KINESIS: Motion Imitation for Human Musculoskeletal Locomotion

이 논문은 강화학습을 기반으로 인간 근골격계 운동의 생리학적 타당성을 확보하고 290 개 이상의 근육을 제어할 수 있는 새로운 모션 모방 프레임워크 'KINESIS'를 제안하며, 이를 통해 다양한 하위 작업 수행과 인간 EMG 데이터와의 높은 상관관계를 입증했습니다.

핵심

이 논문은 **"KINESIS(키네시스)"**라는 이름의 새로운 인공지능 기술을 소개합니다. 이 기술은 로봇이나 가상의 인형이 마치 실제 인간처럼 걷고, 뛰고, 공을 차는 법을 배우게 해줍니다.

기존의 로봇 기술이 "관절에 힘을 가하라"는 식의 단순한 명령으로 움직였다면, KINESIS 는 **"근육을 수축하고 이완하라"**는 식으로, 우리 몸의 생리학적 원리 그대로 움직이도록 설계되었습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 왜 이 기술이 필요한가요? (기존의 문제점)

기존의 로봇 운동 기술은 마치 인형의 관절에 전동기를 달아서 움직이는 것과 비슷했습니다. "무릎을 30 도 구부려라", "발목을 10 도 틀어라"라고 명령하면 기계적으로 움직입니다.

하지만 실제 인간의 몸은 수백 개의 근육과 힘줄이 복잡하게 얽혀 있고, 뼈의 구조와 관절의 제약이 매우 정교합니다. 기존 기술은 이 복잡한 '살과 근육'의 느낌을 무시하고 단순히 '관절'만 움직였기 때문에, 인간처럼 자연스럽고 유연하게 움직이기 어려웠습니다.

2. KINESIS 는 무엇인가요? (해결책)

KINESIS 는 **"실제 인간의 운동 영상을 보고, 근육을 어떻게 써야 할지 스스로 터득하는 AI"**입니다.

• 학습 방법: 연구진은 1 시간 48 분 분량의 실제 인간이 걷고, 뛰고, 방향을 바꾸는 영상 데이터를 AI 에게 보여줬습니다.
• 비유: 마치 유년기 아이가 부모님의 걸음걸이를 보고, 넘어지지 않으려고 발끝을 어떻게 대야 하는지, 엉덩이를 어떻게 움직여야 균형을 잡는지 눈으로 보고 몸으로 익히는 과정과 같습니다.
• 결과: AI 는 단순히 영상을 따라 하는 것을 넘어, 수백 개의 근육을 어떻게 조율해야 할지 스스로 배웠습니다.

3. KINESIS 의 놀라운 능력들

① "어떤 걸음걸이든 따라 해!" (모방 학습)

KINESIS 는 걷기, 뛰기, 제자리에서 돌기, 뒤로 걷기 등 다양한 동작을 완벽하게 따라 합니다.

• 비유: 춤추는 강사가 다양한 춤을 추면, 그 강사의 모든 근육의 움직임 패턴을 기억해 둔 뒤, 새로운 춤을 추라고 해도 그 패턴을 적용해 자연스럽게 따라 추는 것입니다.

② "말만 하면 알아서 해!" (텍스트 제어)

"왼쪽으로 돌아서 걸어", "원형으로 걷기"라고 말만 하면, KINESIS 는 그 명령을 이해하고 움직입니다.

• 비유: 마치 마법사가 주문을 외우면 로봇이 알아서 그 주문에 맞는 동작을 취하는 것과 같습니다. 별도의 추가 학습 없이도 즉시 가능합니다.

③ "공을 차서 골인!" (복잡한 미션)

단순히 걷는 것을 넘어, 축구 페널티 킥을 차는 임무도 수행했습니다. 골키퍼를 속이고 공을 차서 골인하는 것입니다.

• 비유: 걷는 법을 배운 아이가, 이제 축구공을 차는 법을 스스로 터득하여 프로 선수처럼 골을 넣는 것과 같습니다.

4. 가장 중요한 발견: "근육의 심장을 뛰게 하다" (EMG 분석)

이 연구의 가장 큰 성과는 생리학적 타당성입니다.
KINESIS 가 움직일 때 근육이 어떻게 활성화되는지 측정해 보니, 실제 인간의 근육 전기 신호 (EMG) 와 거의 똑같았습니다.

• 비유: 다른 로봇들은 "관절이 움직이는 궤적"만 흉내 냈다면, KINESIS 는 **"근육이 수축하고 이완되는 느낌"**까지 완벽하게 재현했습니다. 마치 로봇이 살이 붙고, 피가 돌고, 신경이 통하는 진짜 인간처럼 움직인 것입니다.
• 연구진은 이를 통해 "인간이 어떻게 움직이는지"에 대한 과학적 질문에 답할 수 있는 새로운 실험실 (시뮬레이션) 을 만들었다고 말합니다.

5. 어떻게 이렇게 똑똑하게 배웠나요? (기술적 비법)

KINESIS 가 실패한 동작을 반복해서 학습하는 **'부정적 채굴 (Negative Mining)'**이라는 기술을 썼습니다.

• 비유: 학생이 시험을 볼 때, 틀린 문제만 따로 모아놓고 그 문제들을 집중적으로 반복해서 풀게 하는 학습법입니다. 처음에는 모든 걸 다 틀릴 수 있지만, 틀린 부분만 계속 고쳐나가면서 결국 모든 동작을 완벽하게 마스터하게 됩니다.

요약

KINESIS는 단순히 "관절"을 움직이는 로봇이 아니라, "근육"을 이해하고 인간처럼 자연스럽게 움직이는 AI입니다.

• 기존: 기계적인 관절 제어 (인형)
• KINESIS: 생리학적 근육 제어 (실제 인간)

이 기술은 앞으로 더 똑똑한 휴머노이드 로봇을 만드는 것은 물론, 인간의 운동 장애를 연구하거나 재활 치료를 개발하는 데도 큰 도움을 줄 것으로 기대됩니다. 마치 로봇에게 인간의 '영혼' (근육의 움직임) 을 불어넣은 것과 같은 혁신입니다.

기술 요약

1. 문제 정의 (Problem Statement)

기존의 물리 기반 인간형 로봇 (Humanoid) 제어 연구는 강화학습 (RL) 을 통해 인간 운동 모방에 impressive 한 성과를 거두었지만, 다음과 같은 근본적인 한계가 있었습니다:

• 비현실적인 제어 방식: 대부분의 기존 모델은 토크 (Torque) 기반 제어기를 사용하며, 실제 인간의 근육 - 힘줄 (Musculotendon) 구조와 생리학적 제약을 반영하지 못합니다.
• 생체 역학적 복잡성 부재: 인간의 운동은 수백 개의 근육 - 힘줄 기관과 복잡한 관절 형태에 의해 구동되는데, 기존 접근법은 이를 단순화하여 실제 인간 운동 제어의 핵심 요소 (비선형성, 과구동성 등) 를 포착하지 못했습니다.
• 데이터 기반 검증 부족: 기존 근육 기반 운동 연구들은 전방 보행 (Forward gait) 에만 집중하거나, 실제 인간 데이터 (EMG 등) 와의 정량적 비교가 부족했습니다.

이러한 한계를 극복하고, 실제 인간과 유사한 생리학적 타당성 (Physiological Plausibility) 을 가지면서도 다양한 보행 기술을 학습할 수 있는 근육 기반 제어 프레임워크가 필요했습니다.

2. 방법론 (Methodology)

KINESIS는 모델 프리 (Model-free) 강화학습을 기반으로 한 운동 모방 프레임워크입니다. 주요 구성 요소는 다음과 같습니다.

A. 생체 역학 모델 (Musculoskeletal Models)

OpenSim 기반의 MyoSuite 라이브러리를 활용하여 세 가지 복잡도의 근육 모델을 사용했습니다.

• Legs: 80 개의 근육 - 힘줄 유닛으로 하체만 제어.
• Legs+Abs: 86 개의 근육 (상체 자세 제어를 위한 복근 추가).
• Legs+Back: 290 개의 근육 (가장 복잡한 버전, 등 근육 모델 포함, 전체 요추 제어 가능).
• 모든 모델은 SMPL 체형 데이터와 호환되도록 설계되어 모션 캡처 (MoCap) 데이터와의 매칭이 용이합니다.

B. 데이터셋 및 전처리

• KIT-Locomotion: KIT 모션 데이터셋에서 걷기, 회전, 뒤로 걷기, 달리기 등 5 가지 보행 스킬에 해당하는 1.8 시간 분량의 MoCap 데이터 (1,054 개 시퀀스) 를 선별하여 학습에 사용했습니다.
• 역운동학 (Inverse Kinematics): 카르테시안 공간의 모션 데이터를 관절 각도 공간으로 변환하여 모델 초기화를 수행했습니다.

C. 강화학습 및 보상 함수

• PPO (Proximal Policy Optimization): 고차원 제어에 적합한 Lattice 탐색 방법과 결합하여 학습했습니다.
• 보상 구조:
  • 모방 보상: 관절 위치 및 속도의 유클리드 거리 기반 (지수 커널 적용).
  • 에너지 효율: 동시 근육 활성화 (Co-activation) 를 억제하기 위해 L1/L2 정규화를 통한 에너지 소모 패널티.
  • 자세 유지: 골반의 기울기 (Tilt) 에 대한 보상.
• 제어 방식: 기존 PD 제어기 방식과 비교하여, 정책 출력을 직접 근육 활성화 신호로 매핑하는 Direct Control 방식을 채택하여 학습 및 시뮬레이션 속도를 획기적으로 개선했습니다.

D. 학습 전략: Hard Negative Mining 및 MoE

• Hard Negative Mining: 학습 과정에서 실패한 모션 시퀀스를 식별하여 별도의 '전문가 (Expert)' 네트워크로 재학습시키는 과정을 반복합니다.
• Mixture of Experts (MoE): 여러 전문가 네트워크를 하나의 게이트 네트워크 (Gating Network) 가 상황에 따라 선택하도록 결합하여, 다양한 보행 스킬을 하나의 정책으로 통합합니다.

3. 주요 기여 (Key Contributions)

1. 고차원 근육 제어 프레임워크: 290 개의 근육을 가진 복잡한 생체 역학 모델을 모델 프리 RL 로 성공적으로 제어하는 최초의 프레임워크 중 하나입니다.
2. 생리학적 타당성 (EMG 상관관계): 학습된 정책이 생성한 근육 활성화 패턴이 실제 인간의 근전도 (EMG) 데이터와 높은 상관관계를 보임을 입증했습니다. 이는 단순히 모션을 따라 하는 것을 넘어, 인간 신경계와 유사한 제어 방식을 학습했음을 시사합니다.
3. 범용성 및 확장성:
   • Zero-shot Text-to-Control: 자연어 프롬프트 (예: "원형으로 걷기") 를 입력받아 추가 학습 없이 모션을 생성했습니다.
   • 다운스트림 태스크: 목표 지점 도달 (Target Reaching) 및 축구 페널티 킥 (Goalkeeper를 제치고 골인) 과 같은 복잡한 상호작용 태스크에서 성공적인 성능을 발휘했습니다.
4. 오픈 소스 및 벤치마크: 코드, 비디오, 그리고 EMG 비교를 위한 벤치마크를 공개하여 향후 연구의 기준을 제시했습니다.

4. 실험 결과 (Results)

• 모션 모방 성능: KIT-Locomotion 테스트셋에서 99.43% 의 프레임 커버리지와 96.91% 의 성공률을 기록했습니다. 복잡한 모델 (Legs+Back) 일수록 성능이 향상되었으며, Direct Control 방식이 PD 제어 방식보다 더 빠르고 정확했습니다.
• 고수준 제어 태스크:
  • 텍스트 제어: MDM(Motion Diffusion Model) 과 결합하여 텍스트 기반 모션 생성을 성공적으로 수행했습니다.
  • 목표 도달: 학습된 보행 선입견 (Priors) 을 활용하여 미세 조정 (Fine-tuning) 없이도 목표 지점에 도달하는 능력을 보였습니다.
  • 페널티 킥: 다양한 골키퍼 전략 (정적, 무작위, 능동 차단) 을 상대하여 골을 성공시켰습니다.
• EMG 분석:
  • KINESIS 는 기존 baselines (DynSyn, DEP-RL) 보다 인간 EMG 데이터와의 상관관계가 통계적으로 유의미하게 높았습니다.
  • 특히, 관절 각도 오차 (MPJAE) 는 인간 간 차이와 비슷하거나 다소 높았음에도 불구하고, 근육 활성화 패턴 (EMG) 은 인간과 매우 유사하게 학습되었습니다. 이는 운동 모방이 생리학적 제어 메커니즘을 복제하는 데 효과적임을 보여줍니다.

5. 의의 및 결론 (Significance)

• 신경과학 및 로봇공학의 교량: KINESIS 는 단순한 로봇 제어를 넘어, 인간의 운동 제어 메커니즘을 시뮬레이션하는 'in silico 모델'로서의 가능성을 제시합니다.
• 생리학적 타당성의 중요성: 기존 RL 기반 로봇 제어는 종종 비생리학적 행동을 보였으나, KINESIS 는 명시적인 EMG 학습 없이도 모방 학습을 통해 인간과 유사한 근육 패턴을 자연스럽게 획득했습니다.
• 미래 전망: 이 연구는 복잡한 근육 - 신경계 모델링의 발전과 함께, 인간 운동 제어의 근본적인 질문 (예: 근육 시너지, 운동 학습 메커니즘) 을 탐구하는 강력한 도구로 활용될 수 있습니다. 또한, MyoChallenge 2025 에서 우승한 솔루션의 기반이 되었으며, 실제 인간형 로봇의 제어 및 재활 공학 분야에 응용될 잠재력이 큽니다.