원저자: Manan H Anjaria, Mehmet Enes Erciyes, Vedant Ghatnekar, Neha Navarkar, Haritheja Etukuru, Xiaole Jiang, Kanad Patel, Dhawal Kabra, Nicholas Wojno, Radhika Ajay Prayage, Soumith Chintala, Lerrel Pinto, Nur Muhammad Mahi Shafiullah, Zichen Jeff Cui
여러분, 영화 속에 나오는 로봇을 상상해 보세요. 스스로 돌아다니며 설거지도 하고, 물건도 정리하는 로봇 말이죠. 하지만 현실에서 그런 로봇을 사려면 집 한 채 가격만큼 비싸거나, 너무 커서 현관문도 못 지나가는 경우가 많습니다.
이 논문의 연구팀은 **"왜 로봇은 꼭 비싸고 커야만 할까? 싸고, 작고, 똑똑한 로봇을 직접 만들 순 없을까?"**라는 질문에서 시작했습니다. 그래서 탄생한 것이 바로 YOR입니다.
1. YOR의 특징: "팔다리가 아주 유연한 만능 요리사"
YOR를 이해하기 쉽게 세 가지 비유로 설명해 볼게요.
🏃♂️ 발: "스케이트를 신은 발" (전방향 이동 베이스) 보통 로봇은 자동차처럼 앞뒤로만 움직이거나 제자리에서 회전해야 하죠. 하지만 YOR는 바닥에 스케이트를 신은 것처럼 옆으로, 대각선으로, 어느 방향이든 즉시 미끄러지듯 움직일 수 있습니다. 덕분에 좁은 거실이나 복잡한 방 안에서도 부딪히지 않고 요리조리 잘 다닙니다.
📏 몸통: "쑥쑥 늘어나는 엘리베이터" (수직 리프트) YOR는 키가 조절됩니다. 바닥에 떨어진 양말을 주울 때는 몸을 낮추고, 높은 선반 위의 컵을 꺼낼 때는 키를 쭉 늘립니다. 마치 키가 조절되는 의자를 탄 것처럼 말이죠.
👐 팔: "섬세하고 부드러운 두 손" (양팔 매니퓰레이터) 로봇에게 팔이 하나뿐이면 물건을 잡고 문을 여는 게 힘들어요. YOR는 사람처럼 두 개의 팔을 가지고 있습니다. 게다가 이 팔은 아주 '말랑말랑(Compliance)'하게 설계되어 있어서, 사람과 부딪혀도 다치지 않고 물건을 잡을 때도 깨지지 않게 부드럽게 힘을 조절합니다.
2. 왜 YOR가 대단한가요? (가성비와 오픈소스)
💰 "명품 대신 가성비 템!" 기존의 비슷한 로봇들은 수천만 원에서 억 단위까지 호가하는 '명품' 같았습니다. 하지만 YOR는 연구팀이 주변에서 구할 수 있는 부품들을 조합해 약 1,300만 원(1만 달러 미만) 정도로 만들었습니다. 연구자들이 부담 없이 실험할 수 있는 가격이죠.
🔓 "레시피를 모두에게 공개합니다!" (오픈소스) 이게 가장 중요합니다! 연구팀은 로봇을 만드는 설계도와 소프트웨어(레시피)를 전 세계에 무료로 공개했습니다. 누구나 이 설계도를 보고 자기만의 로봇을 만들거나 업그레이드할 수 있습니다.
3. YOR는 무엇을 할 수 있나요?
논문에서는 YOR가 얼마나 똑똑한지 몇 가지 테스트를 보여줍니다.
집안일 돕기: 식기세척기를 열고, 접시를 넣고, 닫는 복잡한 동작을 사람처럼 해냅니다.
학습하는 로봇: 사람이 조종하는 것을 보고 배우는 '모방 학습'을 통해, 재활용 박스를 집어 쓰레기통에 던져 넣는 법을 스스로 익힙니다.
길 찾기: 눈(카메라)을 통해 주변을 파악하고, 갑자기 사람이 지나가면 알아서 길을 피해 가는 똑똑한 내비게이션 기능도 갖췄습니다.
🌟 요약하자면!
YOR는 **"스케이트를 신은 듯 자유롭게 움직이고, 키를 조절하며, 두 손을 섬세하게 사용하는, 가격까지 착한 오픈소스 로봇"**입니다.
이 로봇 덕분에 앞으로 전 세계의 과학자들이 더 저렴하고 쉽게 로봇을 연구할 수 있게 되었고, 이는 머지않아 우리 집에서 진짜로 집안일을 도와주는 로봇이 등장하는 밑거름이 될 것입니다!
[기술 요약] YOR: 일반화 가능한 로보틱스를 위한 저비용 오픈소스 모바일 매니퓰레이터
1. 문제 정의 (Problem Statement)
최근 로봇 학습(Robot Learning)의 발전으로 인간 수준의 능력을 갖춘 플랫폼에 대한 수요가 급증하고 있습니다. 그러나 기존의 모바일 매니퓰레이션(Mobile Manipulation) 플랫폼들은 다음과 같은 한계점을 가집니다:
높은 비용: 상용 플랫폼(예: RB-Y1)은 수만 달러에 달해 연구 접근성을 제한합니다.
복잡한 제어: 휴머노이드 로봇은 보행 및 전신 제어(Whole-body control)의 난이도가 너무 높습니다.
제한된 작업 공간: 저가형 플랫폼(예: XLeRobot)은 작업 범위(Workspace)나 페이로드(Payload)가 부족하여 실제 환경의 복잡한 작업을 수행하기 어렵습니다.
비효율적 이동성: 기존의 차동 구동(Differential drive) 방식은 이동 시 비홀로노믹(Non-holonomic) 제약이 있어 좁은 공간에서의 정밀한 조작이 어렵습니다.
2. 방법론 (Methodology)
연구진은 **"저비용, 단순하고 견고한 제어, 전방향 이동성, 양팔 조작 및 수직 리프트"**라는 5가지 원칙을 바탕으로 YOR 플랫폼을 설계했습니다.
하드웨어 설계 (Hardware Design):
전방향 베이스 (Omnidirectional Base): 4개의 독립적인 스워브 드라이브(Swerve drive) 모듈을 사용하여 전방향 이동이 가능하며, 좁은 공간에서도 정밀한 위치 조정이 가능합니다.
수직 리프트 (Vertical Lift): 텔레스코픽(Telescopic) 리프트 메커니즘을 통합하여 작업 높이를 60cm에서 124cm까지 조절할 수 있어, 바닥의 물건을 줍거나 높은 선반의 물건을 집는 것이 가능합니다.
양팔 시스템 (Bimanual Arms): 두 개의 6-DoF PiPER 암과 커스텀 그리퍼를 장착하여 양손 조작을 지원하며, 컴플라이언스(Compliance, 유연성) 제어를 통해 인간과의 안전한 상호작용을 도모합니다.
컴퓨팅 및 센서: Jetson AGX Orin을 메인 연산 장치로, ZED 2i 스테레오 카메라를 시각 센서로 사용하여 SLAM 및 자율 주행을 수행합니다.
소프트웨어 및 제어 (Software & Control):
전신 텔레오퍼레이션 (Whole-body Teleoperation): Meta Quest 3 컨트롤러를 사용하여 팔의 포즈, 리프트 높이, 베이스 이동을 직관적으로 제어할 수 있는 시스템을 구축했습니다.
정책 학습 (Policy Learning): VQ-BeT 아키텍처를 사용하여 '재활용 박스 버리기'와 같은 복잡한 양손 작업을 학습시키는 모방 학습(Imitation Learning) 프레임워크를 제시했습니다.
SLAM 및 내비게이션: 시각-관성 SLAM(Visual-Inertial SLAM)과 복셀 맵(Voxel map) 기반의 경로 계획(A* 알고리즘)을 통해 동적 장애물을 회피하며 자율 주행합니다.
3. 주요 기여 (Key Contributions)
최적의 폼팩터 제안: 저비용 모바일 조작 연구를 위해 '전방향 베이스 + 수직 리프트 + 양팔' 조합이 성능, 제어 가능성, 비용 사이의 최적의 균형점임을 입증했습니다.
완전 오픈소스 플랫폼: 하드웨어(CAD 파일, BOM)와 소프트웨어를 모두 공개하여 연구자들이 저렴하게 재현하고 확장할 수 있도록 했습니다.
경제성 확보: 전체 부품 비용(BOM)을 US$10,000 미만으로 구현하여 기존 상용 플랫폼 대비 압도적인 가격 경쟁력을 확보했습니다.
4. 실험 결과 (Results)
전신 제어 및 정밀도: 베이스가 이동하는 동안 팔이 실시간으로 보상 제어를 수행하여 엔드 이펙터(End-effector)의 위치 오차를 16mm 이내로 유지하는 전신 협응 능력을 보여주었습니다. 또한, SLAM 성능 테스트에서 10회 루프 주행 후 위치 오차를 12mm 이내로 유지했습니다.
정책 학습 성공률: 재활용 박스 던지기 작업에서 10회 시도 중 9회의 성공률을 기록하며, 학습된 정책이 복잡한 양손-전신 이동 조작(Locomanipulation)을 수행할 수 있음을 증명했습니다.
자율 주행 및 장애물 회피: 보행하는 사람과 같은 동적 장애물을 실시간으로 감지하고 1초 이내에 새로운 경로를 생성하여 충돌 없이 목표 지점에 도달하는 능력을 확인했습니다.
5. 의의 (Significance)
YOR는 고가의 로봇 플랫폼이 연구의 진입 장벽이 되었던 문제를 해결합니다. 이 플랫폼은 연구자들이 실험실을 벗어나 실제 가정 환경이나 복잡한 실내 환경에서 데이터 수집 및 정책 학습을 대규모로 수행할 수 있는 기반을 제공합니다. 특히, 저비용으로 양손 조작과 전신 이동성을 동시에 연구할 수 있다는 점에서 로봇 학습의 스케일링(Scaling)에 크게 기여할 수 있는 중요한 도구입니다.