SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization

이 논문은 인간 동작 데이터를 로봇의 구조와 역학에 맞춰 보정하는 스키레톤 정렬 기법과 점진적 운동역학 궤적 최적화를 결합하여, 다양한 휴머노이드 로봇에 적용 가능한 자연스럽고 물리적으로 일관된 모션 참조를 생성하는 SPARK 프레임워크를 제안합니다.

핵심

이 논문은 **"인간 로봇 (휴머노이드) 이 인간의 춤이나 운동을 자연스럽게 따라 할 수 있게 해주는 새로운 기술"**을 소개합니다.

기존 방식은 인간이 하는 동작을 로봇에게 바로 적용하려다 보니, 로봇의 몸 구조와 맞지 않아 어색하거나 넘어지는 문제가 많았습니다. 이 논문은 이를 해결하기 위해 **'SPARK'**라는 두 단계짜리 시스템을 제안합니다.

이 시스템을 쉽게 이해할 수 있도록 요리사와 건축가의 비유로 설명해 드릴게요.

---

🍳 1 단계: 요리사의 레시피 수정 (스케레톤 보정)

상황:
인간은 키가 크고 팔이 길지만, 로봇은 키가 작고 팔이 짧습니다. 마치 **거인 요리사 (인간)**가 만든 레시피를 **작은 아이 (로봇)**가 그대로 따라 하려다 실패하는 상황과 같습니다.

기존 방식의 문제:
기존 기술들은 단순히 "팔을 0.8 배로 줄여라", "다리를 1.2 배 늘려라"라고 숫자만 조정했습니다. 하지만 이는 로봇의 뼈대 구조를 무시한 채 임의로 숫자를 바꾸는 것이어서, 관절이 꺾이거나 어색한 자세가 나오기 일쑤였습니다.

SPARK 의 해결책 (URDF 보정):
이 연구팀은 먼저 인간의 뼈대 데이터를 로봇의 **3D 모델 (URDF)**로 변환합니다. 그리고 인간의 뼈대 구조 자체를 로봇의 크기에 맞게 재설계합니다.

• 비유: 거인 요리사의 레시피를 그대로 가져오지 않고, 작은 아이의 입맛과 체격에 맞춰 재료의 양과 조리 시간을 처음부터 다시 계산하는 것입니다.
• 효과: 이렇게 하면 로봇이 인간의 동작을 따라 할 때, 관절이 꺾이지 않고 자연스럽게 움직일 수 있는 '정답'을 미리 만들어냅니다.

🏗️ 2 단계: 건축가의 안전 점검 (동역학 최적화)

상황:
이제 로봇이 인간의 동작을 따라 할 준비는 되었습니다. 하지만 인간은 근육의 힘과 관성을 이용해 공중제비 (Side Flip) 같은 어려운 동작을 합니다. 로봇은 단순히 위치만 맞추려다 보면, 중력을 무시하고 공중에 떠 있거나 너무 많은 힘을 써서 넘어질 수 있습니다.

기존 방식의 문제:
기존에는 로봇이 "아, 내가 넘어질 것 같네? 그럼 내가 알아서 균형을 잡아야지!"라고 학습 (RL) 시켰습니다. 하지만 이는 로봇에게 너무 어려운 숙제여서, 배우는 데 시간이 오래 걸리고 실패 확률이 높았습니다.

SPARK 의 해결책 (점진적 최적화):
이 연구팀은 로봇이 움직이기 전에 **물리 법칙을 완벽하게 따르는 '안전한 시뮬레이션'**을 3 단계로 거쳐 만듭니다.

1. 1 단계 (자세 교정): 발이 땅에 닿는 위치가 정확한지, 서로 부딪히지 않는지 확인합니다. (건물의 기초 다지기)
2. 2 단계 (힘 계산): "이 동작을 하려면 어떤 관절에 얼마나 힘을 줘야 하지?"를 계산합니다. (구조물 지지대 계산)
3. 3 단계 (종합 시뮬레이션): 위치, 속도, 힘, 중력을 모두 고려하여 물리적으로 불가능한 동작은 제거하고, **어떻게 힘을 써야 하는지 (토크)**까지 정해줍니다.

• 비유: 건축가가 건물을 지을 때, 단순히 "이렇게 쌓아라"라고 하는 게 아니라, "바람이 불어도 넘어지지 않게, 그리고 재료가 견딜 수 있게" 모든 힘을 계산한 후 최종 도면을 완성하는 것과 같습니다.

🚀 왜 이 기술이 중요한가요? (결과)

이 두 단계를 거치면 로봇은 다음과 같은 혜택을 받습니다.

1. 자연스러운 움직임: 로봇이 인간처럼 우아하게 공중제비를 돌거나 뛰어다닐 수 있습니다. (그림 1 의 Unitree G1 로봇이 옆으로 뒤집는 동작이 대표적입니다.)
2. 학습 속도 향상: 로봇이 "어떻게 움직일까?"를 스스로 고민할 필요가 없습니다. 이미 물리적으로 완벽한 '정답 (참조 데이터)'을 제공받기 때문에, 인공지능이 배우는 시간이 훨씬 빨라집니다.
3. 힘의 정보 제공: 단순히 "어디로 움직일지"뿐만 아니라 "얼마나 힘을 줘야 할지"까지 알려주기 때문에, 로봇이 더 강력하고 정밀하게 움직일 수 있습니다.

💡 한 줄 요약

이 논문은 **"인간의 동작을 로봇에게 가르칠 때, 단순히 모양만 맞추는 게 아니라 로봇의 몸과 힘의 법칙까지 완벽하게 고려해서 '가이드북'을 만들어주니, 로봇이 훨씬 쉽고 자연스럽게 인간처럼 움직인다"**는 내용입니다.

이 기술 덕분에 앞으로 우리 집이나 직장에서 인간처럼 유연하게 일할 수 있는 로봇들이 더 빨리, 더 똑똑하게 등장할 수 있을 것입니다.

기술 요약

1. 문제 정의 (Problem)

휴머노이드 로봇을 인간 중심 환경에서 작동시키기 위해서는 인간의 풍부한 운동 데이터 (Demonstration) 를 로봇 제어 정책에 활용하는 것이 필수적입니다. 그러나 기존 방법론에는 다음과 같은 한계가 존재합니다.

• 형태적 불일치 (Morphological Mismatch): 인간과 로봇은 링크 길이와 관절 구조가 다릅니다. 기존 리타게팅 (Retargeting) 방법들은 주로 작업 공간 (Task-space) 의 스케일링이나 국소 오프셋을 적용하여 이 불일치를 해결하려 했으나, 이는 하부 골격 구조 (Skeleton structure) 와 일치하지 않아 역기구학 (IK) 오차를 유발하고 튜닝 비용을 증가시킵니다.
• 동역학적 비현실성 (Dynamic Infeasibility): 대부분의 기존 파이프라인은 운동학적 (Kinematic) 정보만 고려하여 생성된 참조 궤적을 사용합니다. 이는 로봇의 동역학 제약 (관성, 마찰, 토크 한계 등) 을 고려하지 않아, 강화학습 (RL) 에이전트가 운동 추적과 동역학 보정을 동시에 학습해야 하므로 학습이 어렵고 비효율적입니다.
• 고도화된 운동의 어려움: 측면 뒤집기 (Side flip) 와 같은 역동적인 운동의 경우, 동역학적으로 실행 불가능한 참조 궤적은 RL 학습을 거의 불가능하게 만듭니다.

2. 방법론 (Methodology)

저자들은 SPARK라는 2 단계 파이프라인을 제안하여 인간의 작업 공간 운동 데이터를 로봇에 자연스럽고 동역학적으로 실행 가능한 참조 궤적으로 변환합니다.

1 단계: URDF 기반 골격 보정 및 역기구학 (IK)

• Human URDF 생성: 작업 공간의 인간 모션 데이터를 기반으로 인간의 골격을 URDF(Unified Robot Description Format) 형식으로 변환합니다.
• 스켈레톤 보정 (Skeleton Calibration): 변환된 인간 URDF 를 목표 로봇의 치수에 맞게 보정합니다.
  • 기존 SMPL 기반 방법과 달리, 이 방법은 임의의 인간 모션 포맷에 적용 가능합니다.
  • 팔, 다리, 몸통의 링크 길이를 로봇의 실제 치수와 정렬하고, 끝단 (End-effector) 의 위치/자세 오프셋을 보정합니다.
  • 효과: 작업 공간 목표 (Task-space targets) 가 로봇의 기하학적 구조와 일치하게 되어, 역기구학 (IK) 시 오차가 크게 줄어들고 IK 목적함수 (Cost function) 의 튜닝 노력이 최소화됩니다.
• 역기구학 (IK): 보정된 URDF 를 사용하여 로봇의 관절 각도 (Generalized coordinates) 를 생성합니다.

2 단계: 점진적 운동 - 동역학 궤적 최적화 (Progressive Kinodynamic TO)

생성된 운동학적 참조 궤적을 동역학적으로 실행 가능하도록 3 단계로 점진적으로 정제합니다.

1. 운동학적 궤적 최적화 (Kinematic TO, KTO):
   • 접촉 (Contact) 조건 (발이 땅에 닿는 시점, 공중에서의 높이 등) 과 자기 충돌 (Self-collision) 을 방지하는 제약 조건을 추가하여 운동학적 결함을 수정합니다.
2. 역동역학 (Inverse Dynamics, ID):
   • KTO 로 최적화된 궤적을 고정하고, 해당 궤적을 따르기 위해 필요한 관절 토크와 접촉 힘 (Wrench) 을 계산합니다. 이는 최종 최적화의 초기값 (Warm-start) 으로 사용됩니다.
3. 완전 운동 - 동역학 궤적 최적화 (Full Kinodynamic TO, KDTO):
   • 상태 (위치, 속도, 가속도) 와 입력 (토크, 접촉 힘) 을 동시에 최적화합니다.
   • Lagrangian 동역학, 접촉 힘 원뿔 (Contact Wrench Cone) 제약, 토크 한계 등을 모두 고려하여 동역학적으로 일관된 궤적과 토크 프로파일을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 일반화된 URDF 보정 알고리즘: 작업 공간 모션에서 인간 URDF 를 생성하고 로봇 치수에 맞춰 보정하는 알고리즘을 제안했습니다. 이는 SMPL 에 국한되지 않으며, 역기구학 품질을 획기적으로 향상시키고 튜닝 노력을 줄입니다.
2. 점진적 운동 - 동역학 최적화 프레임워크: 비선형성이 강한 운동 - 동역학 최적화 문제를 3 단계 (KTO $\to$ ID $\to$ KDTO) 로 나누어 점진적으로 해결하는 프레임워크를 제시했습니다. 이는 수렴성을 보장하고 고품질의 궤적을 생성합니다.
3. RL 학습을 위한 통합 파이프라인: 운동학적 리타게팅, 동역학 제약 준수 (TO), 그리고 RL 기반 제어 정책 학습을 연결하는 통합 시스템을 구축했습니다. 특히, 토크 참조 (Torque references) 를 제공하여 RL 학습의 복잡성을 줄이고 학습 속도를 가속화합니다.

4. 실험 결과 (Results)

• IK 정밀도 향상: AMASS 데이터셋을 다양한 휴머노이드 로봇 (Unitree G1, H1, T1 등) 에 리타게팅한 결과, 기존 GMR 방법 대비 평균 신체 위치 오차 (Empbpe) 가 약 65% ~ 83% 감소했습니다.
• 모션 편집 및 동역학 보정: 점프 높이를 변경하거나 정지 상태와 연결하는 모션 편집 시, 단순 편집 (Raw) 이나 KTO 만 사용하는 것보다 KDTO 를 사용한 참조 궤적이 RL 학습 수렴 속도와 최종 추적 오차 면에서 월등히 우수함을 입증했습니다.
• 고도화된 운동 (Side Flip): Fig. 1 과 Fig. 8 에서 보듯, 측면 뒤집기와 같은 고난이도 운동의 경우 KDTO 를 통해 동역학적으로 실행 가능한 궤적과 토크 참조를 제공함으로써, RL 에이전트가 학습 초기의 정체기 (Plateau) 를 극복하고 훨씬 빠르게 수렴하도록 돕습니다.

5. 의의 및 결론 (Significance)

이 논문은 인간 시연 데이터, 모델 기반 최적화, 학습 기반 제어를 성공적으로 융합했습니다.

• 자연스러움과 물리적 타당성의 균형: 인간의 자연스러운 운동 구조를 유지하면서도 로봇의 물리적 제약 (동역학, 접촉, 토크) 을 완벽하게 만족시키는 참조 궤적을 생성합니다.
• 학습 효율성 증대: RL 에이전트가 동역학 보정을 학습할 필요가 줄어들어, 데이터 효율성과 학습 속도가 크게 향상됩니다.
• 범용성: 다양한 휴머노이드 플랫폼과 다양한 인간 모션 포맷에 적용 가능한 범용적인 솔루션을 제공합니다.

결론적으로, SPARK 는 휴머노이드 로봇이 복잡한 인간 환경에서 역동적이고 자연스러운 작업을 수행할 수 있도록 하는 핵심적인 기술적 토대를 마련했습니다.