기술 요약: MyoChallenge 2025: 인간 운동 지능을 위한 새로운 벤치마크

문제 제기

인간의 운동 수행 능력은 감각운동 지능의 정점을 나타내며, 역동적으로 변화하는 환경 내에서 신속한 의사결정, 정밀한 제어, 그리고 조율된 실행을 요구합니다. 이러한 능력을 인공지능과 로봇공학에서 재현하는 것은 여전히 요원한데, 그 이유는 현재 프레임워크들이 종종 근육 기반 시스템의 생물학적 복잡성 (비선형성, 지연, 결합 특성) 을 포착하지 못하는 단순화된 작동기 및 동역학 모델에 의존하기 때문입니다. 또한, 복잡한 근육 조율의 생체 내 (in vivo) 측정이 어렵기 때문에 생물학적 숙달에 대한 이해가 방해받고 있습니다. 이전 연구들은 고립된 운동학적 성능이나 신체의 일부 세그먼트에 초점을 맞춰 왔으나, 고정밀 전신 근골격계 (MSk) 모델을 상호작용 가능한 물리 시뮬레이션 스포츠 환경 및 고급 머신러닝 알고리즘과 통합하는 공개 벤치마크는 결정적으로 부족합니다.

방법론

MyoChallenge 2025 은 MuJoCo 물리 엔진을 기반으로 하는 오픈소스 프레임워크인 MyoSuite 내에서 벤치마크를 구축함으로써 이 격차를 해소합니다. 본 대회는 스포츠 분야에서 운동 제어 지능을 테스트하도록 설계된 두 가지 별도의 트랙을 특징으로 합니다:

1. 탁구 트랙: 에이전트는 들어오는 공을 반환하기 위해 생체역학적 상지 (MyoArm: 27 자유도, 63 개 근육) 와 몸통 (MyoTorso: 18 자유도, 210 개 작동기) 을 제어합니다. 골반은 측면 이동을 시뮬레이션하기 위해 x/y 방향으로 작동됩니다. 이 과제는 다양한 공의 궤적과 속도를 처리할 수 있는 범용 정책을 요구합니다.
2. 축구 페널티 킥 트랙: 에이전트는 골키퍼를 상대로 페널티 킥을 실행하기 위해 전신 모델 (MyoLeg: 28 자유도, 80 개 근육 및 MyoTorso 포함) 을 제어합니다. 이 과제는 290 개의 근육을 조율하여 동시에 보행, 자세 안정성, 그리고 정밀한 탄도 타격을 관리하는 것을 요구합니다.

시뮬레이션 및 평가:

• 모델: MSk 모델은 이전 버전보다 거의 세 배 더 복잡하며, 고정밀 근육 - 힘줄 유닛을 특징으로 합니다.
• 단계: 대회는 정적 환경으로 구성된 개막 단계와 질량, 마찰, 공의 궤적, 골키퍼 행동에 중대한 환경 변화를 도입하여 견고성을 테스트하는 플레이오프 단계로 구성되었습니다.
• 지표: 팀들은 주로 성공률 (성공적인 반환 또는 득점) 에 따라 순위가 매겨졌습니다. 플레이오프 단계에서는 동점 시 "근육 활성화 노력" (평균 제곱 활성화) 으로 동점을 깨뜨려 에너지 효율성을 보상했습니다.
• 데이터: 사전 수집된 훈련 데이터셋은 필요하지 않았으며, 정책들은 상호작용을 통해 학습할 것으로 예상되었습니다. 그러나 모방 학습 데이터를 생성하기 위한 커스텀 봇이 제공되었으며, AMASS, BONES-SEED 와 같은 공개 데이터셋을 사전 지식으로 활용하는 것이 권장되었습니다.

주요 기여 및 우승 솔루션

본 대회는 69 개 팀과 562 개의 제출작을 유치했습니다. 우승 솔루션들은 순수 엔드 - 투 - 엔드 학습에서 물리 기반 사전 지식과 계층적 구조를 통합한 하이브리드 접근법으로의 전환을 보여주었습니다.

탁구 트랙

• 1 위 (ActingAI 팀): **미분 평탄성 (differential flatness)**을 활용한 계층적 프레임워크인 Diff-Muscle을 제안했습니다. 그들은 시스템의 상태와 제어가 관절 구성 (평탄 출력) 에 의해 대수적으로 결정될 수 있음을 증명했습니다. 이를 통해 고차원 근육 활성화 ($R^{273}$) 에서 저차원 관절 공간 ($R^{32}$) 으로 행동 공간을 압축할 수 있었습니다. 이 프레임워크는 공의 궤적을 예측하고 목표 라켓 상태를 계산하는 물리 기반 플래너, 관절 제어를 위한 PPO 기반 RL 정책, 그리고 관절을 다시 근육으로 매핑하는 운동학 기반 근육 작동 컨트롤러 (K-MAC) 를 사용합니다.
• 2 위 (BioSyn 팀): 인간의 운동 피질에서 영감을 받은 구조화된 강화 학습 접근법을 활용했습니다. 그들은 제어를 손, 팔, 몸통, 골반과 같은 특정 신체 부위에 전념하는 "시너지 서브넷"으로 분해했습니다. 탐색은 이러한 시너지로 가중치가 부여된 다변량 가우시안 노이즈에 의해 안내되어 길항적 공활성을 줄이고 에너지 효율성을 향상시켰습니다.
• 3 위 (LNSGroup 팀): 물리 사전 지식을 CrossQ 알고리즘 및 **가우시안 프로세스 분류기 (GPC)**와 통합했습니다. 물리 모델은 공의 궤적을 예측하여 밀집된 기하학적 추적 보상을 생성했습니다. GPC 는 신뢰도에 따라 들어오는 공을 전문 하위 정책 (정면/백핸드) 으로 동적으로 라우팅하여 플레이오프 단계에서 확장된 궤적 분포를 효과적으로 처리했습니다.

축구 페널티 킥 트랙

• 1 위 (Servette MyoClub 팀): 처음부터 훈련하는 대신 **사전 훈련된 보행 사전 지식 (KINESIS)**을 활용함으로써 성공했습니다. 그들은 다음 두 단계 파이프라인을 사용했습니다:
  1. 교사 정책: 인간 보행 데이터로 훈련된 KINESIS 운동 모방 정책을 목표 도달 정책으로, 그 다음 공 차기 정책으로 미세 조정했습니다.
  2. 재할당 (Retargeting): 오프라인 궤적 수집, 학생 사전 훈련 (행동 복제), 그리고 관찰 공간 불일치를 처리하기 위한 온 - 정책 행동 복제 (OBC/DAgger) 를 통해 교사 정책을 MyoChallenge 환경으로 이전했습니다. 마지막으로 에너지 효율성을 개선하기 위해 PPO 미세 조정을 적용했습니다.

결과

• 참가: 10 개 이상의 국가에서 온 69 개 팀이 참여하여 총 562 개의 제출작을 냈습니다. 참가 팀의 63% 는 전적으로 학생들로 구성되었습니다.
• 탁구 성능: 우승 팀 (ActingAI) 은 1 단계에서 100% 성공, 2 단계에서 64% 성공을 거두었으며, 노력 점수는 0.1306 이었습니다. 최종 점수에서 상위 세 팀은 성공률에서 불과 5% 차이로 구분되었습니다.
• 축구 성능: 극도의 복잡성 (290 개 근육) 으로 인해 기저선을 넘은 팀은 한 팀뿐이었습니다. Servette MyoClub 은 1 단계에서 100% 성공, 2 단계에서 32% 성공을 거두었으며, 노력 점수는 1.3174 였습니다.
• 컴퓨팅 병목 현상: 훈련 시간은 심각한 CPU 병목 현상을 강조했습니다. 우승 축구 정책은 약 14 일의 훈련 시간이 필요했고, 탁구 정책은 약 51 시간이 필요하여 GPU 가속 시뮬레이션 파이프라인의 필요성을 강조했습니다.

의의 및 주장

본 논문은 MyoChallenge 2025 이 고정밀 MSk 시뮬레이션을 사용하는 스포츠 민첩성을 위한 최초의 벤치마크를 수립하여 현재 최첨단 모델과 진정한 인간 운동 지능 사이의 격차를 해소했다고 주장합니다.

• 학제간 영향: 이 행사는 의사, 신경과학자, 머신러닝 전문가 등 다양한 커뮤니티를 하나로 묶어 생체역학, 스포츠 과학, 신경과학 연구의 재현 가능한 테스트베드로 기능했습니다.
• 방법론적 전환: 결과는 고차원적이고 역동적인 과제의 경우 순수 엔드 - 투 - 엔드 학습만으로는 종종 불충분함을 나타냅니다. 성공적인 전략들은 increasingly 물리 기반 사전 지식, 계층적 계획, 근육 시너지, 그리고 전문가 정책으로부터의 행동 복제에 의존하고 있습니다.
• 미래 방향: 본 논문은 엔드 - 투 - 엔드 GPU 가속의 부재를 결정적인 장벽으로 지적합니다. 확장 가능한 전신 근골격계 제어를 가능하게 하고 생체역학 시뮬레이션의 데이터 기반 시대를 열어주기 위해 필드는 MuJoCo-Warp 와 같은 완전히 GPU 가속된 파이프라인으로 전환해야 한다고 주장합니다.
• 한계: 저자들은 겸손하게도 엘리트 인간 운동 선수에 비해 여전히 성능 격차가 존재한다고 지적합니다. 현재 보상 수식은 전방 속도를 최대화하지만 최적화된 운동 사슬 순서나 신장 - 단축 주기를 명시적으로 포착하지 못하여, 인간의 성능과 같은 최대 속도와 유연한 정밀도가 결여된 시뮬레이션 킥이 결과로 나타납니다.

대회 스위트는 재활 및 보조 기술용 현실적이고 일반화 가능한 디지털 트윈의 추가 연구 및 개발을 촉진하기 위해 MyoSuite 저장소 내에서 공개적으로 계속 제공됩니다.