기술 요약: orca – 오픈 소스 숙련도 연구를 위한 플랫폼

문제 정의

로봇 조작 연구는 신뢰성, 기계적 단순성, 그리고 원격 제어의 용이성 덕분에 주로 두 손가락 평행 그리퍼로 수렴해 왔습니다. 이러한 그리퍼는 많은 작업에 효과적이지만, 인핸드 재배향(in-hand reorientation)과 같이 인간 수준의 숙련도에 필요한 자유도와 풍부한 접촉력을 갖추지 못했습니다. 인간형 손(Anthropomorphic hands)은 숙련된 학습을 위한 더 자연스러운 플랫폼을 제공하며 인간의 비디오 데이터를 직접 활용할 수 있지만, 높은 비용과 상당한 통합 문제로 인해 연구에서 여전히 과소 활용되고 있습니다.

현재 숙련된 손을 위한 소프트웨어 생태계는 파편화되어 있습니다. 연구자들은 벤더 전용 SDK, 커스텀 리타겟팅 스크립트, 상호 운용이 불가능한 원격 제어 파이프라인을 포함한 고립된 구성 요소들로부터 맞춤형 스택을 직접 조립해야 합니다. 이러한 파편화는 재현성을 저해하고 진입 장벽을 높입니다. 또한, 기존의 오픈 소스 로봇 학습 프레임워크(예: lerobot)는 주로 그리퍼 기반 암(arm)을 대상으로 하며, 숙련된 손에 필요한 복잡한 제어, 시뮬레이션 및 리타겟팅을 기본적으로 지원하지 않습니다.

방법론

저자들은 숙련된 조작 연구를 통합하기 위해 설계된 오픈 소스 엔드 투 엔드 연구 스택인 orca를 소개합니다. 이 시스템은 약 3,000달로의 저비용으로 제작 가능하며, 17자유도(DoF)를 가진 완전 3D 프린팅 가능한 텐던 구동 방식(tendon-driven)의 인간형 손인 Orcahand를 중심으로 구축되었습니다. 하드웨어는 촉각 센싱 및 소형 인코더를 포함한 다양한 구성을 지원하며, 연구용(Dynamixel) 및 가성비 모델(Feetech) 액추에이터 모두와 호환됩니다.

orca 소프트웨어 스택은 단일 데이터 형식과 제어 추상화를 공유하는 네 가지 상호 운용 가능한 패키지로 구성된 모듈형 구조입니다:

1. orca_core: 하드웨어 제어를 위한 고수준의 강력한 타입 API를 제공하여 구동, 캘리브레이션 및 상태 추정을 추상화합니다. 이는 폐루프 정책(closed-loop policies)에 적합한 고정 제어율에서 관절 레벨의 위치 및 전류 제어를 노출하며, 전체 관절 상태(촉각 데이터 포함)를 재구성합니다.
2. orca_sim: 핵심 인터페이스를 시뮬레이션 환경(MuJoCo 및 URDF/MJCF)으로 확장합니다. 물리적인 손과 동일한 기술 파일(description files)을 사용하여 시뮬레이션에서 학습된 정책이 하드웨어로 원활하게 전이되도록 보장합니다. 단일 손 및 풀 암(full-arm) 설정(예: Franka Panda, OpenArm)을 지원합니다.
3. orca_arm: Orcahand를 매니퓰레이터 암과 통합하여 양팔 및 단일 팔 숙련 작업을 가능하게 합니다.
4. orca_teleop: 이질적인 입력 스트림(MediaPipe, Meta Quest 3, Manus glove)을 수용하고 인간의 움직임을 로봇으로 리타겟팅함으로써 원격 제어를 간소화합니다. 노이즈와 형태학적 불일치를 처리하기 위해 주요 벡터(손바닥 포즈, 손가락 끝 위치, 방향, 핀치 관계)에 대한 Huber loss를 사용하는 최적화 루틴을 채택합니다. 이 파이프라인은 실제 및 시뮬레이션 싱크 모두와 호환되는 표준화된 핸드 랜드마크를 출력합니다.

핵심적인 아키텍처 결정은 인기 있는 로봇 학습 프레임워크인 lerobot과의 네이티브 통합입니다. 이를 통해 숙련된 손 연구자들은 그리퍼 기반 로봇에서 사용되는 것과 동일한 데이터 수집, 학습 및 평가 파이프라인을 활용할 수 있습니다.

주요 기여

• orca 학습 스택: 제어, 시뮬레이션, 원격 제어 및 인간-로봇 리타겟팅을 단일 인터페이스 뒤로 통합한 완전한 오픈 소스(MIT 라이선스) 연구 스택입니다. 이는 Orcahand를 일류 로봇 학습 플랫폼으로 변모시킵니다.
• lerobot과의 통합: 이 스택은 숙련도 연구를 lerobot 생태계로 이식하여, 확립된 도구 및 추상화(예: ACT, Diffusion Policy)를 사용하여 숙련된 정책을 학습하고 평가할 수 있게 합니다.
• 통합된 실물-시뮬레이션 인터페이스: 물리적 손과 시뮬레이션된 손 사이에 기술 파일과 저수준 API를 공유함으로써, 시뮬레이션과 실물 사이의 격차(sim-to-real gap)를 최소ize하고 하드웨어 접근 없이도 빠른 프로토타이핑을 가능하게 합니다.
• 모듈형 원격 제어: 다양한 소비자용 입력 장치를 지원하고 이를 리타겟팅 및 정책 학습을 위한 표준 형식으로 정규화하는 구성 가능한 원격 제어 파이프라인을 제공합니다.

결과

저자들은 스택을 검증하기 위해 완전한 엔드 투 엔드 워크플로우를 시연합니다:

1. 하드웨어 내구성: 5시간 동안 3,500회의 개폐 사이클을 포함하는 반복 응력 테스트 결과, 열 차단이나 액추에이터 실패 없이 통과하여 지속적인 부하 하에서의 플랫폼 내구성을 확인했습니다.
2. 원격 제어 및 모방 학습: 팀은 Meta Quest 3 헤드셋과 orca_teleop를 사용하여 인핸드 큐브 재배향 작업에 대한 10개의 전문가 데모를 수집했습니다. 이 데모들은 LeRobotDataset 형식으로 기록되었습니다.
3. 정책 학습: 기본 설정을 사용하여 lerobot을 통해 이 작은 데이터셋으로부터 행동 복제(behavioral cloning) 정책(50M 파라미터 기반 ACT)을 학습시켰습니다.
4. 평가: 시각-운동 입력(고유 수용 감각, 손목, 탑다운 카메라)을 사용하는 학습된 정책은 동일한 시뮬레이션 환경 내의 테스트 실행에서 9/10의 성공률을 달emat했습니다. 이는 스택이 폐루프 정책 학습에 충분한 고품질 데이터를 생성함을 입증합니다.

의의 및 주장

본 논문은 orca가 숙련된 조작 연구의 진입 장벽을 크게 낮춘다고 주장합니다. 저렴한 하드웨어 플랫폼과 통합된 오픈 소스 소프트웨어 스택을 제공함으로써, 숙련도 연구를 니치(niche)하고 고비용인 영역에서 일반적인 커뮤니티가 접근 가능한 표준 영역으로 민주화하는 것을 목표로 합니다.

저자들은 숙련된 손 연구를 기존의 lerobot 생태계와 정렬함으로써, 연구자들이 비숙련 로봇에 사용되는 것과 동일한 데이터, 학습 및 평가 파이프라인을 활용할 수 있도록 한다는 점을 강조합니다. 이러한 통합은 맞춤형 소프트웨어 스택을 구축하는 데 따르는 마찰을 줄임으로써 분야의 발전을 가속화하기 위함입니다.

인정된 한계점:
저자들은 다음과 같은 몇 가지 한계점을 언급했습니다:

• 패키징: 스택을 네 개의 서브 패키지로 분리하기로 한 결정은 일부 사용자에게 초기 접근성을 저해할 수 있으나, 커뮤니티의 반복적 개선에는 도움이 됩니다.
• 시뮬레이션 충실도: 텐던 구동 방식의 접촉이 풍부한 상호작용을 시뮬레이션하는 것은 여전히 도전 과제이며, 현재의 시뮬레이션은 물리적 상호작용에 대한 거친 근사치를 제공합니다.
• 원격 제어 다양성: 현재의 원격 제어 파이프라인은 더 다양한 입력 퍼블리셔를 통해 확장될 수 있습니다.
• 설계 트레이드오프: 접근성을 높이기 위해 시뮬레이션을 일류 도메인으로 취급하는 결정은 특정 실제 사용 사례에 대해 최적이 아닌 설계를 초래할 수 있으며, 이는 향후 공동 설계 노력의 필요성을 시사합니다.