💻 computer science

Beyond Implicit Force: Evaluating Explicit Force-Torque Proxies in Action Chunking with Transformers

본 논문은 Action Chunking with Transformers(ACT)가 접촉이 빈번한 조작(contact-rich manipulation)을 달성하기 위해 흔히 암시적인 원격 조종 추적 오차에 의존하는 반면, 이러한 숨겨진 단서들을 온보드 센서로부터 유도된 명시적인 관절 토크 대리 지표(joint-torque proxies)로 대체하는 것이 다양한 실제 작업 전반에서 힘 인지 행동을 효과적으로 회복하거나 심지어 향상시킨다는 것을 입증한다.

원저자: King Hang Wong, Lingqiao Liu, Feras Dayoub

게시일 2026-07-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: King Hang Wong, Lingqiao Liu, Feras Dayoub

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

당신이 로봇에게 테이블을 닦거나 충전기를 꽂는 것과 같은 섬세한 집안일을 가르치려 한다고 상상해 보세요. 단순히 로봇에게 영상을 보여주는 것만으로는 부족합니다. 로봇은 자신이 무엇을 하고 있는지 '느껴야' 합니다. 하지만 로봇은 피부가 없고, 카메라는 '압력'이나 '마찰'을 볼 수 없습니다. 이것이 바로 로봇이 물건을 부수거나 걸리지 않고 물리적 세계와 상호작용해야 하는 **접촉이 풍부한 조작(contact-rich manipulation)**의 까다로운 세계입니다. 로봇을 가르치기 위해 과학자들은 종종 인간이 과업을 수행하는 것을 로봇이 관찰하고 이를 모방하게 하는 **모방 학습(Imitation Learning)**이라는 방법을 사용합니다. 이를 위한 인기 있는 도구는 ACT(Action Chunking with Transformers)라고 불리는데, 이는 로봇이 다음 동작을 한 번에 하나씩 예측하는 것이 아니라, 다음에 취해야 할 몇 가지 동작을 한꺼번에 예측하는 매우 똑똑한 예측기 역할을 합니다. 여기서 모두가 던지는 큰 질문은 이것입니다. 로봇이 물체를 실제로 '느낄' 수 없다면, 언제 더 세게 밀어야 할지 혹은 힘을 빼야 할지를 어떻게 알 수 있을까요? 비싸고 특수한 센서가 필요할까요, 아니면 그저 관찰하는 것만으로도 알아낼 수 있을까요?

이 논문은 우리가 로봇을 가르치는 방식 속에 숨겨진 놀라운 비밀을 파헤칩니다. 연구진은 인기 있는 ACT 로봇이 사실 약간 '속임수'를 쓰고 있었다는 것을 발견했습니다. 인간이 특별한 '리더-팔로워(leader-follower)' 설정(인간이 마스터 암을 움직이면 로봇이 슬레이브 암으로 이를 복사하는 방식)을 통해 로봇을 가르칠 때, 로봇은 단순히 팔의 위치만을 복사하는 것이 아니었습니다. 로봇은 은밀하게 그 '고군분투(struggle)'로부터 배우고 있었습니다. 만약 로봇의 팔이 벽에 부딪혀 인간의 팔만큼 빠르게 움직이지 못한다면, 그 미세한 지연이나 '추적 오차(tracking error)'가 "이봐, 무언가 가로막고 있어, 더 세게 밀어!"라고 알려주는 숨겨진 신호 역할을 했던 것입니다. 이 논문은 질문합니다. 만약 우리가 이 숨겨진 고군분투 신호를 제거한다면 어떻게 될까요? 로봇은 접촉을 다루는 법을 잊어버릴까요?

이를 알아내기 위해 저자들은 로봇이 인간의 '고군분투'를 무시하고 오직 로봇 자신의 팔이 어디로 가야 하는지만을 예측하도록 만든 버전을 구축했습니다. 그들은 이를 ACT-o라고 불렀습니다. 연구진이 칠판 닦기, 충전기 꽂기, 부드러운 병 누르기 등 실제 세계의 과업들로 테스트했을 때, 로봇은 완전히 무너졌습니다. 그 숨겨진 '지연' 신호가 없자, 로봇은 망설이거나, 멈춰버리거나, 혹은 물체 위에서 그냥 떠 있기만 하며 필요한 힘을 가하지 못했습니다. 그것은 마치 음표는 연주할 줄 알지만 소리를 내기 위해 건반을 충분히 세게 누르는 법을 잊어버린 음악가와 같았습니다.

하지만 이야기는 실패로 끝나지 않습니다. 연구진은 간단한 해결책을 시도했습니다. 로봇이 이미 가지고 있는 데이터를 사용하여 새로운 감각을 부여한 것입니다. 값비싼 외부 센서 대신, 로봇의 내부 모터 전류(모터가 전기를 얼마나 사용하는지)를 '토크 프록시(torque proxy)', 즉 로봇이 얼마나 많은 힘을 가하고 있는지에 대한 대략적인 추정치로 사용했습니다. 이 단순한 '힘의 느낌'을 로봇에게 다시 입력해주자, 로봇은 다시 살아났습니다. 로봇은 갑자기 딱딱한 표면과 부드러운 표면을 구별할 수 있게 되었고, 폼 블록에 닿았을 때 정확히 멈출 수 있었으며, 플러그를 맞추기 위해 부드럽게 '톡톡' 치는 동작까지 수행할 수 있었습니다.

이 논문은 기존의 교수법에 숨겨진 고군분투가 강력하고 우연한 스승이었지만, 우리는 더 이상 그것에 의존할 필요가 없다고 제안합니다. 모터 전류에서 유도된 기본적인 힘의 추정치를 로봇의 뇌에 추가하는 것만으로도, 우리는 로봇이 접촉을 다루는 능력을 이전만큼, 혹은 그보다 더 좋게 만들 수 있습니다. 이는 우리가 로봇에게 화려하고 비싼 힘 센서가 없는 저렴한 하드웨어에서도 섬세하고 힘에 민감한 작업들을 할 수 있도록 가르칠 수 있음을 의미합니다. 단, 그들이 자신의 모터가 작동하는 방식을 '느낄' 수 있는 방법을 제공하기만 한다면 말입니다.

기술 요약: 암묵적 힘을 넘어: 액션 청킹 트랜스포머(ACT)에서의 명시적 힘 프록시 평가

1. 문제 정의

접촉이 빈번한 조작(contact-rich manipulation)의 견고함을 확보하는 것은 로보틱스 분야의 중요한 과제입니다. 왜냐하면 접촉력, 순응성(compliance), 마찰력과 같은 핵심적인 상호작면 신호들은 시각 및 운동학(kinematics)만으로는 관찰하기 매우 어렵기 때문입니다. **액션 청킹 트랜스포머(ACT)**는 정밀한 조작에서 강력한 성능을 입증해 왔으나, 실제 환경 배포에서의 성공은 종종 리더-팔로워 텔레오퍼레이션(예: ALOHA 스타일 시스템)과 밀접하게 연관되어 있습니다.

이러한 시스템에서 저수준 제어기는 위치 제어를 통해 리더의 명령을 추적합니다. 이때 발생하는 추적 오차(명령된 리더의 움직임과 실행된 팔로워의 움직임 사이의 차이)는 접촉 발생, 저항, 그리고 제약 조건 위반을 암묵적으로 인코딩합니다. 본 논문은 다음과 같은 핵심적인 의존성을 조사합니다: ACT가 이러한 숨겨진, 텔레오퍼레이션 유도 상호작용 단서에 어느 정도나 의존하고 있는가? 나아가, 비용과 통합의 복잡성으로 인해 많은 플랫폼이 전용 6축 힘/토크(F/T) 센서를 갖추지 못한다는 실질적인 한계를 다루며, 온보드 토크 신호(모터 전류 또는 관절 노력으로부터 유도됨)가 이러한 암묵적 단서를 대체하거나 강화할 수 있는 효과적인 명시적 프록시 역할을 할 수 있는지 질문을 던집니다.

2. 방법론

저자들은 상호작용 신호를 격리하고 평가하기 위해 ALOHA Solo 플랫폼(운동학적으로 동일한 WidowX-250 및 ViperX-300 암을 특징으로 함)을 이용한 통제된 실세계 연구를 수행했습니다.

A. 관측 중심 ACT (ACT-o)

텔레오퍼레이션에 의한 암묵적 단서를 제거하기 위해, 저자들은 **관측 중심 ACT 변형 모델(ACT-o)**을 도입했습니다.

표준 ACT: 미래의 리더 관절 위치( $A_{leader}$ )를 예측합니다. 모델은 차이 $\delta = q_{leader} - q_{follower}$ 를 통해 힘 역학을 암묵적으로 학습합니다.
ACT-o: 미래의 팔로워 관절 상태( $Q_{follower}$ )를 직접 예측합니다. 이 재구성은 정책을 리더-팔로워 간의 지연(lag)으로부터 분리하여, 잠재적인 힘 인지 신호를 효과적으로 제거하면서 나머지 학습 파이프라인은 그대로 유지합니다.

B. 명시적 토크 프록시

외부 F/T 센서 없이 힘 인지 능력을 회복하기 위해, 저자들은 온보드 모터 전류 측정값( $\tau = k_t I$ )에서 유도된 명시적 토크 프록시를 통합했습니다.

주입 방법: 토크 값은 "일급 시민(first-class)" 입력으로 취급됩니다. 이들은 은닉 차원 투영(hidden-dimension projection) 이전에 고유 수용성 관절 상태와 결합되어, 트랜스포머 인코더가 토크 과도 현상과 물리적 저항 사이의 매핑을 학습할 수 있도록 합니다.
모델 변형: 네 가지 구성이 평가되었습니다:
1. Base ACT: 표준 리더 타겟 예측 (차이를 통한 암묵적 힘).
2. ACT-o: 팔로워 타겟 예측 (암묵적 힘 없음).
3. ACT + $\tau$ : 토크 입력이 추가된 Base ACT.
4. ACT-o + $\tau$ : 토크 입력이 추가된 관측 중심 예측 모델.

C. 실험 과업

평가는 다양한 측면의 힘 상호작용을 테스트하도록 설계된 네 가지 접촉 민감 과업을 통해 진행되었습니다:

보드 와이프(Board Wipe): 표면을 따라 이동하며 횡방향 움직임 동안 일정한 법선력을 유지함.
플러그 삽입(Plug Insert): 힘 제어가 필요한 고정밀, 다중 모드 정렬 및 삽입.
부드러운 병 누르기(Soft Bottle Press): 시각적으로는 동일하지만 기계적으로는 구별되는 상태(높은 강성 vs 낮은 강성)를 식별.
폼 스톱(Foam Stop): 질감이 없는 물체에 대한 가벼운 저항에 직면했을 때 힘 평형 동작을 수행.

3. 주요 결과

실험 결과, 암묵적 텔레오퍼레이션 단서를 제거하면 접촉이 빈번한 과업에서 치명적인 실패가 발생하지만, 명시적 토크 프록시는 성능을 성공적으로 복구하고 향상시킨다는 것이 밝혀졌습니다.

ACT-o의 붕괴: 암묵적 단서를 제거하면(토크 없이 팔로워 상태를 예측하면) 성능이 심각하게 저하됩니다. 보드 와이프 과업에서 ACT-o는 "떠 있는(hovering)" 동작(하향 압력을 유지하지 못함)으로 인해 성공률이 **0%**로 떨어졌습니다(Base ACT의 60% 대비). 플러그 삽입에서도 ACT-o는 과업 역학을 시작하거나 상태를 구분하는 데 실패하여 일부 조건에서 **0%**의 성공률을 보였습니다.
토크 프록시를 통한 복구: 관측 중심 모델에 토크 프록시를 추가한 ACT-o + $\tau$ 는 견고한 접촉 동작을 회복했습니다.
- 보드 와이프: 성공률이 15%(ACT-o)에서 **95%(ACT-o + $\tau$ )**로 향상되었습니다.
- 부드로운 병 누르기: 토크 증강 모델은 높은 강성과 낮은 강성 상태를 성공적으로 구분했으나, ACT-o는 이를 구분하지 못했습니다.
- 플러그 삽입: 토크 증강 정책은 "조정 탭(adjustment-taps)"과 부드러운 반응적 움직임을 보이며, Base ACT(30%)와 ACT-o(0%)보다 높은 **90%**의 성공률을 달성했습니다.
기하학적 앵커로서의 힘: 폼 스톱과 같은 과업에서 토크 프록시는 시각적 단서가 모호할 때도 정책이 인간의 시연과 밀접하게 일치하는 안정적인 평형력 프로파일로 수렴할 수 있게 했습니다.

4. 주요 기여

암묵적 단서의 격리: 본 논문은 관측 중심 ACT 타겟을 도입함으로써 텔레오퍼레이션 유도 차이 신호를 공식화하고 절제(ablate)했습니다. 이는 해당 단서를 제거했을 때 성능이 붕러지는 것을 보여줌으로써, ACT의 성공이 부분적으로 이 숨겨진 아티팩트에 의존하고 있음을 증명합니다.
명시적 토크 프록시 평가: 본 연구는 외부 F/T 센서가 없는 상황에서 단순한 온보드 토크 프록시(모터 전류로부터 유도됨)가 접촉 인지 동작을 회복할 수 있다는 체계적인 증거를 제공합니다.
과업 수준 분석: 저자들은 충격, 마찰, 강성 식별 등 다양한 접촉 영역에 걸친 반응성 및 안정성을 특성화하는 정량적 결과와 진단 분석을 제공하여, ACT 스타일 정책에 토크 프록시를 통합하기 위한 실질적인 가이드라인을 제시합니다.

5. 의의 및 주장

본 논문은 실제 하드웨어에서 암묵적 텔레오퍼레이션 단서가 회복 가능한 힘 인지의 원천이라고 주장합니다. 결정적으로, 토크 신호를 사용할 수 있는 경우 단순한 프록시가 암묵적 단위에 의존하는 정책의 성능을 일치시키거나, 능가하거나, 혹은 더욱 향상시킨다는 것을 입증했습니다.

저자들은 명시적 힘 모델링이 단순히 일반적인 정책 모델링에 유익한 수준을 넘어, 강력한 힘 인지 과업을 위해 필수적이라고 주장합니다. 스크류 축 토크를 일급 입력으로 취扱함으로써, 제안된 방법은 전문화된 하드웨어가 부족한 플랫폼에서도 견고한 조작을 가능하게 하여, 고충실도 텔레오퍼레이션 데이터와 실용적이고 센서가 제한된 배포 사이의 간극을 메웁니다.

한계 및 향후 방향:
저자들은 관절 측 토크 추정치가 전용 6축 F/T 센서나 광학 촉각 어레이의 고주파 해상도를 따라가지 못한다는 점을 언급했습니다. 향-플랫폼 프록시 전이, 힘이 통합된 VLM과 ACT를 결 결합한 힘 인지 증류(force-aware distillation), 그리고 정책이 시각적 불확실성을 해소하기 위해 명시적으로 물체를 탐색하는 능동적 감지 전략 등을 향후 연구 과제로 제시했습니다.