← 최신 논문
⚡ electrical engineering

Racing a Wheeled Quadruped: Active Load Transfer Mitigation via Model Predictive Control

본 논문은 모델 예측 제어와 강화 학습을 결합한 계층적 제어 프레임을 제시하며, 이를 통해 바퀴 달린 4족 보행 로봇의 능동적인 롤 제어를 가능하게 하여, 다리 액추에이터를 능동 서스펜션으로 활용해 코너를 돌 때 차체를 기울임으로써 측면 하중 전이를 크게 감소시키고 레이싱 성능을 향상시킨다.

원저자: Marla Eisman, Brian Lam, Samuel Sonnino, Francesco Borrelli

게시일 2026-06-26
📖 3 분 읽기☕ 가벼운 읽기

원저자: Marla Eisman, Brian Lam, Samuel Sonnino, Francesco Borrelli

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

단순히 걷거나 뛰는 것이 아니라, 포뮬러 1(F1) 자동차처럼 실제로 경주를 하는 로봇 개를 상상해 보십시오. 이 논문은 연구자들이 "Unitree Go2-W"라는 로봇에게 인간 오토바이 운전자나 자전거 타는 사람처럼 코너를 돌 때 몸을 기울이는 법을 가르쳐서, 어떻게 더 빠르고 안전하게 경주하도록 만들었는지 설명합니다.

이 연구의 핵심 내용을 쉬운 용어로 정리하면 다음과 같습니다.

문제점: "평평한" 로봇

바퀴와 다리가 달린 대부분의 로봇은 수직으로 똑바로 서 있도록 설계되어 있습니다. 만약 딱딱하고 평평한 상자 형태의 로봇이 급격한 코너를 너무 빠르게 돌면, 무게가 바깥쪽 바퀴로 쏠리게 됩니다. 이를 **하중 이동(Load Transfer)**이라고 합니다.

  • 비유: 카트에 실린 무거운 여행 가방을 생각해 보십시오. 카트를 급하게 회전시키면 여행 가방이 바깥쪽으로 기울어집니다. 너무 세게 회전하면 안쪽 바퀴가 지면에서 떨어지며 전체가 뒤집힐 수도 있습니다.
  • 로봇의 문제: 이 로봇은 16개의 모터(3개의 관절이 있는 4개의 다리 + 4개의 바퀴)를 가지고 있어 움직이는 부품이 매우 많습니다. 경주 중에 몸을 평평하게 유지하려고 하면, 뒤집히거나 접지력을 잃을 위험이 있는 "속도 제한"에 부딪히게 됩니다.

해결책: "모터사이클" 전략

연구진은 로봇에게 **능동적 롤 제어(Active Roll Control)**라는 새로운 초능력을 부여했습니다.
로봇은 평평하게 유지하는 대신, 다리 관절을 비대칭적으로 구부려 사용합니다. 왼쪽으로 회전할 때, 로봇은 몸을 왼쪽으로 기울입니다.

  • 비유: 곡선 구간을 도는 자전거 타는 사람을 상상해 보십시오. 그들은 몸을 똑바로 세우지 않고 안쪽으로 기울입니다. 이는 중력을 이용해 도로에 밀착하여 넘어지지 않고 더 빠르게 회전할 수 있게 해줍니다.
  • 작동 원리: 로봇의 "무릎"은 고성능 서스펜션 역할을 합니다. 한쪽 다리를 다른 쪽보다 더 많이 구부림으로써, 로봇은 몸을 기울이는 토크(회전력)를 생성하여 자신을 뒤집으려는 힘에 대응합니다.

두뇌: 3단계 팀 구성

이러한 동작을 경주 속도에서 구현하기 위해, 연구진은 로봇을 위한 "계층적(hierarchical)"인 두뇌를 구축했습니다.

  1. 전략가 (오프라인 계획 - Offline Planning): 경주가 시작되기 전, 컴퓨터는 가장 빠른 기록을 낼 수 있는 완벽한 경로(레이스 라인)를 계산합니다.
  2. 조종사 (MPC - 모델 예측 제어): 이것은 로봇의 실시간 두뇌입니다. 트랙 앞을 내다보며 끊임없이 질문합니다. "내가 이 속도로 이만큼 회전한다면, 뒤집히지는 않을까?" 그런 다음 안전하고 빠르게 달리기 위해 필요한 완벽한 기울기(Roll) 양을 계산합니다. 이는 마치 조종사가 비행기의 뱅킹 각도를 지속적으로 조정하는 것과 같습니다.
  3. 근육 (RL - 강화 학습): 조종사는 근육에게 무엇을 할지(예: "왼쪽으로 10도 기울여") 명령하지만, 근육은 "기울기"라는 언어를 이해하지 못합니다. 근육은 "모터 토크"라는 언어를 사용합니다. 연구진은 강화 학습(Reinforcement Learning) AI(시행착오를 통해 배우는 비디오 게임 캐릭터와 같은 방식)를 훈련시켜, 조종사의 명령을 16개 모터의 정확한 움직임으로 변환하도록 했습니다. 이 AI는 기울기를 구현하기 위해 다리와 바퀴를 완벽하게 협응하는 법을 배웠습니다.

결과: 더 빠르고 더 안전하게

연구진은 실내 트랙에서 급커브를 대상으로 테스트를 진행했습니다. 이들은 기울이는 방식의 "Lean ON" 모델과 평평하게 유지하는 "Lean OFF" 모델을 비교했습니다.

  • 더 빠른 랩 타임: 기울이는 로봇이 베스트 랩 기준으로 8.7% 더 빨랐습니다.
  • 더 높은 접지력: 이 로봇은 안정성을 잃기 전까지 **21.3% 더 많은 측면 가속도(lateral acceleration)**를 견딜 수 있었습니다. 이 로봇은 최고 2m/s²에 가까운 가속도에 도달한 반면, 평평한 로봇은 더 낮은 속도에서 어려움을 겪었습니다.
  • 낮은 위험도: "하중 이동 비율(Load Transfer Ratio, 로봇이 뒤집히기 직전의 상태를 나타내는 척도)"이 44% 감소했습니다. 로봇은 네 바퀴 모두에 훨씬 효과적으로 밀착되어 있었습니다.

결론

이 논문은 로봇을 모터사이클처럼 다루는 것(다리를 이용해 코너에서 능동적으로 몸을 기울이는 것)이, 로봇이 딱딱하고 평평하게 유지하려고 노력할 때보다 훨씬 더 빠르고 안전하게 경주할 수 있음을 증명합니다. 로봇은 단순히 주행한 것이 아니라, 트랙을 정복하기 위해 자신의 몸을 "뱅킹(banking)"하는 법을 배운 것입니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →