GaitSpan: Growing Humanoid Locomotion from Walking to Running
GaitSpan은 처음부터 다시 학습할 필요 없이 리듬 생성, 보폭 형성 및 잔차 적응을 활용하여, 사전 학습된 보행 정책을 다양한 형태와 지형에서 걷기, 조깅, 달리기가 가능한 단일 연속 속도 로코모션 컨트롤러로 효율적으로 확장하는 새로운 프레임워크이다.
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
당신에게 방금 걷는 법을 배운 로봇 친구가 있다고 상상해 보세요. 이 로봇은 아주 잘 걷지만, 조깅이나 전력 질주를 시키면 대부분의 현재 로봇들이 한계에 부딪힙니다. 로봇이 얼어붙거나, 걷는 법을 완전히 '잊어버리고' 처음부터 다시 배우기 시작해야 하죠. 이는 마치 사람이 마라톤을 하기로 결정했을 때, 두 다리로 균형을 잡는 법을 잊어버리고 기초부터 모든 것을 다시 배워야 하는 것과 같습니다.
그것이 바로 GaitSpan을 개발한 연구진이 해결하려는 문제입니다. 그들은 더 똑똑한 방법을 제안합니다. 걷기 기술을 버리는 대신, 그것을 하나의 씨앗처럼 취급하는 것입니다. 씨앗이 나무 전체의 청사진을 담고 있는 것처럼, 걷는 로봇은 이미 균형, 지지, 협응을 위한 필수적인 "운동 구조"를 가지고 있습니다. 새로운 로봇을 만들 필요가 없습니다. 그저 걷는 로봇이 자라나도록 도와주기만 하면 됩니다.
3단계 성장기
GaitSpan 프레임워크는 이 "걷는 씨앗"이 달리는 로봇으로 꽃피울 수 있도록 돕는 원예 키트와 같은 역할을 합니다. 이 방식은 세 가지 구체적인 기술을 통해 이루어집니다.
리듬 생성 (메트로놈):
로봇의 걷기 정책(policy)을 하나의 노래라고 생각해 보세요. 보통 이 노래는 하나의 고정된 속도로 연주됩니다. GaitSpan은 이 노래를 빠르게 하거나 느리게 할 수 있는 여러 개의 내부 시계(메트로놈)를 도입합니다. 달리기 위한 새로운 노래를 쓰는 대신, 걷기 노래를 가져와서 다양한 리듬으로 연주하는 것입니다. 특수한 "믹싱 보드"(계층적 메모리)는 로봇이 가야 할 속도에 따라 이러한 다양한 리듬을 어떻게 혼합할지 학습합니다. 만약 조깅을 요청하면, 시스템은 리듬을 섞어 조깅 비트를 만들어냅니다. 만약 달리기를 요청하면, 다시 한번 믹스를 조정합니다. 이것은 서로 다른 로봇 사이를 전환하는 것이 아니라, 동일한 걷기 트랙을 리믹스하는 것입니다.보폭 형성 (물리 코치):
리듬을 바꾸는 것도 좋지만, 달리기는 단순히 빨리 걷는 것이 아닙니다. 달리기에는 튀어 오르기, 공중을 나는 것, 그리고 강하게 착지하는 과정이 포함됩니다. 로봇에게 이를 가르치기 위해, 연구진은 스프링이 달린 역진자(포고 스틱을 생각하세요)에서 영감을 받은 "물리 코치"를 추가했습니다. 이 코치는 로봇에게 단계별로 무엇을 해야 할지 정확히 지시하지 않습니다. 대신, 올바른 '행동'을 했을 때 보상을 줍니다. 예를 들어, 착지할 때 "스프링"(다리)을 압축하는 것, 다시 튀어 오르는 것, 그리고 양발이 모두 지면에서 떨어지는 "비행"의 순간을 갖는 것에 대해 보상을 줍니다. 이는 로봇이 경직되고 미리 작성된 달리기 패턴에 강요받지 않고, 자연스럽게 달리는 법을 스스로 터득하도록 유도합니다.잔차 적응 (미세 조정자):
때로는 리듬과 물리 코치만으로는 모든 세부 사항을 완벽하게 맞출 수 없을 때가 있습니다. 로봇이 이상한 경사로에서 균형을 잡기 위해 미세하게 움직이거나 팔의 흔들림을 조절해야 할 수도 있습니다. 작은 "잔차(residual)" 정책은 미세 조정자 역할을 하여, 움직임을 매끄럽고 안전하게 만들기 위한 마지막 순간의 교정을 더해줍니다.
그들이 하지 않는 것 (그리고 그것이 중요한 이유)
이 논문은 이 방법이 무엇이 아닌지를 매우 명확히 밝히고 있습니다.
- "전문가 전환" 없음: 저자들은 하나의 "전문가"(걷기용)와 또 다른 "전문가"(달리기용)를 각각 훈련시킨 뒤 그 사이를 전환하려고 시도하는 방식을 명시적으로 거부했습니다. 저자들은 이러한 접근 방식이 로봇이 한 기술에서 다른 기술으로 넘어가려 할 때 비틀거리거나 넘어지게 만드는, 끊기고 깨진 전환을 초래한다는 것을 발견했습니다. GaitSpan은 기술을 연속적으로 성장시키므로, 걷기에서 조깅으로의 전환은 스피커의 볼륨을 높이는 것만큼이나 매끄럽습니다.
- "인간 모방" 없음: 또한 단순히 인간의 동작 데이터를 복사하는 것에 대해서도 반대합니다. 인간은 달리기에 뛰어나지만, 인간의 신체 구조는 로봇과 다릅니다. 인간의 달리기를 그대로 복사하는 것은 멋져 보일 수는 있지만, 관절과 모터가 다른 로봇에게는 비효율적이거나 심지어 위험할 수 있습니다. GaitSpan은 로봇이 인간을 흉내 내는 대신, 자신의 걷기 기술을 확장함으로써 효율적으로 달리는 법을 배울 수 있다고 제안합니다.
결과: 시뮬레이션에서 모래 위까지
연구팀은 이 아이디어를 다섯 가지 서로 다른 휴머노이드 로봇 모델(Unitree G1 및 Booster T1 포함)에 대해 테스트했습니다. 이 로봇들을 가상 세계(시뮬레이션)의 평지와 약간 울퉁불퉁한 지형에서 훈련시켰습니다.
결과는 인상적이었습니다. 이 시뮬레이션에서 GaitSpan 로봇들은 느린 걸음부터 초당 2.2미터(빠른 조깅 또는 느린 달리기)에 이르는 연속적인 속도 범위를 학습했습니다.
- 매끄러운 전환: 명령 속도가 증가할 때, 로봇은 단순히 속도만 높이는 것이 아니라 자연스럽게 보행 패턴(gait)을 바꿨습니다. 보폭을 길게 하고, 발을 더 높이 들었으며, 결국 양발이 동시에 지면에서 떨어지며 러너처럼 "비행 시간"을 만들어냈습니다.
- 제로샷(Zero-Shot) 실세계 성공: 시뮬레이션에서는 평지와 완만한 경사지에서만 훈련되었음에도 불구하고, 로봇들은 추가 훈련 없이도 보지 못한 실제 환경의 지형(모래 등)에서 걷기, 조깅, 달리기를 수행할 수 있었습니다. 이는 그들이 배운 기술이 복잡한 실제 환경을 다룰 수 있을 만큼 견고하다는 것을 시사합니다.
- 타 방법론보다 우수함: 여러 전문가를 섞거나 인간의 동작을 모방하려 했던 다른 방법들과 비교했을 때, GaitSpan은 더 빠르게 학습했으며 더 안정적이고 에너지 효율적인 보행 패턴을 만들어냈습니다.
핵심 요약
이 논문은 우리가 걷기, 조깅, 달리기를 완전히 다른 세 가지 문제로 취급할 필요가 없음을 시사합니다. 대신, 우리는 걷기를 하나의 씨앗 기술로 볼 수 있습니다. 걷기 정책을 재사용 가능한 토대로 삼고 리듬 변화, 물리 기반 보상, 그리고 작은 조정을 통해 이를 성장시킴으로써, 전체 움직임의 스펙트럼을 다룰 수 있는 단일 로봇 컨트롤러를 만들 수 있습니다.
이는 자전거 타기를 배우는 것과 비슷합니다. 페달을 더 빨리 밟기로 결정했다고 해서 균형 잡는 법을 다시 배울 필요는 없습니다. 그저 무게 중심을 옮기고 더 세게 페달을 밟으면 됩니다. GaitSpan은 로봇에게도 똑같이 가르칩니다. 이미 가지고 있는 균형 감각을 바탕으로, 그것을 더 빠르고 역동적인 움직임으로 성장시키는 법을 말이죠. 비록 이러한 결과들이 현재 시뮬레이션에서 입증되었고 "제로샷" 배포를 통해 실제 지형으로 전달되었지만, 이는 로봇이 새로운 기술을 습득할 때 처음부터 다시 시작하는 것이 아니라 이미 알고 있는 것을 바탕으로 구축해 나가는 미래를 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.