STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching

이 논문은 불확실한 환경에서 로봇의 예측 정확도와 물리 일관성을 동시에 향상시키기 위해 보존적 강체 역학을 라그랑주 신경망으로 모델링하고 불확실한 상호작용을 조건부 흐름 매칭으로 학습하는 'STRIDE' 프레임워크를 제안합니다.

핵심

🤖 STRIDE: 로봇의 '예측 능력'을 업그레이드하는 새로운 방법

1. 문제: 로봇은 왜 넘어질까요?

로봇이 실험실처럼 완벽한 바닥에서 걷는 것은 쉽습니다. 하지만 현실은 다릅니다.

• 미끄러운 바닥: 발이 미끄러질지, 붙을지 알 수 없습니다.
• 부드러운 진흙: 발이 얼마나 파고들지 예측하기 어렵습니다.
• 갑작스러운 충격: 돌에 부딪혔을 때의 반응은 매번 다릅니다.

기존의 로봇은 두 가지 방식 중 하나를 썼는데, 둘 다 한계가 있었습니다.

1. 물리 법칙만 믿는 로봇 (분석적 모델): "중력은 항상 아래로 작용하고, 질량은 일정하다"는 공식을 따릅니다. 하지만 현실의 복잡한 마찰력이나 충격은 계산하지 못해 현실과 동떨어진 행동을 합니다.
2. 데이터만 믿는 로봇 (딥러닝): 수많은 데이터를 보고 "이런 상황에선 이렇게 움직였어"라고 외웁니다. 하지만 물리 법칙을 무시할 때가 많고, 시간이 지날수록 예측이 엉망이 되어 (오류가 쌓여) 로봇이 넘어집니다.

2. 해결책: STRIDE (스트라이드)

저자들은 **"두 마리 토끼를 다 잡자"**고 생각했습니다.

"기본적인 물리 법칙은 공학자가, 예측하기 힘든 변수는 AI 가 맡게 하자!"

이걸 STRIDE라고 이름 붙였는데, 두 가지 역할을 나누어 수행합니다.

🔹 역할 1: 물리 법칙의 수호자 (라그랑지안 신경망)

• 비유: 로봇의 골격과 근육을 담당하는 '경직된 뼈대'입니다.
• 역할: 로봇의 무게, 관절의 움직임, 중력 같은 변하지 않는 물리 법칙을 정확히 계산합니다. 에너지가 갑자기 사라지거나 생기지 않도록 지켜줍니다.
• 효과: 로봇이 기본적으로 넘어지지 않고 균형을 잡을 수 있게 합니다.

🔹 역할 2: 불확실성의 예언자 (확률적 잔여 동역학)

• 비유: 로봇이 미끄러운 얼음 위를 걸을 때 "아, 이번엔 미끄러질까? 아니면 붙을까?"를 고민하는 직관입니다.
• 역할: 물리 법칙으로 설명되지 않는 마찰, 충격, 미끄러짐 같은 '예측 불가능한 일'을 다룹니다.
• 핵심 아이디어: 과거의 AI 는 "평균값"을 예측했습니다. (예: "50% 는 미끄러지고 50% 는 붙으니, 중간 상태로 움직여라" → 이건 현실에서 불가능한 행동입니다.)
  • 하지만 STRIDE 는 **"확률"**을 사용합니다. "미끄러질 확률이 70%, 붙을 확률이 30% 야"라고 여러 가지 가능한 미래를 동시에 상상합니다.
  • 이를 통해 로봇은 "아, 미끄러질 수도 있겠네. 그럼 미리 균형을 잡아야겠다"라고 유연하게 대응할 수 있습니다.

3. 왜 이것이 중요한가요? (실제 효과)

이 방법을 적용한 로봇 (Unitree Go1 개형 로봇, G1 휴머노이드) 은 놀라운 성과를 냈습니다.

• 오류가 쌓이지 않음: 먼 거리를 걷더라도 예측이 엉망이 되지 않아 20% 이상 더 정확하게 움직였습니다.
• 발바닥의 감각: 발이 땅에 닿는 순간의 힘을 30% 더 정확히 예측해서, 미끄러지지 않고 단단히 디딜 수 있습니다.
• 실시간 대응: 복잡한 계산을 하더라도 로봇이 실시간으로 (초당 50 번) 판단할 수 있을 만큼 빠릅니다.

4. 한 줄 요약

STRIDE 는 로봇에게 "물리 법칙이라는 튼튼한 뼈대"와 "현실의 불확실성을 예측하는 유연한 직관"을 동시에 심어주어, 예측 불가능한 세상에서도 넘어지지 않고 똑똑하게 걷게 만든 기술입니다.

마치 숙련된 등산객처럼, 등산로 (물리 법칙) 는 잘 알고 있으면서도, 갑자기 비가 오거나 길이 무너지는 상황 (불확실성) 에는 즉각적으로 대처하는 능력을 갖춘 로봇을 만든 셈입니다.

기술 요약

1. 문제 정의 (Problem Statement)

비구조화된 환경에서 작동하는 로봇 시스템은 간헐적인 접촉 (intermittent contacts), 마찰 변동성, 모델링되지 않은 유연성 (unmodeled compliance) 등으로 인해 큰 불확실성에 직면합니다. 이러한 문제를 해결하기 위한 기존 접근법들은 다음과 같은 한계를 가집니다.

• 해석적 강체 모델 (Analytical Rigid-body Models): 물리 법칙에 기반하여 강건한 구조를 제공하지만, 복잡한 상호작용 효과 (마찰, 충격 등) 를 포착하지 못해 정확도가 떨어집니다.
• 순수 데이터 기반 모델 (Purely Data-driven Models): 표현력이 뛰어나지만 물리적 일관성 (physical consistency) 을 위반할 수 있으며, 데이터 편향과 장기 예측 시 발생하는 누적 오차 (drift) 문제가 있습니다.
• 확정적 잔차 모델 (Deterministic Residuals): 기존 물리 informed 모델들은 비보존적 힘 (마찰, 접촉) 을 결정론적으로 모델링하는 경우가 많습니다. 이는 접촉 전이와 같은 다중 모드 (multi-modal) 현상을 평균화하여 물리적으로 실현 불가능한 결과를 초래할 수 있습니다.

따라서, 물리적 구조를 유지하면서도 복잡한 확률적 상호작용을 효과적으로 모델링할 수 있는 새로운 동역학 학습 프레임워크가 필요합니다.

2. 제안 방법론: STRIDE (Methodology)

저자들은 STRIDE를 제안하며, 로봇 동역학을 구조화된 보존적 (conservative) 강체 역학과 확률적 비보존적 (stochastic non-conservative) 상호작용 효과로 명시적으로 분리합니다.

A. 동역학 분해 (Dynamics Decomposition)

로봇의 가속도 $\ddot{q}$는 다음과 같이 두 가지 구성 요소로 분해됩니다:
$$\ddot{q}_{pred} = f_{LNN}(q, \dot{q}, \tau) + M^{-1}(q)\epsilon_{CFM}(q, \dot{q}, \tau, z)$$

1. 구조적 구성 요소 (Structured Component):

   • **라그랑지안 신경망 (Lagrangian Neural Network, LNN)**을 사용하여 모델링합니다.
   • 운동 에너지와 위치 에너지를 학습하여 오일러 - 라그랑주 방정식을 따르도록 강제합니다.
   • 질량 행렬 $M(q)$는 Cholesky 분해를 통해 양정치 (positive-definite) 성질을 보장하여 물리적 일관성을 유지합니다.
   • 이 부분은 관성 결합 및 운동량 일관성과 같은 기본 물리 법칙을 담당합니다.

2. 잔차 구성 요소 (Residual Component):

   • **조건부 흐름 매칭 (Conditional Flow Matching, CFM)**을 사용하여 모델링합니다.
   • 마찰, 충격, 미모델링된 힘 등 비보존적 효과를 확률적 생성 과정으로 표현합니다.
   • 접촉 전이 시 발생하는 다중 모드 (multi-modal) 분포를 효과적으로 포착하며, 결정론적 평균화 편향을 방지합니다.
   • 확산 모델 (Diffusion) 과 달리 연속 시간 흐름을 학습하여 단일 단계 (또는 적은 단계) 로 효율적인 샘플링이 가능합니다.

B. 학습 전략 (Joint Training)

두 구성 요소는 독립적으로 학습되지 않고, 관찰된 가속도 데이터에 대한 단일 지도 학습 목적 함수 하에 **엔드 - 투 - 엔드 (end-to-end)**로 공동 학습됩니다.

• LNN 은 낮은 분산의 구조화된 동역학을 학습하고, CFM 잔차는 확률적 변동을 담당하도록 암묵적인 역할 분담이 이루어집니다.

3. 주요 기여 (Key Contributions)

1. 하이브리드 동역학 모델링: 물리 법칙 기반의 라그랑지안 사전 지식 (Prior) 과 확률적 생성 모델 (CFM) 을 결합하여, 물리적 일관성과 복잡한 상호작용의 표현력을 동시에 확보했습니다.
2. 확률적 잔차의 도입: 접촉 및 마찰과 같은 비보존적 힘을 결정론적 함수가 아닌 확률 분포로 모델링하여, 다중 모드 행동을 정확히 포착하고 평균화 편향을 제거했습니다.
3. 효율적인 추론: 확산 모델 (Diffusion) 대비 계산 비용이 낮은 흐름 매칭 (Flow Matching) 을 사용하여, 실시간 제어 루프 (high-frequency control loops) 에 적용 가능한 추론 속도를 달성했습니다.
4. 광범위한 검증: 단순 진자 시스템부터 4 족 보행 로봇 (Unitree Go1), 휴머노이드 (Unitree G1) 에 이르기까지 다양한 복잡도의 시스템에서 유효성을 입증했습니다.

4. 실험 결과 (Results)

STRIDE 는 Unitree Go1(4 족) 과 G1(휴머노이드) 에 대한 시뮬레이션 및 실제 하드웨어 실험을 통해 평가되었습니다.

• 장기 예측 정확도 및 안정성:
  • 30 스텝 이상의 장기 롤아웃 (rollout) 시, STRIDE 는 결정론적 잔차 기반 모델 (DeLaN) 대비 약 20% 이상의 예측 오차 감소를 보였습니다.
  • 무구조화 모델 (Plain MLP) 대비 Go1 에서 83%, G1 에서 **53%**의 오차 감소 효과를 거두었습니다.
• 접촉 힘 예측:
  • 지면 반력 (Ground Reaction Force) 예측 오차가 DeLaN 대비 약 30% 감소했습니다.
  • 충격 및 스텝 - 스윙 전이 시 발생하는 급격한 불연속성을 결정론적 모델보다 정확하게 포착하여 힘의 평활화 (smoothing) 현상을 줄였습니다.
• 추론 효율성:
  • 확산 모델 기반 잔차와 비교하여, 동일한 정확도를 달성하는 데 필요한 함수 평가 횟수 (NFEs) 가 훨씬 적으며, 더 높은 샘플링 주파수를 유지하여 실시간 제어에 적합함을 입증했습니다.
• 하드웨어 배포 (실제 로봇):
  • Unitree Go1 에서 MPPI(Model Predictive Path Integral) 제어기에 통합되어 50Hz 로 실시간 구동되었습니다.
  • 미끄러운 표면, 20 도 경사, 진흙, 잔디 등 보지 못한 4 가지 지형에 대한 제로샷 (zero-shot) 적응이 성공적으로 이루어졌으며, 다양한 보행 (trot, pronk 등) 간 매끄러운 전환이 가능했습니다.
• 위험한 동역학 영역:
  • 1 자유도 진자 실험에서 불안정 평형점 근처의 위상 공간 구조 (phase portrait) 를 보존하며, 결정론적 모델이 보이는 평균화 편향을 방지함을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

STRIDE 는 로봇 제어 분야에서 물리 기반 모델의 강건성과 데이터 기반 모델의 표현력을 성공적으로 융합한 사례입니다.

• 실용적 가치: 복잡한 비구조화 환경에서도 안정적인 모델 기반 제어 (Model-based Control) 를 가능하게 하여, MPC 및 궤적 최적화 알고리즘의 신뢰성을 높입니다.
• 확장성: 고차원 휴머노이드 로봇에서도 성능이 입증되어, 향후 더 복잡한 로봇 플랫폼에 적용 가능한 확장성을 보입니다.
• 미래 방향: 불확실성 인식 계획 (uncertainty-aware planning) 과의 통합, 그리고 시각 관측을 포함한 환경 의존적 상호작용 모델링으로의 확장을 제안합니다.

결론적으로, STRIDE 는 불확실성이 높은 환경에서 로봇이 장기적으로 안정적으로 작동하고, 접촉 및 마찰과 같은 복잡한 물리적 현상을 정밀하게 예측할 수 있도록 하는 획기적인 동역학 학습 프레임워크입니다.