TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

로봇이 지도를 만들고 싶어 하지 않는 세상을 헤쳐 나가려 한다고 상상해 보십시오. 수십 년 동안 과학자들은 카메라와 레이저 같은 "눈"을 통해 주변 경관을 스캔하여 로봇이 길을 찾도록 가르쳐 왔습니다. 하지만 불이 꺼지거나, 안개가 자욱하게 끼거나, 로봇이 낙엽으로 뒤덮인 울창한 숲을 걷고 있다면 어떻게 될까요? 로봇의 "눈"은 멀게 됩니다. 바로 이 지점에서 고유 수용성 오도메트리(proprioceptive odometry) 분야가 등장합니다. 이것은 마치 여러분이 발을 보지 않고도 근육과 관절의 움직임을 느낌으로써, 자신이 미끄러운 바닥을 걷고 있는지 아니면 울퉁불퉁한 길을 걷고 있는지 알 수 있는 것과 같은 로봇의 "내부 감각"이라고 생각하면 됩니다. 하지만 문제는 이 내부 감각이 쉽게 속을 수 있다는 점입니다. 만약 로봇의 발이 젖은 바위 위에서 미끄러지거나 부드러운 진흙 속으로 빠지면, 내부 센서가 혼란에 빠져 로봇은 실제로 옆으로 미끄러지고 있음에도 불구하고 직진하고 있다고 착각하기 시작합니다. 시간이 흐르면서 이러한 작은 실수들이 쌓여 로봇은 속수무책으로 길을 잃게 됩니다.

이 논문은 TRACE라고 불리는 새로운 솔루션을 소개합니다. 이는 다리가 달린 로봇(예: 네 발 달린 개나 휴머노이드)이 발이 미끄러지거나, 가라앉거나, 이상한 지형 위를 구르고 있을 때도 자신이 어디에 있는지 파악할 수 있도록 설계된 스마트한 시스템입니다. 발이 미끄러지는지 추측하기 위해 경직된 규칙이나 수동 설정을 사용하는 대신, TRACE는 매우 숙련된 코치처럼 행동하는 딥러닝 모델을 사용합니다. 이 모델은 로봇의 움직임과 센서 기록의 이력을 관찰하며, 미끄러지는 발의 "노이즈(noise)"는 무시하고 단단한 발걸음의 "시그널(signal)"에 집중하는 법을 배웁니다. 연구진은 이 시스템을 무작위적인 혼돈(미끄러운 바닥, 부드러로 매트, 예측 불가능한 굴곡 등)으로 가득 찬 가상 세계에서 훈련시킨 다음, 실제 야생 환경의 로봇에 테스트했습니다. 그 결과, TRACE는 기존 방식보다 로봇이 경로를 유지하는 데 훨씬 더 뛰어났으며, 까다로운 상황에서 로봇의 "드리프트(drift, 로봇이 생각하는 위치와 실제 위치 사이의 거리)"를 절반 이상 줄였습니다.

로봇의 "내이(Inner Ear)" 문제

TRACE가 왜 중요한지 이해하려면 로봇이 보통 어떻게 발걸음을 세는지 살펴봐야 합니다. 눈을 감고 어두운 방 안을 걷고 있다고 상상해 보십시오. 여러분은 얼마나 멀리 갔는지 알기 위해 발걸음을 세려고 노력할 것입니다. 만약 바나나 껍질을 밟고 미끄러진다면, 여러분의 뇌는 두 걸음을 걸었는데 한 걸음만 걸었다고 생각할 수도 있습니다. 로봇에게 이것은 악몽입니다. 만약 로스 10미터를 이동했다고 생각했지만 실제로는 5미터만 이동했다면, 로봇은 멀리 있다고 생각했던 벽에 결국 충돌하게 될 것입니다.

기존의 방법들은 수학적 필터를 사용하여 이를 해결하려 했습니다. 이 필터들은 "발이 지면에 닿아 있다면 반드시 멈춰 있어야 한다"라고 말하는 엄격한 선생님과 같습니다. 하지만 현실 세계에서 발은 항상 멈춰 있지 않습니다. 발은 구르기도 하고, 모래 속으로 가라앉기도 하며, 얼음 위에서 미끄러지기도 합니다. "엄격한 선생님"이 발이 멈춰 있다고 가정했는데 실제로는 미끄러지고 있다면, 수학적 계산은 깨지고 로봇은 길을 잃게 됩니다. 다른 방법들은 카메라를 사용하기도 했지만, 앞서 언급했듯이 카메라는 어둠 속이나 악천후 속에서 실패합니다.

등장한 TRACE: "스마트 코치"

이 논문의 저자들은 TRACE(Tokenized Robust Attention for Contact-Aware Estimation)를 만들었습니다. 엄격한 선생님 대신, TRACE를 상상 가능한 모든 종류의 표면 위에서 로봇이 걷는 것을 수천 시간 동안 지켜본 스마트 코치라고 생각하십시오.

작동 원리를 간단히 설명하면 다음과 같습니다:

1. 입력값: 로봇은 끊임없이 TRACE에 데이터 스트림을 보냅니다. 회전 속도(자이로스코프), 가속도(가속도계), 그리고 모든 다리 관절의 위치와 속도 등이 포함됩니다.

2. "어텐션(Attention)" 기법: 이것이 마법 같은 부분입니다. TRACE는 **교차 주의(cross-attention)**라고 불리는 메커니즘을 사용합니다. 로봇에게 네 개의 다리가 있고, 각 다리가 코치에게 자신의 상태를 외치고 있다고 상상해 보십시오.

   • 다리 1: "나는 단단한 땅 위에 있어! 안정적이야!"
   • 다리 2: "나는 얼음 위에서 미끄러지고 있어! 지금은 쓸모가 없어!"
   • 다리 3: "나는 진흙 속으로 가라앉고 있어!"
   • 다리 4: "나는 공중에 떠서 흔들리고 있어!"

   과거에는 로봇이 단순한 규칙(예: "힘이 낮으면 공중에 있는 것이다")에 기반하여 어떤 다리의 말을 들어야 할지 결정해야 했습니다. 하지만 TRACE는 학습을 통해 무엇을 들어야 할지 결정합니다. TRACE는 각 다리에 "가중치" 또는 "어텐션 점수"를 부여합니다. 만약 다리가 미끄러지거나 가라앉고 있다면, TRACE는 그 다리의 볼륨을 줄이는 법을 배웁니다. 다리가 단단하다면 볼륨을 높입니다. TRace는 사람으로부터 "이건 미끄러지는 거야!"라는 말을 듣지 않고도, 데이터로부터 스스로 패턴을 파악하여 이 작업을 수행합니다.

3. 물리 법칙 체크: 로봇이 단순히 무작위로 추측하지 않도록, TRACE는 "물리 법칙 체크" 기능도 갖추고 있습니다. TRACE는 로봇의 예상 속도와 로봇이 이동했다고 생각하는 거리를 비교합니다. 만약 수학적으로 맞지 않는다면(예를 들어 로봇은 빠르게 움직이고 있다고 말하지만 다리는 거의 움직이지 않는 경우), 시스템은 스스로를 수정합니다. 이것은 마치 러너가 "잠깐, 나는 전력 질주하듯 헐떡이고 있지만 실제로 움직인 거리는 0이다. 제자리에서 뛰고 있는 게 분명해"라고 깨닫는 것과 같습니다.

시뮬레이션 속의 혼돈 속에서의 훈련

로봇에게 단순히 매끄러운 바닥에서 걷는 법만 가르친다고 해서, 진흙투성이 숲에서도 잘 대처할 것이라 기대할 수는 없습니다. 연구진은 RaiSim이라는 가상 시뮬레이터에서 TRACE를 훈련시켰습니다. 하지만 그들은 단순히 지루하고 평평한 세상을 만들지 않았습니다. 그들은 혼돈을 만들었습니다.

• 지형의 무작위화: 평지, 계단, 거친 바위, 그리고 부드러운 에어 매트리스 등을 설정했습니다.
• 미끄러짐의 무작위화: 어떤 때는 바닥이 매우 미끄럽고, 어떤 때는 끈적거리게 만들었습니다.
• 로봇 움직임의 무작위화: 로봇이 다양한 스타일과 속도로 걷도록 만들었습니다.

이것을 **정책 무작위화(policy randomization)**라고 합니다. 이는 학생에게 단 하나의 특정 시험만을 준비시키는 것이 아니라, 발생 가능한 모든 변형된 시험에 대비하도록 훈련시키는 것과 같습니다. 로봇이 움직이고 미끄러질 수 있는 수많은 방식을 경험함으로써, TRACE는 훈련 과정의 특정 "속임수"를 무시하고 다리와 지면이 상호작용하는 보편적인 진실에 집중하는 법을 배웠습니다.

실제 세계 테스트

가상 세계에서의 훈련을 마친 후, 팀은 Raibo2라는 이름의 로봇을 실제 세계로 데려갔습니다. 그들은 다음 환경에서 테스트를 진행했습니다:

• 평지: 쉬운 환경.
• 거친 지형: 나무 경사로와 블록.
• 미끄러운 표면: 붕산 가루를 뿌린 매우 미끄러운 판자.
• 부드러운 지형: 튀어 오르고 가라앉는 에어 매트.
• 야외 트레일: 풀밭, 딱딱한 흙, 그리고 계단.

그들은 TRACE를 세 가지 다른 방식과 비교했습니다:

1. IEKF-SR: 기존의 엄격한 수학적 필터 방식.
2. Legolas: 물리 법칙을 사용하지 않는 순수 학습 기반 방식.
3. NMN-IEKF: 두 방식을 혼합하려는 하이브리드 방식.

결과: 적은 드리프트, 높은 신뢰도

결과는 인상적이었습니다. 지면이 출렁거리고 예측 불가능한 부드러운 지형(에어 매트) 실험에서, TRACE는 기존의 가장 우수한 방식보다 위치 오차를 53.8% 줄였습니다. 미끄러운 지면에서는 오차를 44.1% 줄였습니다.

이것이 무엇을 의미할까요? 다른 로봇들이 출발점에서 10미터 떨어져 있다고 생각했을 때, 실제로는 15미터 떨어져 있을 수 있다는 것(매우 큰 실수)을 의미합니다. 하지만 TRACE는 훨씬 더 진실에 가까웠습니다. TRACE는 "어텐션" 메커니즘을 통해 신뢰할 수 없는 다리를 무시하는 법을 알고 있었기에, 미끄러지거나 가라앉는 발 때문에 혼란을 겪지 않았습니다.

연구진은 또한 TRACE가 실제로 올바른 것에 "주의를 기울이고" 있는지 확인했습니다. 데이터를 분석한 결과, 발이 미끄러질 때 해당 발에 대한 시스템의 어텐션 점수가 거의 0으로 떨어지는 것을 확인했습니다. 반대로 발이 단단할 때는 점수가 올라갔습니다. 이는 로봇이 단순히 추측하는 것이 아니라, 신뢰할 수 있는 센서에 집중하고 잘못된 센서는 무시하는 법을 학습했음을 증명합니다.

이것이 중요한 이유

이 논문은 TRACE가 세상을 보기 위해 카메라가 필요하지 않고, 모든 종류의 미끄러짐에 대해 복잡한 규칙을 프로그래밍할 필요도 없다는 점에서 중요한 진전이라고 결 결론짓습니다. TRace는 스스로 강인해지는 법을 배웁니다.

하지만 저자들은 이것이 "해결된" 문제라고 주장하지 않도록 주의를 기울였습니다. 그들은 TRACE가 훌륭하지만, 여전히 시뮬레이션 훈련의 품질에 의존한다는 점을 언급했습니다. 또한 향후 연구에서는 단순히 발이 미끄러지는지 여부를 넘어, 발이 정확히 얼마나 미끄러지는지를 예측하는 방향으로 나아갈 수 있다고 언급했습니다. 그러나 현재로서 TRACE는 로봇에게 스마트하고 적응력 있는 귀를 통해 자신의 몸에 "귀를 기울이는" 법을 가르침으로써, 우리가 혼란스럽고 예측 불가능한 실제 세계에서 길을 잃지 않고 항해할 수 있도록 도와준다는 것을 보여줍니다.

요약하자면, TRACE는 로봇에게 초능력을 부여하는 것과 같습니다. 즉, 발밑의 지면이 거짓말을 하고 있을 때조차 자신이 어디에 있는지 알 수 있는 능력입니다.