1. 문제 정의 (Problem)

인간형 로봇 (Humanoid Robot) 이 테니스와 같은 역동적인 스포츠 기술을 습득하는 것은 여전히 핵심적인 난제입니다.

• 데이터 수집의 어려움: 테니스는 시속 6m 이상의 빠른 이동, 시속 15~30m 의 공에 대한 즉각적인 반응, 그리고 수 밀리초 단위의 정밀한 라켓 타격 동작을 요구합니다. 이러한 고난도 동작을 인간 - 로봇 텔레오퍼레이션 (Tele-operation) 으로 직접 모방 학습 (Imitation Learning) 하기 어렵습니다.
• 완벽한 모션 데이터의 부재: 실제 경기에서의 완전하고 정밀한 인간 테니스 모션 데이터를 모션 캡처로 수집하는 것은 매우 비용이 많이 들고 기술적으로 어렵습니다. (예: Vid2Player3D 와 같은 방법은 복잡한 파이프라인과 물리적으로 비현실적인 가정 (잔여 힘 등) 을 필요로 함)
• 불완전한 데이터의 한계: 기존에 수집 가능한 데이터는 주로 '불완전 (Incomplete)'하고 '정밀하지 않은 (Imprecise)' 원시 기술 (Primitive skills, 예: 포핸드, 백핸드, 측면 이동 등) 의 조각 (Fragments) 에 불과합니다. 특히 인간과 로봇의 신체 구조 차이 (Embodiment gap) 로 인해 라켓을 잡는 손목 동작은 매우 부정확합니다.

2. 방법론 (Methodology: LATENT)

저자들은 LATENT라는 시스템을 제안하여, 불완전한 인간 모션 데이터로부터 역동적인 인간형 테니스 기술을 학습합니다. 이 시스템은 크게 세 단계로 구성됩니다.

2.1 불완전한 인간 모션 데이터 수집

• 실제 경기 대신 광학 모션 캡처 시스템 내에서 테니스의 기본 동작 (포핸드, 백핸드, 측면 이동 등) 만을 5 명의 아마추어 선수가 수행하도록 하여 데이터를 수집했습니다.
• 전체 경기 시퀀스 대신 기본 기술 조각만 수집함으로써 데이터 수집의 난이도와 비용을 대폭 낮췄습니다.
• 수집된 인간 모션은 로봇으로 리타게팅 (Retargeting) 되며, 이 과정에서 손목 동작의 부정확성이 발생합니다.

2.2 수정 가능한 잠재 행동 공간 (Correctable Latent Action Space) 구축

• 모션 트래커 사전 학습: 수집된 불완전한 데이터를 모방하는 모션 트래커를 학습합니다. 이때 손목 (라켓을 잡는 부분) 제어 신호를 제거하고 무작위 교란을 주어, 트래커가 손목의 오차에 강인하도록 만듭니다.
• 온라인 증류 (Online Distillation) 와 변이 정보 병목: 트래커를 학생 네트워크 (Student Network) 로 증류하여 잠재 공간 (Latent Space) 을 학습합니다.
  • 조건부 사전 분포 (Conditional Prior): 로봇의 상태 (State) 에 따라 행동 분포가 다르다는 점을 고려하여, 고정된 가우시안 분포 대신 학습 가능한 조건부 사전 분포를 사용합니다.
  • 손목 교란 강인성: 잠재 공간이 손목의 오차에 대해 강인하도록 설계합니다.

2.3 고수준 정책 학습 (High-Level Policy Learning)

• 하이브리드 제어: 고수준 정책 (Planner) 은 잠재 행동 (Latent Action) 과 직접적인 손목 제어 명령 (Correction Action) 을 동시에 출력합니다. 이를 통해 잠재 공간의 안정성을 유지하면서 손목 동작을 정밀하게 보정할 수 있습니다.
• 잠재 행동 장벽 (Latent Action Barrier, LAB):
  • 문제: 강화학습 (RL) 중 고수준 정책이 잠재 공간의 '비자연스러운' 영역을 탐험하여 떨림이 심하거나 비효율적인 동작을 생성할 수 있습니다.
  • 해결: 잠재 행동의 탐색 범위를 사전 분포의 평균 ($\mu_p$) 주변으로 제한하는 '장벽'을 도입합니다. 마할라노비스 거리 (Mahalanobis distance) 를 사용하여 상태에 따른 표준편차를 고려하여 적응적으로 탐색 범위를 조절합니다. 이는 자연스러운 동작 스타일을 유지하면서 과업 수행을 가능하게 합니다.

2.4 시뮬레이션 - 현실 전이 (Sim-to-Real Transfer)

• 동역학 무작위화 (Dynamics Randomization): 로봇의 마찰력, 질량, 질량 중심, 그리고 테니스 공의 물리 특성 (탄성, 공기 저항 등) 을 무작위화하여 현실 세계의 불확실성을 대비합니다.
• 관측 노이즈 (Observation Noise): 실제 센서 오차와 지연을 모방하기 위해 관측 데이터에 균일 노이즈, 프레임 드롭아웃, 지연을 추가합니다. 특히 공의 속도 추정을 위해 4 프레임 슬라이딩 윈도우를 사용하여 노이즈를 평균화합니다.

3. 주요 기여 (Key Contributions)

1. LATENT 시스템 제안: 불완전하고 정밀하지 않은 인간 모션 데이터 조각으로부터 역동적인 인간형 테니스 기술을 학습하는 새로운 프레임워크를 제시했습니다.
2. 잠재 행동 공간 설계 기법: 불완전한 데이터를 효과적으로 활용하기 위해 '수정 가능한 잠재 공간'과 '잠재 행동 장벽 (LAB)'이라는 두 가지 핵심 설계를 도입했습니다.
3. 실제 로봇 배포 성공: Unitree G1 인간형 로봇에 방법을 배포하여 인간 선수와의 다중 샷 랠리 (Multi-shot rallies) 를 안정적으로 지속할 수 있음을 입증했습니다.
4. 광범위한 실험 검증: 시뮬레이션 및 실제 환경에서의 실험을 통해 각 구성 요소의 유효성과 기존 방법론 대비 우수한 성능을 검증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 성능:
  • 성공률 (Success Rate): 제안된 LATENT 는 포핸드에서 96.52%, 백핸드에서 **82.10%**의 성공률을 기록하여, 기존 방법 (PPO, MotionVAE, AMP, ASE, PULSE 등) 보다 압도적으로 높은 성능을 보였습니다. (기존 방법들은 수렴 실패 또는 낮은 성공률 보임)
  • 동작 품질: 평균 오차 (DE) 가 가장 낮고, 관절 가속도 (Smth) 와 토크 (Torque) 가 가장 낮아 자연스럽고 물리적으로 안전한 동작을 생성함을 증명했습니다.
• 실제 로봇 성능 (Real-world Deployment):
  • Unitree G1 로봇을 사용하여 인간과 20 회 연속 랠리를 수행했습니다.
  • 성공률: 포핸드 90.90%, 백핸드 **77.78%**의 높은 성공률을 달성했습니다.
  • 비교: 동역학 무작위화 (DR) 나 관측 노이즈 (ON) 를 제거한 경우 성공률이 급격히 하락하여, 제안된 전이 기법의 중요성을 입증했습니다.
  • 시속 15m 이상으로 날아오는 공을 성공적으로 타격하고 목표 지점으로 반환하는 능력을 보여주었습니다.

5. 의의 및 결론 (Significance)

• 데이터 효율성: 고비용의 완벽한 모션 데이터 수집 없이도, 쉽고 빠르게 수집할 수 있는 '불완전한' 기본 동작 데이터만으로 고난도 스포츠 기술을 학습할 수 있음을 증명했습니다.
• 실용성: 복잡한 물리 모델링이나 정밀한 시스템 식별 없이도, 동역학 무작위화와 잠재 공간 제어를 통해 실제 로봇에 안정적인 스포츠 기술을 배포할 수 있는 가능성을 열었습니다.
• 확장성: 테니스뿐만 아니라 축구, 파쿠르 등 완전한 인간 모션 데이터를 구하기 어려운 다양한 역동적인 작업에도 이 프레임워크를 적용할 수 있는 잠재력을 가지고 있습니다.

이 논문은 인간형 로봇이 인간의 자연스러운 운동 스타일을 유지하면서도 고도의 역동성과 정밀함을 갖춘 스포츠 기술을 습득할 수 있는 새로운 패러다임을 제시합니다.