연구진은 로봇이 전신 동작을 그대로 재현하게 하는 대신, 시연을 바탕으로 로봇이 어디에서 언제 접촉해야 하는지 계획하는 휴머노이드 이동 시스템을 구축했습니다. 시뮬레이션에서 접촉 정보만으로 유도한 방식은 참조 동작 기반 지형의 모든 범주에서 최소 98.5%의 성공률을 달성했으며, 인식과 제어를 온보드에서 실행하는 Unitree G1에도 적용됐습니다.
목차
- 연구진은 무엇을 만들었나요?
- 주요 결과는 무엇인가요?
- 접촉 계획 시스템은 어떻게 작동하나요?
- 로봇공학에서 이 연구가 중요한 이유는 무엇인가요?
- 한계와 남은 질문은 무엇인가요?
- 이 시스템에 관한 자주 묻는 질문은 무엇인가요?
- 로봇공학 팀이 주목할 점은 무엇인가요?
연구진은 무엇을 만들었나요?
이 시스템은 휴머노이드가 지형과 상호작용하기 위한 간결한 계획을 제공합니다. 동작 중 모든 관절 위치를 지정하는 대신, 어떤 신체 부위가 어디에서 접촉해야 하는지, 그리고 그 접촉이 언제 일어날 것으로 예상되는지를 계획에 담습니다. 이를 통해 시연에 담긴 중요한 환경과의 상호작용은 유지하면서도, 세부 동작은 제어기가 결정하도록 합니다.
이러한 차이는 전신 움직임에서 중요합니다. 발 디딤 지점을 옮겨 가며 이동하는 로봇은 손이나 무릎, 팔꿈치를 환경에 대야 할 수도 있습니다. 연구진의 계획기는 접촉에 사용할 수 있는 신체 부위 9곳, 즉 두 발, 두 무릎, 두 손, 두 팔꿈치와 골반을 처리합니다. 따라서 접촉 계획은 일반적인 발걸음 순서보다 다양한 동작을 표현할 수 있습니다.
이 연구는 계획기와 이를 보완하는 두 가지 도구를 결합합니다. 동작 재지정 파이프라인은 사람의 움직임 데이터를 로봇의 신체적 능력에 맞게 조정하고 신체 접촉 정보를 기록합니다. LiDAR 기반 매핑 시스템은 포인트 클라우드 측정값을 국소 지형 지도로 변환합니다. 이 구성 요소들을 함께 사용하면 시연된 상호작용을 바탕으로 학습하고, 실행 중 로봇이 마주치는 지형에서 제어할 수 있습니다.
주요 결과는 무엇인가요?
참조 동작 기반 지형에서 접촉 조건부 추적기는 평가된 모든 범주에서 최소 98.5%의 성공률을 달성했습니다. 비교 실험에서는 동일한 접촉 명령에 참조 루트 및 관절 동작을 추가하면 성능이 향상되는지를 확인했습니다. 일관된 개선은 나타나지 않았으며, 이는 이 데이터셋에 포함된 전신 기술을 수행하는 데 접촉 계획만으로도 충분한 유도가 제공됐음을 보여줍니다.
평가에는 여러 가지 시험 설정도 포함되지만, 보고된 본문에는 모든 설정의 성공률이 제시되어 있지 않습니다. 여기에는 참조 동작 없이 미세 조정하는 데 사용된 목표 도달 지형, 장애물을 추가한 지형, 돌기가 있는 불규칙한 표면이 포함됩니다. 여기에 드문드문 놓인 발 디딤 지점, 전신 장애물, 다양한 이동 거리를 조합한 소형 코스 8개가 추가됐습니다.
| 평가 세부 사항 | 보고된 값 | 설명 |
|---|---|---|
| 참조 동작 기반 지형에서의 성공률 | 모든 범주에서 최소 98.5% | 접촉 조건부 추적 |
| 참조 구성 | 123 | 학습 및 평가에 사용된 구성 |
| 목표 도달 지형 구성 | 32 | 3단계 학습 및 평가에 사용된 구성 |
| 선별된 복합 코스 | 8 | 발 디딤 지점과 장애물을 조합한 별도 코스 |
| 추가된 불규칙 돌기의 진폭 | 5–15 cm | 표면 거칠기를 조절하는 데 사용된 범위 |
따라서 가장 명확하게 보고된 비교 결과는 표현 방식에 관한 것입니다. 참조 동작 기반 시험에서 전신 동작 입력을 추가해도 접촉 정보만으로 유도한 방식보다 일관되게 나은 결과를 보이지 않았습니다. 다른 지형 그룹은 새로운 조건에 대한 대응 능력을 살펴보지만, 공개된 결과 발췌문에는 해당 그룹의 성공률이 명시되어 있지 않습니다. 또한 로봇은 외부 컴퓨터에 의존하지 않고 인식과 제어를 온보드에서 실행하도록 구성됐습니다.
접촉 계획 시스템은 어떻게 작동하나요?
이 시스템은 동작 사례에서 접촉 계획을 만들고, 지형 관측값을 이용해 움직임을 유도합니다. 데이터 준비 과정에서 연구진은 사람의 동작을 휴머노이드에 맞게 재지정하고, 환경에 닿는 신체 부위를 기록합니다. 기록된 각 접촉에는 동작 순서상의 시점과 위치가 포함되므로, 학습 데이터는 상호작용의 순서와 발생 위치를 모두 담습니다.
각 제어 단계에서 계획기는 접촉 가능한 신체 부위 9곳 각각에 대해 접촉 위치를 제안합니다. 목표 위치는 중력 정렬 좌표계에서 로봇 베이스를 기준으로 표현되며, 요 방향을 정렬해 로봇의 절대 위치나 방향에 계획이 좌우되지 않게 합니다. 이진 플래그는 계획 구간 안에 해당 신체 부위가 새로 접촉할 것으로 예상되는지를 나타냅니다. 이렇게 만들어진 계획은 제어기가 세부 관절 동작을 선택할 여지를 남깁니다.
지형 감지는 로봇 머리에 장착된 LiDAR에 맞춰 설계된 신경망 매핑 파이프라인에서 처리합니다. 이 파이프라인은 포인트 클라우드 데이터를 국소 격자로 나누고 고도를 예측합니다. 각 격자에서는 측정된 높이를 유지하거나, 주변 격자의 평균을 사용하거나, 해당 격자를 비워 둘 수 있습니다. 따라서 LiDAR 측정값이 드문 경우에도 대응할 수 있으며, 예측값은 불확실성 추정치도 제공해 지도에 잡음이 있는 측정값을 반영하는 데 도움을 줍니다.
학습은 참조 동작 기반 추적과 참조 동작 없는 목표 도달 미세 조정을 포함한 여러 단계로 진행됩니다. 마찰, 질량, 관절 동작 특성 등의 물리적 속성을 무작위화하고 관측값에도 잡음을 추가합니다. 배포 시에는 Unitree G1의 LiDAR, 상태 추정기, 매핑 파이프라인과 학습된 정책이 온보드 NVIDIA Jetson Orin에서 동시에 실행됩니다.
로봇공학에서 이 연구가 중요한 이유는 무엇인가요?
많은 로봇 제어기는 세부 동작을 재현할지, 시행착오를 통해 직접 움직임을 학습할지 선택해야 합니다. 세부 참조 동작은 이미 알고 있는 동작을 재현하는 데 도움이 되지만, 지형이 시연과 다르면 적응하기 어려울 수 있습니다. 처음부터 학습하는 방식은 유연할 수 있지만, 보상 설계만으로 전신 상호작용을 가르치는 일은 어렵습니다.
접촉 계획은 그 중간 지점을 제공합니다. 시연을 통해 중요한 상호작용의 위치와 시점을 지정하고, 제어기는 그 사이를 어떻게 움직일지 유연하게 결정합니다. 이를 통해 손이나 무릎도 발처럼 지지에 사용하는 작업을 비롯해, 변하는 지형에서 학습된 동작을 재사용하기 쉬워질 수 있습니다. 또한 걷기, 오르기, 기어가기, 회복 동작과 같은 행동에 공통으로 사용할 수 있는 표현을 제공합니다.
외부 감지나 연산이 불편한 환경에서 휴머노이드를 평가하는 팀에게 온보드 구성은 의미가 있습니다. 이 구성만으로 모든 배포 작업에 대한 준비가 입증되는 것은 아니지만, 감지와 매핑, 학습 기반 제어를 로봇에 통합하는 방법을 보여줍니다. 플랫폼을 비교하는 팀은 Robot Overflow에서 휴머노이드 로봇을 둘러보거나, 중고 로봇 매물을 살펴볼 수 있습니다.
한계와 남은 질문은 무엇인가요?
현재의 감지 및 접촉 표현은 주로 지형 기반, 즉 2.5-D 상호작용에 초점을 둡니다. 매핑 시스템은 사다리 가로대와 같은 세밀한 지형 특징을 포착하지만, 매달리기, 머리 위 접촉, 주변 물체 조작과 같은 동작에 필요한 더 풍부한 3D 표현은 아직 제공하지 않습니다.
또한 이 시스템은 전역 내비게이션이 아니라 국소 목표 조건부 이동을 다룹니다. 동일한 접촉 순서를 따르면서도 서로 다른 신체 움직임이 필요한 동작은 구분할 수 없습니다. 백플립과 수직 점프가 그 예로 제시됩니다. 따라서 뚜렷한 접촉 패턴이 없는 공중 동작은 현재 표현 방식에 잘 맞지 않습니다.
더 폭넓게 배포하려면 국소 지형 작업을 넘어서는 근거도 필요합니다. 논문은 시각 기반 및 일반적인 3D 장면 표현, 의미적 작업 입력, 상위 수준 계획을 향후 연구 방향으로 제시합니다. 이러한 요소를 더하면 목표를 선택하고 접촉 정보만으로 모호한 의도된 행동을 구별하는 데 도움이 될 수 있습니다.
이 시스템에 관한 자주 묻는 질문은 무엇인가요?
로봇은 실행 중에 전신 동작 스크립트가 필요한가요? 아니요. 이 방법은 배포 시 전신 참조 궤적을 요구하지 않고 접촉 계획으로 움직임을 유도합니다.
계획기에 어떤 신체 부위를 포함할 수 있나요? 발, 무릎, 손, 팔꿈치, 골반의 접촉을 계획합니다.
배포에 어떤 로봇 하드웨어를 사용했나요? 시스템은 Unitree G1에서 실행됐으며, 인식, 매핑, 상태 추정, 정책 추론은 NVIDIA Jetson Orin에서 온보드로 수행됐습니다.
보고된 98.5%의 성공률은 모든 지형 시험에 적용되나요? 아니요. 이 수치는 참조 동작 기반 지형의 모든 범주에 적용됩니다. 공개된 결과 발췌문에는 다른 지형 그룹의 성공률이 제시되어 있지 않습니다.
로봇공학 팀이 주목할 점은 무엇인가요?
핵심 아이디어는 로봇을 전신 동작 스크립트에 묶어 두지 않으면서 동작 시연의 유용한 구조를 보존하는 것입니다. 접촉 계획은 전신 이동을 유도하는 간결한 방법이며, 보고된 결과는 시험된 참조 동작 기반 지형에서 높은 추적 성능을 내는 데 접촉 계획만으로도 충분할 수 있음을 보여줍니다. 더 폭넓은 3D 상호작용과 내비게이션 작업에서의 성능을 입증하려면 추가 근거가 필요합니다.