Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization

이 논문은 물리적으로 일관된 다-접촉 전신 궤적 최적화를 통해 모션 캡처 데이터를 인간형 로봇의 역학적으로 실행 가능한 보행 모션으로 재전송하는 'KDMR' 프레임워크를 제안하고, 이를 통해 기존 순수 운동학적 방법의 한계를 극복하고 하류 제어 정책의 학습 효율성과 안정성을 크게 향상시킨다고 설명합니다.

핵심

이 논문은 "로봇이 인간의 걸음걸이를 배울 때, 왜 종종 넘어지거나 미끄러지는지" 그리고 **"그 문제를 어떻게 해결했는지"**에 대한 이야기입니다.

간단히 말해, 이 연구는 **"인간의 움직임을 로봇에게 그대로 옮기는 기술 (모션 리타게팅)"**을 기존보다 훨씬 똑똑하고 물리 법칙을 지키는 방식으로 업그레이드했습니다.

이 내용을 일상적인 비유로 설명해 드릴게요.

---

1. 문제: "유리창에 비친 그림자"의 함정

기존의 기술들은 인간의 움직임을 로봇에게 옮길 때, 마치 유리창에 비친 그림자를 따라 그리는 것과 비슷했습니다.

• 상황: 인간이 걷는 모습을 카메라로 찍어서 로봇에게 "손을 들어, 발을 내딛어"라고 시켰습니다.
• 문제: 하지만 로봇은 인간과 몸무게나 관절 구조가 다릅니다. 그림자만 따라가다 보니, 로봇은 발이 바닥에 닿지 않고 공중에 떠 있거나 (부유 현상), 바닥을 뚫고 지나가거나 (지하 침투), 미끄러지는 어색한 행동을 하게 됩니다.
• 결과: 로봇은 "아, 내가 이렇게 움직여야 하는데, 물리 법칙이 안 맞아 넘어지네?"라고 혼란을 겪으며 배우는 데 훨씬 더 많은 시간과 에너지를 낭비하게 됩니다.

2. 해결책: KDMR (키노다이나믹 모션 리타게팅)

이 논문에서 제안한 KDMR은 단순히 그림자만 보는 게 아니라, "무게와 힘까지 계산하는 똑똑한 코치" 역할을 합니다.

비유 1: "무게 중심을 아는 무용가"

기존 기술이 "발 모양"만 따라했다면, KDMR은 **"발이 바닥을 어떻게 누르는지 (지반 반력)"**까지 봅니다.

• 인간이 걸을 때는 발뒤꿈치에서 시작해 발끝으로 무게가 이동합니다 (Heel-to-Toe Roll).
• KDMR은 이 무게 이동의 흐름을 로봇에게 정확히 전달합니다. 마치 무용수가 무대 바닥을 발끝으로 느끼며 춤추는 것처럼, 로봇도 바닥을 단단히 누르고 움직이도록 설계된 것입니다.

비유 2: "불가능한 주문을 거절하는 요리사"

기존 기술은 인간이 "공중으로 점프해"라고 하면 로봇에게도 그렇게 시켰다가 로봇이 넘어지게 만들었습니다.

• 하지만 KDMR은 **"그건 로봇에게는 물리적으로 불가능한 주문이야"**라고 먼저 판단합니다.
• 대신, 로봇이 넘어지지 않으면서도 인간과 가장 비슷하게 움직일 수 있는 최적의 경로를 다시 계산해 줍니다. 마치 요리사가 손님이 시킨 "공중 부양 스테이크"를 대신해 "가장 맛있고 완벽하게 구워진 스테이크"를 만들어 내는 것과 같습니다.

3. 핵심 기술: 두 단계의 요리 과정

이 연구는 복잡한 계산을 두 단계로 나누어 해결했습니다.

1. 첫 번째 단계 (자세 맞추기): 인간의 움직임을 로봇의 관절에 대입해서 대략적인 자세를 잡습니다. (이 단계에서는 아직 물리 법칙이 완벽하지 않을 수 있습니다.)
2. 두 번째 단계 (물리 법칙 다듬기): 여기서부터가 핵심입니다. **"이 자세로 로봇이 넘어지지 않을까?", "발이 미끄러지지 않을까?"**를 수학적으로 검증합니다. 만약 문제가 있으면, 로봇이 넘어지지 않으면서도 인간과 가장 비슷하게 움직이도록 자세와 힘을 미세하게 조정합니다.

4. 성과: 더 빨리, 더 잘 배우는 로봇

이 기술을 적용한 결과, 로봇은 다음과 같은 변화를 겪었습니다.

• 자연스러운 보행: 발이 바닥에 닿는 순간이 정확해져서, 마치 인간처럼 뒤꿈치에서 발끝으로 자연스럽게 무게를 옮깁니다.
• 학습 속도 향상: 로봇이 "왜 넘어지지?"라고 고민할 필요가 없기 때문에, 인간 모방 학습 (Imitation Learning) 을 훨씬 빨리 마스터합니다. (논문에 따르면 기존 방법보다 학습 효율이 훨씬 뛰어났습니다.)

5. 결론: "눈에 보이는 것"보다 "느껴지는 것"이 중요하다

이 논문의 핵심 메시지는 **"로봇이 인간처럼 보이게 하는 것 (외형) 만 중요한 게 아니라, 인간처럼 **느끼고 반응하는 것 (물리 법칙)**이 중요하다"**는 것입니다.

기존에는 로봇이 인간처럼 보이는 데 집중했다면, 이 연구는 로봇이 인간처럼 움직일 수 있는 (물리적으로 가능한) 길을 찾아주었습니다. 덕분에 로봇은 이제 넘어지지 않고, 더 안정적이고 자연스럽게 인간과 함께 걸을 수 있게 되었습니다.

한 줄 요약:

"로봇에게 인간의 걸음걸이를 가르칠 때, 단순히 '모양'만 따라하게 하지 말고, '무게와 힘'까지 계산하게 하여 넘어지지 않고 자연스럽게 걷게 만든 혁신적인 방법입니다."

기술 요약

1. 문제 정의 (Problem Definition)

• 배경: 인간형 로봇 (Humanoid) 의 보행 제어는 모션 캡처 (MoCap) 데이터를 기반으로 한 모방 학습 (Imitation Learning) 을 통해 인간과 유사한 자연스러운 동작을 구현하는 방식으로 발전해 왔습니다.
• 핵심 문제: 기존의 모션 리타게팅 (Motion Retargeting) 방법들은 주로 **순수 운동학 (Kinematics)**에 의존합니다. 이는 인간과 로봇의 형태적 차이 (관절 제한, 질량 분포, 구동 능력 등) 를 고려할 때 다음과 같은 심각한 물리적 비일관성 (Artifacts) 을 초래합니다.
  • 발 미끄러짐 (Foot sliding) 및 지면 침투 (Ground penetration).
  • 동적으로 불가능한 전환 (Dynamically infeasible transitions).
  • 발뒤꿈치에서 발가락으로의 자연스러운 구르기 (Heel-to-toe roll) 패턴의 부재.
• 결과: 이러한 물리적 오류가 학습 데이터에 포함되면, 하류의 제어 정책 (Control Policy) 은 이러한 불가능한 참조 동작을 보정하기 위해 학습해야 하므로 샘플 효율성 (Sample Efficiency) 이 떨어지고, 학습 안정성과 최종 성능이 저하됩니다.

2. 제안 방법론 (Methodology: KDMR)

저자들은 **KinoDynamic Motion Retargeting (KDMR)**이라는 새로운 프레임워크를 제안합니다. 이는 모션 캡처 데이터와 지면 반력 (GRF, Ground Reaction Force) 데이터를 통합하여, 다중 접촉 (Multi-contact) 및 전체 신체 동역학 (Whole-body Dynamics) 을 고려한 궤적 최적화 문제로 리타게팅 과정을 모델링합니다.

A. 데이터 처리 및 인간 참조 자세 계산

• 광학 마커 데이터와 GRF 데이터를 동기화하여 인간 골격 모델 (OpenSim 사용) 에 피팅합니다.
• 역운동학 (IK) 을 통해 인간 관절 각도를 구하고, 로봇의 타겟 프레임 (고관절, 무릎, 발목 등) 에 해당하는 자세 시퀀스를 생성합니다.

B. 발뒤꿈치 - 발가락 접촉 패턴 추정 (Heel-Toe Contact Patterns)

• 단순한 GRF 데이터만으로는 발뒤꿈치와 발가락의 개별 접촉 시점을 구분하기 어렵습니다.
• 생체역학적 접근: 수직 GRF 프로파일의 특징 (이중 피크, 중립기 dip 등) 을 분석하여 발의 **접촉 단계 (Stance Phase)**를 세분화합니다.
  • 발뒤꿈치만 접촉, 전체 발바닥 접촉, 발가락만 접촉 단계를 자동으로 감지합니다.
  • 이를 통해 인간 보행 특유의 자연스러운 'Heel-to-toe roll' 패턴을 로봇에 매핑합니다.

C. 운동학 기반 리타게팅 (Kinematic Optimization)

• 먼저 비볼록 (Non-convex) 한 전체 동역학 문제를 단순화하기 위해, 순수 운동학 기반의 최적화를 수행하여 초기 참조 궤적 ($q_{ref}$) 을 생성합니다.
• 로봇의 관절 한계와 기하학적 일관성을 유지하며 인간 동작의 형태를 로봇에 매핑합니다.

D. 동역학 기반 리타게팅 (Dynamic Optimization)

• 초기 운동학 궤적은 물리적으로 불가능한 오류를 포함할 수 있으므로, 이를 **제약 조건이 포함된 비선형 계획법 (NLP)**을 통해 보정합니다.
• 최적화 목적 함수:
  • 참조 궤적 추적 오차 최소화 (Base 및 Joint tracking).
  • 속도 및 힘의 부드러움 (Smoothing) 확보.
  • 토크 정규화.
• 제약 조건:
  • 강체 동역학 (Rigid-body Dynamics): 관성, 코리올리, 중력, 구동 토크, 접촉력을 포함한 방정식 ($D\ddot{q} + H = Bu + J^T\lambda$).
  • 접촉 제약 (Contact Constraints): 지지기 (Stance) 에서는 접촉점의 속도와 가속도가 0 이어야 함.
  • 마찰 원뿔 (Friction Cone): 접지력이 마찰 원뿔 내부에 있어야 미끄러짐이 방지됨.
  • 지면 접촉: 발이 지면을 관통하거나 뜨지 않도록 제약.

3. 주요 기여 (Key Contributions)

1. KDMR 파이프라인: 운동학과 전체 신체 동역학을 공동 최적화하여, 인간과 로봇 간의 형태적 차이를 극복하고 수학적으로 보장된 매끄러운 동역학 가능 (Dynamically feasible) 참조 궤적을 생성합니다.
2. 생체역학 기반 접촉 상태 추정: 시간 계열 GRF 데이터를 활용하여 발뒤꿈치와 발가락의 접촉 상태 및 힘 분포를 자동으로 계산하는 방법을 제시합니다. 이를 통해 자연스러운 인간형 보행 패턴을 구현합니다.
3. 체계적 비교 및 검증: 순수 운동학 기반 리타게팅 방법 (GMR) 과 비교하여, KDMR 이 생성된 참조 데이터를 사용하여 학습된 정책이 더 높은 샘플 효율성과 성능을 보임을 입증했습니다.

4. 실험 결과 (Results)

• 실험 설정: Unitree G1 인간형 로봇을 대상으로 오픈소스 생체역학 데이터셋을 사용하여 KDMR 과 기존 방법 (GMR) 을 비교했습니다. 하류 작업은 BeyondMimic 프레임워크를 사용한 모방 학습으로 평가했습니다.
• 운동학적 및 동역학적 정확도:
  • 물리적 오류 제거: GMR 은 발이 공중에 뜨거나 (Foot floating) 지면을 침투하는 오류가 발생했으나, KDMR 은 이를 완전히 제거하고 자연스러운 접촉 패턴을 유지했습니다.
  • 부드러운 궤적: KDMR 은 GMR 에서 관찰된 심한 불연속성 없이 더 매끄러운 기저 (Base) 및 관절 속도 프로파일을 생성했습니다.
  • GRF 추적: 생성된 궤적의 지면 반력이 인간 원본 데이터의 질량 보정 후 값과 높은 정확도로 일치했습니다.
• 학습 효율성 (Sample Efficiency):
  • KDMR 데이터로 학습된 정책은 GMR 데이터로 학습된 정책보다 더 빠른 수렴 속도를 보였습니다.
  • 이는 물리적으로 타당한 참조 동작이 학습 에이전트가 물리적 오류를 보정하는 데 소모하는 에너지를 줄여주기 때문입니다.

5. 의의 및 결론 (Significance)

• 물리적 타당성의 중요성 강조: 단순히 시각적으로 인간과 유사한 동작을 만드는 것을 넘어, 동역학적 제약과 접촉 상호작용을 명시적으로 고려해야만 실제 로봇에 적용 가능한 고품질 모방 학습이 가능함을 증명했습니다.
• 실제 적용 가능성: KDMR 은 복잡한 다중 접촉 보행 (Heel-to-toe roll) 을 포함한 인간형 로봇의 보행 제어에 필수적인 물리적 일관성을 제공하며, 학습된 정책의 안정성과 성능을 획기적으로 향상시킵니다.
• 오픈소스: 제안된 엔드 - 투 - 엔드 파이프라인은 공개될 예정이며, 향후 인간형 로봇의 보행 제어 연구에 중요한 기여를 할 것으로 기대됩니다.

요약하자면, 이 논문은 운동학 데이터의 한계를 극복하기 위해 GRF 와 동역학 최적화를 결합한 KDMR 을 제안함으로써, 인간형 로봇이 물리적으로 타당하고 효율적으로 인간 보행을 모방할 수 있는 새로운 기준을 제시했습니다.