💻 computer science

MorphIt: Flexible Spherical Approximation of Robot Morphology for Representation-driven Adaptation

MorphIt는 로봇이 경사 하강법 기반 최적화를 통해 구형 형태 표현을 동적으로 적응할 수 있게 하는 새로운 프레임워크로, 충돌 감지 및 접촉이 빈번한 상호작용과 같은 작업에서 기존 방식보다 속도와 기하학적 충실도 측면에서 크게 뛰어난, 조절 가능한 정확도-효율성 트레이드오프를 제공한다.

원저자: Nataliya Nechyporenko, Yutong Zhang, Sean Campbell, Alessandro Roncone

게시일 2026-08-17

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nataliya Nechyporenko, Yutong Zhang, Sean Campbell, Alessandro Roncone

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

로봇은 세상을 움직이도록 만들어졌지만, 안전하고 능숙하게 움직이기 위해서는 먼저 자신의 몸을 이해해야 합니다. 로봇 공학 분야에서 이러한 이해는 기계가 가진 모든 팔, 관절, 도구의 수학적 표현인 디지털 지도라는 형태로 나타납니다. 수십 년 동안 엔지니어들은 이 지도를 로봇이 무엇을 하든 변하지 않는 고정된 것, 즉 경직된 청사진으로 취급해 왔습니다. 이는 어려운 딜레마를 만들어냅니다. 로봇이 빠르게 움직이고 번잡한 방 안에서 물체와 부딪히는 것을 피하려면 계산이 빠른 단순하고 대략적인 신체 스케치가 필요합니다. 반면, 테이블 위의 컵을 밀거나 좁은 공간으로 비집고 들어가는 것과 같은 섬세한 작업을 수행하려면 로봇은 자신의 피부가 정확히 어디에 있는지 알 수 있는 매우 상세하고 정밀한 모델이 필요합니다. 하나의 변하지 않는 지도는 속도를 위한 단순함과 정밀함을 위한 상세함을 동시에 갖출 수 없습니다.

이러한 안전성과 정교함 사이의 긴장은 오랫동안 로봇의 성취를 제한해 왔습니다. 만약 로봇이 대략적인 스케치를 사용한다면, 통과할 수 있다고 생각했던 물체와 충돌할 수 있습니다. 만약 상세한 모델을 사용한다면, 컴퓨터가 생각하는 데 시간이 너무 오래 걸려 로봇이 느릿하게 움직이거나 기회를 놓치게 됩니다. 연구자들은 서로 다른 작업에 맞춰 서로 다른 지도를 수동으로 설계하는 방식으로 이를 해결하려 노력했지만, 이는 느리고 오류가 발생하기 쉽습니다. 콜로라도 대학교 볼더 캠퍼스의 연구팀이 개발한 새로운 접근 방식은 이 굴레에서 벗어날 방법을 제시합니다. 그들은 로봇이 주어진 작업에 따라 대략적인 스케치와 상세한 초상화 사이를 전환하며, 실시간으로 자신의 디지털 형태를 재고할 수 있는 시스템을 만들었습니다.

연구자들은 이 시스템을 MORPHIT라고 부릅니다. 이 시스템의 핵심은 로봇의 복잡하고 울퉁불퉁한 3D 모델을 매끄럽고 둥근 구(sphere)들의 집합으로 대체하는 것입니다. 이 구들을 로봇의 디지털 몸을 구성하는 블록이라고 생각하십시오. 이 구들을 배치함으로써 시스템은 실제 로봇처럼 보이고 작동하는 형태를 만들 수 있습니다. 혁신은 구를 사용하는 것 자체에 있는 것이 아니라, 그 구들을 선택하는 방식에 있습니다. 이전의 방법들은 사람이 일일이 손으로 구를 배치해야 했거나, 기계를 제어하기 위한 것이 아닌 영화 제작용으로 설계된 컴퓨터 그래픽 기술에 의존했습니다. 이러한 기존 방식들은 실시간으로 사용하기에는 너무 느리거나, 형태가 너무 뭉툭하거나 혹은 너무 성겨서 정확도가 떨어졌습니다.

MORPHIT는 이 구들의 배치를 유연한 자원으로 취급함으로써 판도를 바꿉니다. 이 시스템은 로봇의 디지털 모델을 가져와 구로 덮는 가장 좋은 방법을 자동으로 찾아냅니다. 이는 대부분의 현대적 컴퓨터에 탑재된 강력한 그래픽 카드에서 실행되는 빠른 수학적 최적화 과정을 통해 이루어집니다. 시스템은 서로 다른 목표를 우선시하도록 설정될 수 있습니다. 만약 로봇이 붐비는 복도에서 벽에 부딪히는 것을 피해야 한다면, MORPHIT은 구를 실제 로봇의 몸보다 약간 더 크게 설정하여 '보수적인' 버전을 생성할 수 있습니다. 이는 안전 완충 구역을 만들어 로봇이 장애물에 너무 가까이 가지 않도록 보장합니다. 만약 로봇이 물체를 밀어야 한다면, 시스템은 구가 표면에 밀착되어 정확한 접촉에 필요한 모든 곡선과 윤곽을 포착하는 '정밀한' 버전으로 전환할 수 있습니다.

이 접근 방식의 결과는 놀랍습니다. 테스트에서 이 새로운 시스템은 기존의 최적화 기반 방식보다 최대 100배 빠르게 이러한 구형 지도를 생성했습니다. 이 시스템은 이러한 속도를 유지하면서도 기존 기술보다 우수한 수준의 기하학적 정확도를 달ach성했습니다. 연구진이 Franka Panda라고 알려진 7축 로봇 팔에 이 시스템을 테스트했을 때, 새로운 방법이 순식간에 고품질의 근사치를 생성할 수 있음을 발견했습니다. 이 속도는 매우 중요한데, 이는 로봇이 넓은 방에서부터 복잡한 작업대로 이동할 때 자신의 디지털 신체를 실시간으로 업데이트하며 적응할 수 있다는 것을 의미하기 때문입니다.

이러한 속도와 유연성의 실질적인 영향은 여러 시뮬레이션 시나리오에서 입증되었습니다. 한 테스트에서 연구진은 장애물이 가득한 복잡한 환경을 통과하도록 로봇에게 요청했습니다. 새로운 시스템을 사용했을 때, 로봇은 전통적인 방식을 사용할 때보다 목표 지점에 도달하는 데 성공한 비율이 12.2% 더 높았습니다. 또한 경로를 계산하는 데 드는 시간을 65.6% 단축하여 목표에 더 빨리 도달했습니다. 이러한 개선은 동일한 수준의 안전을 확보하면서도 더 적은 수의 구를 사용하는 시스템의 능력 덕분이었습니다. 또 다른 테스트에서 로봇은 두 개의 큐브 사이의 좁은 통로를 통과해야 했습니다. 새로운 시스템은 기준 방식보다 62.5% 적은 수의 구를 사용하여 해결책을 찾아냈으며, 이는 디지털 블록을 단순히 더 많이 추가하는 것보다 더 똑똑하게 배치하는 것이 더 효율적임을 증명했습니다.

아마도 가장 중요한 발견은 연구진이 물리적 접촉을 통한 물체 조작 능력을 테스트했을 때 나타났습니다. 로봇이 회전하는 물체를 밀어야 하는 작업에서, 로봇의 몸을 희박하고 대략적으로 근사화했던 기존 방식들은 자주 실패했습니다. 그들은 물체를 효과적으로 움직이는 데 필요한 접촉 지점을 놓쳤습니다. 그러나 로봇이 새로운 시스템의 상세한 전신 표현을 사용했을 때, 로와는 팔꿈치와 전완을 포함한 팔 전체를 사용하여 물체를 밀 수 있었습니다. 이를 통해 로봇은 기존의 희박한 방식으로는 20번 성공한 것에 비해, 50번의 시도 중 44번을 성공하며 목표에 도달했습니다. 이 시스템은 마치 인간이 손가락 끝에만 의존하는 대신 어깨나 팔꿈치를 사용하여 무언가를 밀어내는 것처럼, 로봇이 조작을 위해 전신을 사용할 수 있는 능력을 효과적으로 열어주었습니다.

연구진은 이러한 결과가 변수를 완벽하게 제어할 수 있는 통제된 디지털 환경인 시뮬레이션에서 달성되었다는 점을 강조합니다. 이 시스템은 실제 로봇에 사용되는 표준 소프트웨어와 원활하게 통합되도록 설계되었지만, 시뮬레이션에서 물리적 하드웨어로 넘어가는 과정은 여전히 과제로 남아 있습니다. 연구팀은 실제 세계에서 이러한 발견을 검증하려면 현재의 센서로는 포착하기 어려운 정밀한 접촉 및 충돌 측정이 필요하다고 언급했습니다. 그럼에도 불구하고, 이 연구는 로봇 공학의 새로운 방향을 제시합니다. 로봇의 물리적 형태를 정적인 제약 조건으로 보는 대신, MORPHIT은 이를 능동적이고 적응 가능한 도구로 취급합니다. 로봇이 스스로를 인식하는 방식을 동적으로 조정할 수 있게 함으로써, 이 시스템은 속도에 대한 요구와 정밀함에 대한 요구 사이의 간극을 메우며, 이전에는 도달할 수 없었던 수준의 물리적 지능을 갖춘 기계로 가는 문을 열어줍니다.

기술 요약: MORPHIT

문제 정의

현재의 로봇 시스템은 물리적 형태(morphology)를 고정된 제약 조건으로 취급하며, 다양한 작업의 계산 및 정밀도 요구 사항에 적응할 수 없는 경직된 기하학적 표현에 의존하고 있습니다. 이러한 경직성은 근본적인 병목 현상을 야기합니다:

안전성 vs. 정밀도 트레이드오프: 동적인 환경에서의 안전한 운용을 위해서는 충돌을 피하기 위한 빠르고 거친 근사치가 필요하지만, 정밀한 조작을 위해서는 접촉 세부 사항을 포착할 수 있는 고해 resolution 모델이 필요합니다. 단일 고정 표현으로는 이 두 가지를 모두 만족할 수 없습니다.
계산 병목 현상: 충돌 체크를 위해 상세한 메쉬(mesh) 모델을 사용하는 것은 모션 플래닝 파이프라인 실행 시간의 최대 71%를 소비할 수 있어, 실시간 제어를 불가능하게 만듭니다. 반대로, 거친 근사치는 기하학적 오류를 유발하여 충돌을 일으키거나 작업 공간 접근을 제한합니다.
기존 구형 근사법(Spherical Approximations)의 한계: 구형 표현은 우수한 계산 특성( $O(1)$ 거리 복잡도, 미분 가능성, 회전 불변성)을 제공하지만, 이를 생성하는 기존 방식들은 로보틱스에 부적합합니다. 현재의 접근 방식들은 수동 지정에 의존하거나(예: cuRobo), 로봇 제어보다는 시각화에 최적화된 컴퓨터 그래픽 알고리즘(예: VSSA, AMAA)에 의존합니다. 이러한 방법들은 특정 작업 요구 사항에 따라 기하학적 충실도와 계산 효율성 사이의 트레이드오프를 조절할 수 있는 유연성이 부족합니다.

방법론: MORPHIT

저자들은 로봇 형태의 유연한 구형 근사를 위한 프레임워크인 MORPHIT를 소개합니다. 이는 형태적 표현을 튜닝 가능한 자원으로 취급하여, 자동화되고 작업 중심적인 적응을 가능하게 합니다.

핵심 메커니즘

MORPHIT는 로봇 메쉬의 근사를 경사 하강법 기반의 최적화 문제로 정식화합니다. 메쉬 입력을 받아 기하학적 형상을 근사하는 구(sphere)들의 중심점과 반지름 세트를 출력합니다.

미분 가능한 최적화: 순차적이고 CPU 기반인 방식(VSSA의 Lloyd 클러스터링이나 AMAA의 그리디 머징 등)과 달리, MORPHIT는 PyTorch로 구현된 완전 미분 가능한 손실 함수를 사용하여 효율적인 GPU 가속을 지원합니다.
복합 손실 함수: 최적화 과정은 6가지 손실 항(표 1)의 가중 합을 최소화하며, 이를 통해 사용자는 특정 목적에 맞게 근사를 튜닝할 수 있습니다:
1. 커버리지 ( $L_{cover}$ ): 내부 부피 커버리지를 최대화합니다.
2. 중첩 ( $L_{overlap}$ ): 구 사이의 교차를 최소화합니다.
3. 경계 ( $L_{bound}$ ): 구가 메쉬 경계 외부로 확장되는 것을 방지합니다.
4. 표면 ( $L_{surf}$ ): 메쉬 표면 점들과 구 표면 사이의 거리를 최소화합니다.
5. 포함 ( $L_{contain}$ ): 한 구가 다른 구 안에 완전히 포함되는 것을 방지합니다(중첩 페널티의 실패 모드 해결).
6. SQEM ( $L_{SQEM}$ ): 표면 재구성 정확도를 위한 법선 가중 메트릭입니다.

적응형 밀도 제어

품질을 더욱 향 향상하기 위해, MORPHIT는 3D 가우시안 스플래팅(3D Gaussian Splatting)에서 영감을 받은 적응형 밀도 제어 메커니즘을 포함합니다. 최적화가 정체될 때, 시스템은 결정론적으로 효과가 없는 구(작은 반지름 또는 메쉬 외부의 구)를 제거하고, 커버리지가 부족한 영역에 새로운 구를 다시 배치(re-seed)합니다. 이를 통해 연속적인 경사 하강법만으로는 해결할 수 없는 지역 최적점(local minima)을 탈출할 수 있습니다.

통합

출력된 구 세트는 표준 Universal Robot Description Format (URDF) 파일로 자동 변환됩니다. 이를 통해 시뮬레이터(Isaac Sim, MuJoCo, PyBullet, Drake) 및 플래너(OMPL, cuRobo)를 포함한 기존 로보틱스 인프라와 원활하게 통합됩니다.

구성 가능한 변체(Variants)

프레임워크는 작업별 적응성을 입증하기 위해 세 가지 사전 설정된 가중치 구성을 정의합니다:

MORPHIT-V: 부피 커버리지와 포함 관계를 우선시합니다. 안전한 장애물 회피에 이상적인 보수적인 근사치를 생성합니다.
MORPHIT-S: 경계 및 표면 충실도를 우선시합니다. 접촉이 빈번한 조작(contact-rich manipulation)에 정밀한 근사치를 생성합니다.
MORPHIT-B: 일반적인 용도의 근사를 위해 균형 잡힌 가중치를 사용합니다.

주요 기여

MORPHIT 프레임워크: 구형 프리미티브를 사용하여 로봇 형태를 자동으로 근사하는 새로운 방법입니다. 표준 URDF 파일을 생성하여 기존 로보틱스 도구와 직접 통합됩니다.
포괄적인 평가 프레임워크: 저자들은 기하학적 충실도 척도를 로봇 특유의 성능 지표(충돌 감지, 접촉 상호작용, 모션 플래닝)와 통합했습니다. MORPHIT가 베이스라인 최적화 방법(VSSA, AMAA)보다 최대 두 자릿수 더 빠르다는 것을 입증했습니다.
작업 구성 가능한 전문화: 근사치를 특정 작업에 맞춰 튜닝하는 것이 상당한 성능 향상을 가져온다는 것을 보여줍니다.
- 모션 플래닝: 작업 적응형 표현은 복잡한 환경에서 12.2 퍼센트 포인트 더 높은 성공률을 달 Ach성했으며, 좁은 통로 항행 시 구의 개수를 최대 62.5% 적게 사용하면서도 65.6% 빠른 플래닝 시간을 기록했습니다.
- 전신 조작(Whole-Body Manipulation): 역역학 궤적 최적화(IDTO)와 함께 전신 구형 표현(MORPHIT-S)을 사용했을 때, 말단 장치(end-effector) 중심의 희소 표현 대비 평균 각도 오차를 약 80% 감소시켰으며, 이를 통해 로봇이 자신의 몸 전체(팔꿈치, 팔뚝 등)를 조작에 활용할 수 있게 했습니다.

결과

평가는 주로 Franka Emika Panda 로봇을 대상으로 링크당 1~100개의 구를 사용하여 수행되었으며, 다른 형태(UR5, Spot, H1 등)에 대한 일반화 가능성도 테스트되었습니다.

속도: MORPHIT는 GPU 병렬 처리를 통해 최적화 기반 베이스라인(VSSA, AMAA)보다 최대 두 자릿수 더 빠른 근사 생성을 보여주었습니다.
기하학적 충실도: MORPHИТ-B는 평균 및 최대 표면 거리 지표에서 베이스라인을 지속적으로 능가했습니다. MORPHIT-S는 가장 낮은 표면 오차를 달성했고, MORPHIT-V는 가장 타이트한 부피 커버리지를 제공했습니다.
충돌 감지: MORPHIT 변체들은 거짓 양성(불필요한 회피)과 거짓 음성(충돌 미감지) 사이의 트레이드오프를 성공적으로 조절했습니다. MORPHIT-V는 안전 중심 베이스라인과 일치하는 제로(0)의 거짓 음성을 달성한 반면, MORPHIT-S는 좁은 통로 항행에 필수적인 거짓 양성을 최소화했습니다.
접촉 상호작용: 단기 호라이즌 푸시(push) 작업에서, MORPHIT-S는 그라운드 트루스 메쉬 시뮬레이션에 가장 가까운 물체 궤적을 생성하여 위치 및 회전 오차 측면에서 다른 방법들을 크게 압도했습니다.
장애물 회피: MORPHIT-V는 VSSA 및 AMAA와 비교하여 훨씬 적은 수의 구를 사용하면서도 더 빠른 해결 시간을 기록하며 좁은 통로를 통과했습니다.

의의 및 주장

본 논문은 MORPHIT이 **작업 인식 형태 추론(task-aware morphological reasoning)**을 향한 중요한 진전이라고 주장합니다. 로봇이 기하학적 표현을 동적으로 구성할 수 있게 함으로써, 이 프레임워크는 로봇이 물리적 형태를 고정된 파라미터가 아닌 능동적인 자원으로 활용할 수 있게 합니다.

저자들은 이러한 능력이 형태(morphology)를 물리적 지능의 도구로 재정의한다고 주장합니다. 이는 로봇이 고정된 표현의 성능 저하 없이—빠른 항행을 위한 거친 모델에서 정밀한 접촉을 위한 미세한 모델로—유연하게 작업을 전환할 수 있게 합니다. 이 연구는 물리적 형태가 정밀도와 계산적 실행 가능성 사이의 균형을 지속적으로 맞춰야 하는 환경에서의 조작에 대한 새로운 지평을 엽니다.

참고: 저자들은 평가가 주로 시뮬레이션에서 수행되었다는 점(예: 밀리미터 단위의 정밀한 접촉 국지화의 어려움)을 언급하며 한계를 인정했습니다. 또한, 자신들의 명시적인 기하학적 최적화가 신경망 기반 접근 방식과 구별됨을 명시하며, MORPHIT이 작업별 학습 데이터 없이도 수십 년 된 로보틱스 인프라와 직접 호환된다는 점을 강조했습니다.