르며, 일부 전환 설정은 수작업으로 조정해야 합니다. 미세조정은 직접 설계한 보상 함수에 의존하므로 매우 다른 기술에 재사용하기 어려울 수 있습니다. 제공된 결과에는 보고된 퍼센트포인트 향상 폭에 대한 과제별 상세 분석이 없으며, 카메라 제거 실험도 수치가 아닌 정성적 설명으로 제시됩니다. 더 긴 기간의 운용, 다양한 환경, 시연된 기술 범위를 벗어난 과제에서의 신뢰성을 파악하려면 추가 테스트가 필요합니다.
구매자와 엔지니어가 자주 묻는 질문은 무엇인가요?
로봇은 하나의 정책으로 계획하고 관절을 제어하나요? 아니요. 생성기가 짧은 동작 계획을 만들고, 더 빠른 추적 제어기가 이를 관절 목표값으로 변환합니다.
시스템은 어떤 센서를 사용하나요? 몸통의 높은 위치와 낮은 위치에 각각 하나씩, 깊이 카메라 두 대를 사용합니다. 정책에는 깊이 이미지가 직접 입력되며 오도메트리는 필요하지 않습니다.
어떤 동작을 시연했나요? 실내외 시연에서 Unitree G1은 걷고 달리고 서 있었으며, 계단을 이동하고 상자 위로 점프하거나 내려왔습니다.
보고된 향상 폭은 절대 성공률인가요? 아니요. 논문은 동작 선택에서 최대 80퍼센트포인트, 과제 성공률에서 25퍼센트포인트의 향상을 보고하지만, 이 수치는 절대 성공률이 아닙니다.
핵심은 무엇인가요?
이 연구는 깊이 인식을 이용해 다양한 지형에 맞는 동작을 선택하는 휴머노이드 로봇과, 하드웨어에서 그 동작을 추적하는 별도의 제어기를 선보입니다. 미세조정 결과는 유망하지만, 더 폭넓은 배포를 위해서는 의미 이해, 수작업 설정 축소, 더 상세한 성능 측정이 여전히 중요합니다.