Interaction-Aware Whole-Body Control for Compliant Object Transport

이 논문은 비정형 환경에서의 협동 물체 운반을 위해 상체의 상호작용 실행과 하체의 지지 제어를 구조적으로 분리하고, 시뮬레이션 기반 강화학습과 비대칭 교사 - 학생 증류법을 통해 proprioception 만으로 작동하는 생체모방형 상호작용 지향 전신 제어 (IO-WBC) 를 제안하여 안정적이고 순응적인 물체 운반을 가능하게 합니다.

핵심

이 논문은 인간형 로봇이 무거운 물건을 사람과 함께 나르거나 밀 때, 넘어지지 않고 안전하게 움직일 수 있도록 하는 새로운 제어 기술에 대해 설명합니다.

기존 로봇들은 "목표한 대로 정확히 움직이는 것"에 집중했지만, 무거운 물건을 들거나 미는 상황에서는 오히려 불안정해져 넘어지기 쉽습니다. 이 연구는 로봇이 사람의 뇌와 소뇌 (cerebellum) 의 관계처럼 작동하도록 설계했습니다.

아래는 이 기술을 쉽게 이해할 수 있는 비유와 설명입니다.

---

🧠 핵심 비유: "로봇의 소뇌 (Cerebellum)"

사람이 무거운 상자를 들어 올릴 때, 뇌는 "상자를 들어라"라고 명령을 내립니다. 하지만 상자가 생각보다 무거우면, 소뇌가 즉각적으로 반응하여 몸의 균형을 잡고, 팔의 힘을 조절하며 넘어지지 않게 합니다.

이 논문에서 제안한 IO-WBC라는 기술은 바로 로봇에게 이 **'인공 소뇌'**를 심어주는 것입니다.

• 기존 방식 (뇌만 있는 로봇): "이쪽으로 1 미터 가라"라고 명령하면, 무거운 물건을 들어도 그 명령을 정확히 따르려다 균형을 잃고 넘어집니다.
• 새로운 방식 (소뇌가 있는 로봇): "이쪽으로 가라"는 명령을 받지만, 물건의 무게나 미끄러짐을 느끼자마자 소뇌가 개입합니다. "지금 무거우니까 발을 더 넓게 벌리고, 허리를 살짝 숙여서 균형을 잡아보자"라고 즉각적으로 몸을 조절합니다.

🏗️ 기술의 3 가지 핵심 아이디어

1. 상하 분리 전략: "손은 일하고, 다리는 지탱한다"

로봇의 몸을 두 부분으로 나누어 생각했습니다.

• 위쪽 (팔과 상체): 사람과 물건을 만지는 '상호작용' 담당.
• 아래쪽 (다리와 허리): 로봇이 넘어지지 않게 '균형'을 잡는 지원 담당.

기존에는 이 둘이 뒤섞여 혼란을 일으켰지만, 이 기술은 상체는 물건을 다루는 데 집중하고, 하체는 무거운 하중을 견디며 균형을 잡는 역할을 명확히 분리했습니다. 마치 무거운 짐을 나르는 사람이 팔로 짐을 잡고, 다리와 코어 근육으로 몸을 지탱하는 것과 같습니다.

2. 두뇌와 소뇌의 협업 (RG + RL)

이 시스템은 두 단계로 작동합니다.

• 참고 지도 (RG - Reference Generator): "상자를 들어 올리려면 다리를 이렇게 벌리고 허리를 이렇게 구부리는 게 좋겠다"라는 이론적인 지도를 먼저 그립니다. (마치 운동선수가 동작을 미리 구상하는 것)
• 실전 반응 (RL - Reinforcement Learning): 실제 무거운 물건을 들 때, 지도대로만 하면 넘어질 수 있습니다. 이때 **AI(소뇌)**가 "아, 짐이 생각보다 무겁네? 그럼 다리를 더 넓게 벌리고 힘을 더 줘야겠다"라고 실시간으로 수정합니다.

3. "감각"으로 무게를 읽는 마법 (Distillation)

로봇에 무게를 재는 센서나 힘 센서를 달지 않아도 됩니다. 대신 **자신의 근육과 관절이 느끼는 느낌 (고유수용감각)**만으로도 무거운 물건의 무게와 움직임을 파악합니다.

• 비유: 눈을 감고 무거운 가방을 들었을 때, 팔이 얼마나 떨리는지, 어깨가 얼마나 당기는지 느끼면 그 무게를 알 수 있죠.
• 기술: 시뮬레이션에서 '선생님 (센서가 있는 로봇)'이 무거운 짐을 들어보는 경험을 학습하고, 그 지식을 '학생 (센서 없는 실제 로봇)'에게 가르쳤습니다. 학생은 센서 없이도 선생님이 느꼈던 '떨림'과 '저항'을 기억해내어 똑같이 균형을 잡습니다.

🚀 실제 실험 결과: 얼마나 강력할까?

연구진은 Unitree G1 이라는 로봇을 이용해 실험했습니다.

1. 무거운 물건 들어 올리기 (18kg 타이어):

   • 기존 로봇 (WBC): 18kg 을 들자마자 균형을 잃고 넘어졌습니다. (성공률 0%)
   • 새로운 로봇 (IO-WBC): 18kg 을 들고도 80% 의 성공률로 안정적으로 움직였습니다.

2. 무거운 상자 밀기 (65kg):

   • 바닥이 미끄럽고 상자가 매우 무거워 로봇이 멈춰 서야 할 때, 기존 로봇은 미끄러지거나 넘어졌습니다.
   • 새로운 로봇은 "가속도를 줄여서라도 넘어지지 않겠다"라고 판단하며, 속도는 느려졌지만 균형은 유지하며 60kg 까지 밀어냈습니다.

💡 요약: 왜 이것이 중요한가?

이 기술은 로봇이 정확한 궤적을 따르는 것보다 상황에 맞춰 유연하게 균형을 잡는 것을 우선시합니다.

마치 숙련된 포크레인 기사가 땅이 헐거워도 발을 버티며 작업을 하거나, 운동선수가 넘어질 뻔한 순간에 본능적으로 균형을 잡는 것처럼, 로봇도 이제 무거운 물건을 나르는 복잡한 상황에서도 넘어지지 않고 사람과 안전하게 협업할 수 있게 되었습니다.

이는 장래에 로봇이 병원, 창고, 재난 현장 등에서 사람과 함께 무거운 짐을 나르는 실질적인 조력자가 되는 데 필수적인 기술입니다.

기술 요약

1. 문제 정의 (Problem)

비정형 환경에서의 인간 - 로봇 협업 (HRC), 특히 무거운 물체를 함께 운반하는 작업은 보조용 휴머노이드 로봇에게 큰 도전 과제입니다. 기존의 전신 제어 (Whole-Body Control, WBC) 방식은 주로 궤적 추종 (tracking) 에 중점을 두는데, 이는 다음과 같은 한계가 있습니다.

• 강한 상호작용 힘의 불확실성: 무거운 하중이나 인간 파트너와의 밀접한 접촉 시 발생하는 시간 가변적 (time-varying) 인 상호작용 힘은 로봇의 동역학을 급격히 변화시킵니다.
• 추종 제어의 실패: 이러한 강한 비보존적 힘 (non-conservative forces) 하에서는 정밀한 속도나 위치 추종이 물리적으로 불가능해지며, 이를 강제로 유지하려 하면 로봇이 불안정해지거나 과도하게 공격적인 행동을 보일 수 있습니다.
• 상하체 분리의 부재: 기존 방법들은 상체의 상호작용과 하체의 지지 (균형 유지) 를 명확히 분리하여 제어하지 못해, 하중 변화 시 전체적인 균형이 무너지기 쉽습니다.

2. 제안된 방법론 (Methodology)

저자들은 **"상호작용 지향적 전신 제어 (Interaction-Oriented Whole-Body Control, IO-WBC)"**를 제안했습니다. 이는 로봇의 소뇌 (Cerebellum) 역할을 수행하여, 고수준의 기술 명령을 물리적으로 일관된 전신 행동으로 변환하는 적응형 모션 에이전트입니다.

A. 계층적 아키텍처 (Hierarchical Architecture)

제안된 프레임워크는 세 가지 계층으로 구성됩니다:

1. 기술 정책 계층 (Skill Policy Layer): 다중 에이전트 강화학습 (MARL) 을 기반으로 인간 - 로봇 협업의 고수준 명령 (이동 속도, 중심 높이, 팔의 위치 등) 을 생성합니다.
2. 자세 생성 계층 (Reference Generator, RG): 고수준 명령을 받아 하체의 지지 자세에 대한 **운동학적 사전 지식 (Kinematic Prior)**을 생성합니다. 이는 물리 모델 기반의 궤적 최적화를 통해 학습되었으며, 로봇의 질량 중심 (CoM) 이 안정성 영역 내에 있도록 하체 자세를 미리 조정합니다.
3. 상호작용 실행 계층 (IO-WBC Policy): RL 기반의 정책으로, RG 에서 생성된 사전 지식과 로봇의 고유 감각 (Proprioception) 히스토리를 기반으로 실시간으로 **잔류 보정 (Residual Corrections)**을 생성합니다. 이는 하중의 무게와 외부 교란을 보상하여 전신 안정성을 유지합니다.

B. 비대칭 교사 - 학생 증류 (Asymmetric Teacher-Student Distillation)

실제 배포 시 외부 힘 센서 (Force-Torque Sensor) 나 하중 추정이 불가능한 상황을 고려하여 다음과 같은 학습 전략을 사용합니다:

• Privileged Teacher: 훈련 시에는 물체의 정확한 질량, CoM 오프셋, 외부 교란 등 '특권 정보 (Privileged Information)'를 사용하여 최적의 제어 행동을 학습합니다.
• Adaptive Student: 실제 배포 시에는 오직 **고유 감각 히스토리 (Proprioceptive History)**만 사용합니다. 교사가 학습한 상호작용 역학을 학생이 고유 감각 데이터의 패턴 (관절 오차, 베이스 진동 등) 을 통해 추론하도록 증류 (Distillation) 합니다. 이를 통해 외부 센서 없이도 하중 변화를 감지하고 보상할 수 있습니다.

C. 학습 환경 및 보상 함수

• 물리 인식 학습 환경: 하중 질량, 마찰 계수, 외부 충격 등을 무작위화 (Domain Randomization) 하여 다양한 시나리오에 대한 일반화 능력을 확보합니다.
• 보상 함수: 운동 일관성 (상하체 동기화), 물체 평형 유지, 전신 부드러움 (관절 가속도/전력 소비 최소화), 보행 제약 등을 종합적으로 고려하여 안전하고 효율적인 운송을 유도합니다.

3. 주요 기여 (Key Contributions)

1. 계층적 상호작용 지향 WBC 아키텍처: 운동학적 사전 지식 (RG) 과 상호작용 인지 잔류 정책 (RL) 을 결합하여, 강한 로봇 - 물체 결합 (Coupling) 하에서도 안정적인 힘 적용과 전신 안정성을 동시에 달성했습니다.
2. 물리 인식 학습 및 비대칭 증류: 외부 힘 센서 없이 고유 감각 히스토리만으로 하중 역학을 추론할 수 있는 학습 환경을 구축하고, 교사 - 학생 증류 기법을 통해 이를 실제 배포에 성공적으로 적용했습니다.
3. 광범위한 실험적 검증: 다양한 하중 조건 (들기, 밀기) 과 시나리오에서 기존 최첨단 (SOTA) 제어기 대비 뛰어난 견고성과 성공률을 입증했습니다.

4. 실험 결과 (Results)

Unitree G1 로봇을 이용한 시뮬레이션 및 실제 실험을 통해 다음과 같은 결과를 도출했습니다:

• 무거운 하중 운반 (들기):
  • 18kg 타이어 운반: 제안된 IO-WBC 는 80% 성공률을 기록한 반면, 기존 SOTA 제어기 (WBC) 는 하중을 지지하지 못해 0% 성공률로 실패했습니다.
  • 점진적 하중 테스트 (0~8kg): 기존 제어기는 4kg 이상에서 비선형적으로 오차가 증가하고 8kg 에서 완전히 붕괴되었으나, IO-WBC 는 8kg 까지 자세 오차 (Pitch, Height) 를 거의 일정하게 유지하며 안정성을 확보했습니다.
• 초중량 밀기 (Pushing):
  • 65kg 물체 밀기: 극한의 저항 하에서 IO-WBC 는 속도 추종 오차 (Velocity Error) 를 일부 희생하더라도 **자세 불변성 (Postural Invariance)**을 우선시하여 로봇이 넘어지지 않도록 적응했습니다.
  • 기존 제어기는 50kg 이상에서 관절 토크 포화 및 미끄러짐으로 인해 실패했으나, IO-WBC 는 60kg 까지 작동을 유지했습니다.
• 성능 비교:
  • RG(참조 생성기) 나 증류 (Distillation) 가 없는 변형 모델들은 하중이 증가함에 따라 급격히 성능이 저하되거나 붕괴되었습니다. 이는 운동학적 사전 지식과 내재적 역학 추론의 중요성을 입증합니다.

5. 의의 및 결론 (Significance)

이 논문은 휴머노이드 로봇이 비정형 환경에서 인간과 협력하여 무거운 물체를 운반할 때, 정밀한 궤적 추종보다는 물리적으로 일관된 힘 적용과 안정성 유지가 더 중요함을 강조합니다.

• 생체 모방적 접근: 인간의 소뇌가 고수준 의도를 저수준 운동으로 변환하고 외부 충격을 흡수하는 방식을 모방하여, 로봇이 복잡한 물리적 상호작용 하에서도 유연하게 대응할 수 있는 새로운 제어 패러다임을 제시했습니다.
• 실용성: 외부 힘 센서 없이도 고유 감각만으로 무거운 하중을 처리할 수 있어, 센서 비용과 신뢰성 문제를 해결하며 실제 보조 로봇 및 산업 현장 적용 가능성을 크게 높였습니다.
• 견고성: 기존 최적화 기반 제어기의 한계를 극복하고, 강화학습을 통해 동적 불확실성에 강인한 전신 제어를 실현했습니다.

결론적으로, IO-WBC 는 인간 - 로봇 협업 시 발생하는 강한 상호작용 힘을 효과적으로 관리하여, 로봇이 물리적으로 안전한 범위 내에서 유연하고 안정적인 물체 운송을 수행할 수 있게 하는 핵심 기술입니다.