연구진이 휴머노이드 로봇을 위한 확장형 행동 기반 모델(BFM)을 개발하여 전역 운동 작업에서 전신 제어 오류를 82% 이상 줄였습니다. 새로운 모션 트래킹 학습 패러다임, 전략적 데이터 시너지, 그리고 특화된 트랜스포머 아키텍처를 결합한 이 접근법은 범용 휴머노이드 제어의 새로운 기준을 제시합니다.
목차
연구진이 개발한 것
연구팀은 확장형 행동 기반 모델(BFM)을 구축했습니다. 이는 수백만 개의 전신 모션 참조를 모방하여 휴머노이드 로봇을 제어하는 딥러닝 시스템입니다. 기존 제어기가 보행, 조작, 자세를 별개의 문제로 다루는 것과 달리, 이 BFM은 모든 휴머노이드 제어 작업을 전역 좌표계에서 통합된 전신 동작을 재현하는 단일 문제로 재정의합니다.
휴머노이드 트랜스포머라고 불리는 이 모델은 관절 각도, 신체 자세, 제어 신호의 시퀀스를 처리하여 실시간으로 모터 명령을 출력합니다. 학습은 로봇이 자체 생성한 동작을 연습하는 시뮬레이션 롤아웃과 인간으로부터 캡처하거나 절차적으로 설계된 다양한 참조 동작 라이브러리의 신중한 혼합에 의존합니다. 그 결과, 걷기, 팔 뻗기, 쪼그려 앉기, 외란 회복 등을 모두 수행할 수 있는 단일 신경망이 탄생했으며, 작업별 미세 조정이 필요하지 않습니다.
연구진은 시뮬레이션과 실제 환경 모두에서 접근법을 검증했으며, 하드웨어 테스트에는 실물 크기 휴머노이드 플랫폼을 사용했습니다.
주요 결과
BFM은 기존 휴머노이드 제어기 대비 눈에 띄는 개선을 달성했습니다:
| 지표 | 기존 제어기 대비 개선율 |
|---|---|
| 평균 키포인트 위치 오차(MPKPE) – 로컬 모드 | 10% 이상 감소 |
| 평균 키포인트 위치 오차(MPKPE) – 글로벌 모드 | 82% 감소 |
| 작업 일반화 (시뮬레이션) | 새로운 동작 시퀀스로 제로샷 전이 |
| 실제 환경 배치 | 다양한 전신 동작 성공적 재현 |
글로벌 모드 개선은 특히 중요합니다. 즉, 로봇이 인간의 걷기나 춤추기 같은 전신 움직임을 이전 방법보다 위치 오차가 거의 5배 적게 추적할 수 있음을 의미합니다. 로컬 모드 개선은 더 작지만, 세밀한 관절 제어에 의미 있는 향상을 제공합니다.
시뮬레이션에서 모델은 재학습 없이도 보지 못한 동작 참조로 일반화하는 능력을 보였으며, 이는 기존 제어기가 갖추지 못한 능력입니다. 실제 환경 테스트는 시뮬레이션에서 학습된 동일한 모델이 물리적 하드웨어로 효과적으로 전이됨을 확인했습니다.
작동 원리
BFM 아키텍처는 세 가지 조율된 설계 선택에 기반합니다:
- 통합된 학습 문제로서의 모션 트래킹 – 연구진은 걷기, 팔 뻗기, 균형 잡기 같은 다양한 휴머노이드 작업을 별도의 정책 학습 문제로 다루는 대신, 모든 것을 '전역 전신 동작 참조 추적'으로 프레임화했습니다. 참조 동작은 3D 공간에서 키포인트(머리, 몸통, 팔, 다리 등) 위치의 시계열입니다. 모델은 로봇의 실제 키포인트가 참조와 일치하도록 하는 관절 토크를 출력해야 합니다. 이 단순한 재구성 덕분에 단일 정책으로 보행, 조작, 자세를 모두 처리할 수 있습니다.
- 전략적 데이터 시너지 – 학습 데이터는 두 출처에서 비롯됩니다: 학습 중 생성된 온폴리시 롤아웃(로봇이 동작을 따라 하려고 시도하고 결과 (상태, 행동) 쌍이 기록됨)과 다양한 참조 동작의 오프라인 데이터셋입니다. 연구진은 핵심이 단순히 많은 데이터가 아니라 온폴리시 롤아웃의 양과 참조 동작의 다양성 사이의 균형임을 발견했습니다. 온폴리시 데이터가 너무 많으면 과적합이 발생하고, 다양성만 많고 연습이 부족하면 추적 성능이 좋지 않습니다. 그들은 최적의 일반화를 제공하는 최적 비율을 찾았습니다.
- 휴머노이드 트랜스포머 – 로봇 상태와 참조 동작의 시간적 시퀀스를 처리하는 트랜스포머 기반 신경망입니다. 인과 마스킹(과거와 현재 정보만을 기반으로 행동 예측)과 새로운 주의 메커니즘을 사용하여 구조화된 표현의 생성을 촉진합니다: 네트워크는 명시적 감독 없이도 신체 부위를 의미 있는 그룹(예: 왼팔, 오른쪽 다리)으로 자동 분리하는 법을 학습합니다. 이러한 구조화된 표현이 강력한 일반화를 가능하게 합니다.
모델은 강화 학습(온폴리시 롤아웃)과 지도 모방 학습(참조 동작 일치)을 사용하여 시뮬레이션에서 학습됩니다. 학습 후 정책은 로봇의 온보드 컴퓨터에서 실시간으로 실행됩니다.
로봇 공학에서의 중요성
휴머노이드 로봇은 공장, 창고, 가정에서 큰 잠재력을 지니지만, 제어가 여전히 병목 현상입니다. 오늘날의 휴머노이드는 종종 뻣뻣하게 움직이거나 쉽게 넘어지거나 각 작업마다 별도의 제어기가 필요합니다. 이 BFM은 단일 모델이 모든 것을 처리하는 미래를 제시합니다: 고르지 않은 지형 걷기, 상자 들기, 그리고 밀침에서 회복까지.
창고 로봇과 중고 산업용 로봇의 경우, 재학습 없이 일반화하는 능력은 배치 비용을 크게 줄일 수 있습니다. 다양한 동작 데이터에서 학습하고 새로운 작업에 즉시 적응할 수 있는 휴머노이드는 각 작업마다 전문 프로그래머가 필요한 로봇보다 훨씬 실용적입니다.
글로벌 추적 오차의 82% 감소는 휴머노이드가 마침내 실제 상호작용에 필요한 유연함으로 역동적인 전신 움직임을 수행할 수 있음을 의미합니다. 이 연구는 또한 Robot Overflow에서 휴머노이드 로봇을 둘러보기에 나타난 휴머노이드가 빠르게 상용화에 근접하고 있음을 입증합니다.
한계와 향후 과제
이 논문은 통제된 환경에서의 모션 트래킹과 작업 일반화에 초점을 맞추고 있습니다. 조명 변화, 장애물, 동적인 군중이 있는 실제 비정형 환경은 아직 테스트되지 않았습니다. 또한 모델은 사전 정의된 참조 동작이 필요하며, 높은 수준의 목표에서 스스로 동작을 계획할 수는 없습니다.
시뮬레이션-실제 전이는 입증되었지만, 모든 휴머노이드 하드웨어 플랫폼으로 확장되지 않을 수 있습니다. 현재 아키텍처는 계산 집약적이어서 저가 로봇에 배치하는 데 제한이 될 수 있습니다. 마지막으로, 온폴리시 데이터와 오프라인 데이터 간의 최적 시너지는 로봇 형태나 동작 라이브러리 구성에 따라 달라질 수 있으며, 그 비법은 아직 보편적이지 않습니다.
자주 묻는 질문
행동 기반 모델(BFM)이란 무엇인가요? BFM은 방대한 양의 행동 데이터(로봇 동작)로 학습된 대규모 신경망으로, 재학습 없이 여러 작업을 처리할 수 있는 범용 제어기를 생성합니다.
휴머노이드 트랜스포머는 표준 트랜스포머와 어떻게 다른가요? 인과적 주의 메커니즘을 사용하고 신체 부위의 구조화된 표현을 학습하여, 모델이 다양한 동작과 환경에 걸쳐 일반화하는 데 도움을 줍니다.
이 모델을 모든 휴머노이드 로봇에 사용할 수 있나요? 특정 실물 크기 휴머노이드 하나로 테스트되었습니다. 아키텍처는 로봇에 무관하지만, 다른 플랫폼에서는 로봇의 기구학과 동역학에 맞춰 재학습이 필요합니다.
MPKPE란 무엇이며 82% 감소가 왜 중요한가요? 평균 키포인트 위치 오차(MPKPE)는 로봇의 실제 신체 키포인트가 목표 동작에서 얼마나 떨어져 있는지를 측정합니다. 82% 감소는 로봇이 인간과 유사한 동작을 거의 완벽하게 따라 한다는 뜻입니다. 이는 춤추기, 물건 운반, 사람과의 상호작용 같은 작업에 매우 중요합니다.
결론
조율된 학습 패러다임, 데이터 전략, 트랜스포머 아키텍처를 통한 확장형 행동 기반 모델은 휴머노이드 제어 성능에 획기적인 변화를 가져왔습니다. 글로벌 추적 오차의 82% 감소는 BFM이 단순한 이론적 아이디어가 아니라 범용 휴머노이드를 향한 실질적인 경로임을 보여줍니다.