접촉이 많은 작업에서 휴머노이드 보행·조작을 위한 힘 반응형 학습 (2026)

휴머노이드 로봇은 사람이 사용하는 환경에서 작업할 수 있는 범용적 신체 형태를 제공합니다. 카트를 밀거나, 무거운 상자를 옮기거나, 표면을 닦는 등 이런 환경에서 수행하는 많은 작업에는 움직임뿐 아니라 접촉력 제어도 필요합니다. 학습 기반 휴머노이드 보행·조작은 일반적으로 움직임 참조를 생성하고 추종하는 방식으로 정식화됩니다. 시연된 손 궤적만 추종해서는 시연의 힘을 재현할 수 없습니다. 힘은 접촉 형상, 강성, 물체의 움직임에도 좌우되기 때문입니다. 고정 베이스 로봇 팔과 달리 휴머노이드는 접촉 하중을 받으면서 균형을 유지해야 하므로, 힘을 조절하는 동시에 손, 몸통, 다리의 움직임을 조정해야 합니다.

힘 반응형 정책 및 전신 제어

상위 수준 플래너는 힘 반응형 확산 정책을 사용합니다. 손목 이미지, 로봇 상태, 각 손에서 측정된 렌치를 입력받아 행동 청크, 그리퍼 폭, 손별 목표 힘을 예측합니다. 힘은 입력과 출력으로 모두 사용됩니다. 입력된 힘은 이미지로는 드러나지 않는 상호작용에 정책이 반응하도록 합니다. 출력된 힘은 보조 목표로만 사용되지 않고 컨트롤러에 명령으로 전달됩니다. 이렇게 시연 중 측정된 힘과 실제 적용되는 힘을 연결합니다.

명령된 힘을 추종하기 위해 하이브리드 컴플라이언스를 갖춘 전신 컨트롤러를 개발했습니다. 컨트롤러는 관절 위치만 출력하므로, 각 손의 힘 명령은 위치 목표의 이동으로 변환됩니다. 접촉 중에는 손목에서 측정한 힘 오차의 적분값으로 이 이동량을 조절해, 접촉 강성과 무관하게 손이 명령된 힘을 가하도록 합니다. 명령되지 않은 축 방향에서는 같은 적분값을 통해 손이 외부의 밀기에 따라 움직일 수 있습니다. 따라서 모드를 전환하지 않고도 각 손이 명령된 방향으로는 힘을 추종하고 다른 방향으로는 유연하게 움직입니다. 컨트롤러는 시뮬레이션에서 학습한 뒤 손목 힘·토크 측정값을 사용해 로봇에 적용합니다.

Unitree G1에 FLoRe를 적용해 다른 로봇이 매달린 갠트리 밀기, 양손으로 상자 회전하기, 보드 닦기 등 전신 접촉 작업 세 가지를 평가했습니다. 시뮬레이션에서 컨트롤러는 전신 움직임을 추종하면서 접촉 중 힘 오차를 손당 약 1 N으로 구현합니다. 실제 로봇에서 FLoRe는 시행의 80%에서 성공했습니다. 같은 시연으로 학습하고 동일한 컨트롤러로 실행하되 힘 명령을 비활성화한 위치 전용 정책의 성공률은 26.7%였습니다. 힘 명령만 제외하면 성공률은 36.7%로 떨어지고, 힘 관측만 제거하면 66.7%로 떨어집니다. 두 요소 모두 최종 성능에 기여합니다.

핵심 기여는 다음과 같습니다.

움직임과 접촉 렌치를 모두 기록한 시연을 바탕으로 힘 반응형 휴머노이드 보행·조작을 학습하는 로봇 비사용 파이프라인.
균형을 유지하고 외력에 유연하게 반응하면서 손별 힘과 키포인트 움직임을 함께 추종하는 학습 기반 전신 컨트롤러.
시뮬레이션과 Unitree G1의 접촉 작업 세 가지에서 수행한 평가. 힘 명령과 힘 관측은 모두 위치 전용 제어보다 작업 성공률을 높입니다.

힘 정보가 주석으로 추가된 로봇 비사용 데이터 수집

데이터 스트림 및 동기화

이미지, 추적기 포즈, 렌치, 그리퍼 폭은 서로 다른 주기로 들어오며, 도착 시점에 하나의 호스트 시계로 타임스탬프가 부여됩니다. 아래의 라벨은 카메라 프레임에 맞춘 것이 아니라 원시 스트림을 바탕으로 생성됩니다. 영점 조정 과도 구간과 누락된 렌치 측정값은 0으로 채우지 않고 마스킹합니다. 영점 조정된 센서는 자유 공간에서도 0을 읽기 때문입니다.

갠트리 밀기

작업

로봇은 사람이 탄 두 번째 휴머노이드가 매달려 있는 무거운 바퀴 달린 갠트리에 양손을 대고, 걸어서 목표 거리만큼 앞으로 밉니다. 시연된 손의 움직임만으로는 어느 정도의 힘으로 밀어야 하는지 알 수 없습니다. 갠트리는 밀어내는 힘이 정지 마찰력을 넘어야 움직이기 때문입니다. 이 작업은 발목 추적기를 사용해 기록한 유일한 작업이므로 정책은 다섯 개의 키포인트를 모두 예측합니다. 갠트리가 멈추지 않고 목표 거리에 도달하면 시행에 성공한 것으로 봅니다.

수행 역량

양손 및 전신 협응: 다리와 몸통이 미는 힘을 만들어내고 양손은 힘의 균형을 맞춰야 합니다. 그렇지 않으면 갠트리가 진행 방향에서 벗어납니다.
지속적인 접촉: 갠트리가 가속하고 로봇이 발을 내딛는 동안 양손이 계속 접촉해야 합니다.
힘 변화에 대한 강인성: 갠트리가 굴러가면서 매달린 휴머노이드가 흔들리므로 저항이 시간에 따라 달라집니다.

테스트 시나리오

갠트리에 실리는 하중 두 가지와 거리 및 방향이 다른 초기 자세 다섯 가지를 조합해 정책별로 10회 시행합니다.

상자 회전

작업

로봇은 양손으로 상자 테두리를 집습니다. 명시되지 않은 각도만큼 상자를 회전시키고, 테이블 위로 약 0.5 m 끌어 이동한 뒤 놓습니다. 상자가 테이블 위에 놓여 있으므로 측정된 렌치에는 테이블 마찰, 상자의 관성, 양손 사이의 내부 압착력이 반영됩니다. 상자가 명시되지 않은 임계 각도보다 크게 회전하고 놓은 뒤에도 똑바로 서 있으면 시행에 성공한 것으로 봅니다.

수행 역량

양손 협응: 양손은 내부 힘을 나눠 부담하고 공통 축을 중심으로 회전시킵니다. 시연에서는 오른손이 왼손 힘의 명시되지 않은 배수에 해당하는 힘을 가합니다. 한 손이 다른 손보다 앞서면 상자가 기울어집니다.
지속적인 접촉: 끌어 이동하고 회전하는 동안 미끄러지거나 상자를 들어 올리지 않고 집은 상태를 유지해야 합니다.
힘 변화에 대한 강인성: 상자의 질량에 따라, 그리고 상자가 미끄러지기 시작할 때 마찰이 달라집니다.

테스트 시나리오

상자 질량 두 가지와 초기 요 각도 다섯 가지를 조합해 정책별로 10회 시행합니다.

성능

FLoRe는 10회 중 9회 성공했으며, 오프라인 포즈 오차는 0.70 cm였습니다. DP는 10회 중 3회 성공했으며 두 가지 실패 양상을 보였습니다. 무거운 상자를 끌지 못하거나, 상자 쪽으로 몸을 기울이다 균형을 잃었습니다. 힘 명령이 없을 때 정책은 10회 중 4회 성공했으며, 예측한 압착력이 실제로 적용되지 않아 비슷한 방식으로 실패했습니다. 힘 입력이 없을 때는 10회 중 7회 성공했지만, 상자가 미끄러지기 시작할 때 반응하지 못했습니다.

보드 닦기

작업

로봇은 지우개를 화이트보드에 대고 표시된 띠를 닦습니다. 성공 여부는 이미지에 보이지 않는 수직항력에 달려 있습니다. 멈추지 않고 띠를 지우면 시행에 성공한 것으로 봅니다.

수행 역량

지속적인 접촉: 로봇은 한 번 닦을 때마다 수직항력을 유지하고 접촉이 끊긴 뒤에는 다시 힘을 가해야 합니다. 이미지 정보만으로는 표면 위에 떠 있는 것과 표면을 누르는 것을 구분할 수 없습니다.
힘 변화에 대한 강인성: 보드를 수직 방향으로 명시되지 않은 거리(센티미터 단위)만큼 이동시킵니다. 궤적을 그대로 추종하면 접촉하지 못하거나 과도한 힘이 발생합니다.

테스트 시나리오

수직 방향으로 명시되지 않은 거리(센티미터 단위)만큼 차이가 나는 보드 위치 두 가지와 표면 두 가지를 조합해 정책별로 10회 시행합니다.

주요 결과 요약

힘 명령은 크고 유의미한 성능 향상을 가져오며, 힘 관측은 그보다 작은 개선 경향을 보입니다. 예측된 힘을 컨트롤러에 전달하지 않으면 성공률은 80% (24/30)에서 36.7% (11/30; Fisher의 정확 검정, 명시되지 않은 검정 통계량 또는 p값)로 떨어집니다. 정책은 저항을 감지하지만 자세만으로 대응할 수 있습니다. 힘 관측을 제거하면 성공률은 66.7%로 감소합니다.

결론

FLoRe는 움직임과 접촉 렌치를 모두 기록한 로봇 비사용 시연을 바탕으로 힘 반응형 휴머노이드 보행·조작을 학습하는 프레임워크입니다. 하이브리드 컴플라이언스 전신 컨트롤러는 학습된 힘 명령을 추종하므로 휴머노이드가 접촉을 유지하고 양손의 움직임을 조정하며, 걸으면서 균형을 잡고 힘을 가할 수 있습니다. 세 가지 작업에서 힘 반응형 정책은 시행의 80%에서 성공했습니다. 위치 전용 정책의 성공률은 26.7%였습니다. 힘을 시연, 정책, 전신 제어를 잇는 공통 인터페이스로 사용함으로써 FLoRe는 움직임만으로는 명시할 수 없는 접촉 중심 기술까지 로봇 비사용 모방 학습의 범위를 넓힙니다.