Omnidirectional Humanoid Locomotion on Stairs via Unsafe Stepping Penalty and Sparse LiDAR Elevation Mapping

이 논문은 희소 LiDAR 고도 매핑과 밀집한 위험 발걸음 페널티를 통합한 단일 단계 학습 프레임워크를 통해, 인간형 로봇이 사다리와 같은 복잡한 지형에서 안전하고 방향에 구애받지 않는 보행이 가능하도록 하는 방법을 제안합니다.

핵심

1. 문제: 로봇이 계단에서 왜 넘어질까?

인간형 로봇은 다리가 길고 몸무게가 위쪽에 쏠려 있어 균형 잡기가 매우 어렵습니다. 특히 계단처럼 높낮이가 급격히 변하는 곳에서는 더 위험하죠.

기존의 로봇들은 주로 앞쪽만 보는 카메라를 사용했습니다.

• 비유: 마치 앞만 보고 걷는 사람을 상상해 보세요. 앞길은 잘 보이지만, 옆이나 뒤쪽은 완전히 보이지 않죠. 그래서 옆으로 걷거나 뒤로 물러날 때 계단 가장자리에 발이 걸려 넘어지기 쉽습니다.
• 또 다른 문제: 로봇이 발을 디딜 때, "아, 위험해!"라고 알려주는 신호가 너무 늦게 옵니다. 이미 발이 계단 모서리에 걸려 넘어진 뒤에야 "아이고, 아파!"라고 외치는 것과 비슷합니다. 이렇게 되면 로봇은 넘어지기 전에 미리 조심하는 법을 배우지 못합니다.

2. 해결책 1: "360 도 시야"와 "안전 지대" (LiDAR 와 매핑)

이 연구팀은 로봇에게 앞만 보는 카메라 대신 **360 도를 한 번에 보는 레이저 (LiDAR)**를 달아주었습니다.

• 비유: 로봇이 머리에 360 도 회전하는 안경을 쓴 셈입니다. 앞, 옆, 뒤를 모두 볼 수 있어서 옆으로 걷거나 뒤로 물러날 때도 계단의 모양을 정확히 파악할 수 있게 되었습니다.
• 새로운 기술 (EGAU): 하지만 레이저는 계단처럼 가파른 곳에서는 빛이 반사되지 않아 '빈 공간'이 생기기도 합니다. 마치 안개 낀 날에 앞이 흐릿하게 보이는 것과 비슷하죠.
  • 연구팀은 이 흐릿한 부분을 AI 가 채워주는 기술을 개발했습니다. 마치 화가가 흐릿한 사진의 빈 부분을 상상력으로 채워 넣듯, 계단의 모서리가 뭉개지지 않고 선명하게 보이도록 보정해 줍니다.
  • 특히 로봇 몸통 바로 아래는 레이저가 닿지 않는 '사각지대'인데, 이 부분을 로봇이 스스로 보호하는 안전 구역으로 설정해 두어, 로봇이 그 위에 발을 디딜 때 그 정보가 사라지지 않도록 했습니다.

3. 해결책 2: "넘어지기 전"에 경고하는 선생님 (밀집된 위험 벌점)

기존의 로봇은 넘어진 뒤에야 벌점을 받았습니다. 하지만 이 연구팀은 넘어지기 직전에 경고 신호를 보내는 새로운 방식을 도입했습니다.

• 비유:
  • 기존 방식: 아이가 계단 가장자리에 발을 걸고 넘어진 뒤에 "엄마, 넘어졌어요!"라고 하면, 엄마가 "다음엔 조심해!"라고 말하는 것입니다. (너무 늦음)
  • 이 연구의 방식: 아이가 계단 가장자리로 조금만 다가와도 **"조금만 더 가면 넘어져! 멈춰!"**라고 미리 경고하는 것입니다.
  • 로봇이 발을 계단 모서리 쪽으로 움직일 때, 넘어지기 전에 "거기 위험해, 발을 옮겨!"라고 계속 경고 신호를 보냅니다. 이렇게 하면 로봇은 넘어지기 전에 미리 발을 안전한 곳으로 옮기는 법을 훨씬 빨리, 그리고 정확하게 배웁니다.

4. 결과: 실제로 어떻게 작동했나?

이 기술을 우주리 (Unitree) G1이라는 실제 인간형 로봇에 적용해 보았습니다.

• 실내 실험: 로봇은 계단을 앞으로, 옆으로, 뒤로 모두 오르고 내릴 수 있었습니다. 넘어질 뻔한 상황에서도 발을 재빨리 안전한 곳으로 옮겨 100% 에 가까운 안전율을 기록했습니다.
• 실외 실험: 로봇은 400 미터가 넘는 긴 거리를 산책하듯 걸었습니다. 언덕, 평지, 계단 등 다양한 지형을 거치면서도 넘어지지 않고 안정적으로 이동했습니다. 마치 계단을 오르내리는 숙련된 등산객처럼 자연스러웠습니다.

요약

이 논문은 로봇에게 **"360 도를 보는 눈 (LiDAR)"**과 **"넘어지기 전에 미리 경고하는 선생님 (새로운 보상 시스템)"**을 선물했습니다. 그 결과 로봇은 이제 계단에서도 넘어지지 않고, 앞뒤좌우로 자유롭게 움직일 수 있게 되었습니다.

이 기술이 발전하면, 앞으로 로봇이 우리 집 계단 위를 오가거나 재난 현장에서 복잡한 지형을 통과하는 일이 훨씬 더 안전하고 자연스럽게 이루어질 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

인간형 로봇은 높은 중심과 다수의 자유도 (DoF) 로 인해 불규칙한 지형, 특히 계단에서 이동 시 불안정성이 큽니다. 기존 연구들은 다음과 같은 한계를 가지고 있었습니다:

• 시각적 맹점 (Blind Zones): 기존 방법은 주로 로봇 정면의 깊이 카메라 (Depth Camera) 에 의존합니다. 이는 측면 및 후방 이동 시 맹점을 만들어 '전방향 (Omnidirectional)' 이동을 어렵게 합니다. 또한 조명 변화와 모션 블러에 취약합니다.
• 희소하고 지연된 안전 페널티 (Sparse & Delayed Penalties): 기존 강화학습 (RL) 의 안전 보상 함수는 발이 지형과 충돌하거나 가장자리에 착지한 이후에 페널티를 부여합니다. 이는 학습 효율을 낮추고, 로봇이 위험한 발자국을 미리 피하는 능동적인 전략을 학습하지 못하게 합니다.
• LiDAR 기반 지형 매핑의 한계: 로봇 탑재 LiDAR 는 계단 수직면 (Riser) 에서 반사 신호가 부족하여 점 구름 (Point Cloud) 이 희소합니다. 이로 인해 계단 가장자리의 기하학적 특징이 흐려지거나 왜곡되어 안정적인 발착지 선택이 어렵습니다.

2. 제안된 방법론 (Methodology)

이 논문은 시뮬레이션과 실제 로봇 배포를 위한 단일 단계 (Single-stage) 학습 프레임워크를 제안하며, 크게 두 가지 핵심 기술로 구성됩니다.

가. 밀집형 위험 발착 페널티 (Dense Unsafe Stepping Penalty)

• 개념: 발이 위험한 위치 (계단 수직면 충돌 또는 발바닥 50% 이상 공중에 뜬 상태) 에 도달하기 전에 연속적인 부정적 피드백을 제공합니다.
• 구현:
  1. 발 충돌 항 (Foot-collision term): 발이 장애물에 접근할 때 속도와 거리에 비례하여 페널티를 부과합니다.
  2. 계단 가장자리 착지 항 (Edge-stepping term): 발 아래 지형의 기울기 (Gradient) 를 분석하여 계단 가장자리를 감지하고, 발이 가장자리에 걸릴 위험이 있을 때 페널티를 부여합니다.
• 효과: 로봇이 위험한 발착지를 사전에 인지하고 발을 들어 올리는 등 능동적으로 보폭을 조정하도록 유도하여 학습 효율과 안전성을 극대화합니다.

나. 엣지 유도 비대칭 U-Net (EGAU) 과 스페이셜 - 타임롤링 매핑

• 스페이셜 - 타임롤링 매핑 (Spatiotemporal Rolling Mapping):
  • LiDAR 의 시계열 데이터를 누적하여 지형 맵을 생성합니다.
  • 신뢰도 감쇠 (Confidence Decay): 시간이 지남에 따라 오래된 데이터의 신뢰도를 낮춥니다.
  • 자기 보호 구역 (Self-protection Zone): 로봇 몸체 바로 아래 (LiDAR 의 물리적 맹점) 에 있는 지형 데이터는 신뢰도를 최대값으로 고정하여, 로봇이 제자리에서 움직이거나 뒤로 이동할 때 중요한 지형 정보를 잃지 않도록 보호합니다.
• EGAU (Edge-Guided Asymmetric U-Net):
  • 희소한 LiDAR 점 구름을 고해상도 지형 맵 (Elevation Map) 으로 복원하는 신경망입니다.
  • 엣지 유도 (Edge-Guided): 계단 가장자리의 기하학적 특징을 보존하기 위해 별도의 엣지 디코딩 스트림을 통해 기하학적 경계 사전 지식 (Priors) 을 높이 복원 스트림에 주입합니다. 이는 선형 보간으로 인한 가장자리 흐림 현상을 방지합니다.
  • 영역 분리 하이브리드 손실 함수: 계단 가장자리 (Edge), 평탄한 지역 (Flat), 전체 영역에 대해 각각 다른 손실 함수를 적용하여 구조 왜곡을 최소화하고 노이즈를 제거합니다.

3. 주요 기여 (Key Contributions)

1. 밀집형 보상 함수 도입: 발 충돌 및 가장자리 착지 발생 전 연속적인 페널티를 부과하여 복잡한 지형에서의 안전 발착률과 학습 효율을 획기적으로 개선했습니다.
2. 고성능 지형 인식 아키텍처: 희소한 LiDAR 데이터와 물리적 맹점을 해결하기 위해, 시공간적 신뢰도 감쇠 메커니즘과 엣지 유도 복원 네트워크 (EGAU) 를 통합하여 정밀한 전방향 지형 맵을 생성했습니다.
3. 실제 환경 검증: Unitree G1 인간형 로봇을 사용하여 407.9 미터에 달하는 야외 연속 이동 테스트를 성공적으로 수행하며, 시뮬레이션에서 실제 로봇으로의 제로샷 (Zero-shot) 전이 (Sim-to-Real) 와 장기적 안정성을 입증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션:
  • 제안된 방법은 모든 통과 가능한 지형에서 거의 100% 의 안전 발착률을 달성했습니다.
  • 기존 방법 (Naive, PIM 등) 에 비해 계단 오르기/내리기 학습 속도가 빠르고, 고난이도 지형에서도 안정적인 보행을 유지했습니다.
  • EGAU 와 지역별 손실 함수를 적용한 모델은 계단 가장자리의 높이 오차 (E-MAE) 와 평탄면의 거칠기 (F-Rgh) 를 기존 방법 대비 크게 감소시켰습니다.
• 실제 로봇 실험 (Unitree G1):
  • 실내 및 실외 환경에서 전방, 측면, 후방으로 계단을 오르고 내리는 데 성공했습니다.
  • 400 미터 이상의 야외 지형 (내리막, 평지, 계단) 을 연속적으로 이동하며 보행 안정성을 입증했습니다.
  • 엣지 지도 (EGAU) 는 LiDAR 의 신호 손실 (Ray-drop) 이 발생해도 정확한 지형 정보를 제공하여 안전한 발착지를 선택하게 했습니다.

5. 의의 및 결론 (Significance)

이 연구는 인간형 로봇이 복잡한 계단 환경에서 안전하고 전방향으로 이동할 수 있는 핵심 기술을 제시했습니다.

• 안전성 강화: 사후 (Post-contact) 페널티가 아닌 사전 (Pre-contact) 밀집형 페널티를 도입함으로써, 로봇이 위험을 예측하고 회피하는 능력을 배양했습니다.
• 인지 능력 향상: LiDAR 의 한계를 극복하고 희소 데이터에서도 정확한 계단 구조를 복원하는 알고리즘은 인간형 로봇의 실외 배포 가능성을 크게 높였습니다.
• 실용성: 단일 단계 학습 프레임워크와 경량화된 신경망 (Jetson Orin NX 에서 2ms 지연) 을 통해 실시간 제어에 적합한 솔루션을 제공하며, 재난 구조, 가정 서비스 등 다양한 분야에서 인간형 로봇의 활용 범위를 확장할 수 있는 기반을 마련했습니다.

한계점으로는 2.5D 지형 맵의 특성상 깊은 함정 (Ditch) 등의 지형 표현에 제약이 있고, 실제 센서 왜곡으로 인해 시뮬레이션 대비 성능이 약간 저하될 수 있음을 인정하고 있습니다.