SOLO: Stable Omni-terrain Long-Horizon Perceptive Humanoid Locomotion
SOLO는 날카로운 지형 경계를 보존하기 위한 푸리에 인코딩된 쿼리 재구성기(Fourier-encoded Query Reconstructor)와 개선된 시간적 신용 할당을 위한 궤적 인식 MSE 증류법(Trajectory-Aware MSE distillation method)을 결합하여, 복잡한 실외 및 실내 지형의 강건한 제로샷 주행을 가능하게 하는 안정적이고 장기적인 휴머노이드 보행을 위한 통합 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
숲속을 걸을 때, 사람은 모든 뿌리의 정확한 높이나 모든 돌의 정밀한 각도를 계산할 필요가 없습니다. 대신 그들은 매끄러운 순환 구조에 의존합니다. 눈은 지면을 보고, 뇌는 형태를 해석하며, 다리는 발걸음을 조절하는 과정이 단 몇 분의 일 초 만에 이루어집니다. 이러한 지속적인 피드백 덕분에 인간은 지형이 풀에서 자갈로, 또는 가파른 계단으로 변하더라도 넘어지지 않고 험난한 지형 위를 먼 거리까지 이동할 수 있습니다. 수십 년 동안 엔지니어들은 로봇에게도 이와 동일한 능력을 부여하기 위해 노력해 왔습니다. 그들은 걷는 법을 아는 기계들을 만들어냈지만, 복잡하고 변화하는 경로를 오랫동안 항해하라는 요청을 받으면 이 로봇들은 종종 비틀거립니다. 문제는 그들이 다리를 움직이지 못해서가 아니라, 세상을 이해하는 방식이 시간이 흐름에 따라 흐릿해지기 때문입니다. 걷는 동안 지면을 보는 방식과 움직임을 결정하는 방식에서의 작은 오류들이 쌓여, 결국 균형을 잃게 만듭니다.
연구진은 휴머노이드 로봇이 어렵고 연속적인 경로를 매우 오랫동안 넘어지지 않고 걸을 수 있게 해주는 SOLO라는 새로운 시스템을 개발했습니다. 이 시스템은 가슴에 장착된 단 하나의 카메라와 자신의 몸 위치를 느끼는 센서를 갖춘 '옴니(Omni)'라는 로봇을 통해 테스트되었습니다. 실제 환경 테스트에서, 이 로봇은 외부에서 1.5km를 걸으며 자연적인 계단, 경사로, 풀, 그리고 울퉁불퉁한 지면을 사람의 도움이나 초기화 없이 단 한 번의 주행으로 통과했습니다. 또한 틈새와 장애물이 있는 복잡한 실내 코스도 성공적으로 통과했습니다. 연구진은 기존 방식들이 지면의 중요한 세부 사항들을 뭉뚱그려 표현하고, 로봇의 현재 발걸음이 옳은지만을 확인할 뿐 그 발걸음이 나중에 넘어짐으로 이어질지 여부는 무시했기 때문에 실패했다는 것을 발견했습니다. SOLO는 더 선명한 지면 이미지를 생성하고, 로봇이 현재의 행동이 미래의 안정성에 어떤 영향을 미칠지 미리 생각하도록 가르침으로써 이 두 가지 문제를 모두 해결합니다.
문제의 핵심은 로봇이 지면의 정신적 지도를 구축하는 방식에 있습니다. 전통적인 시스템은 카메라로부터 들어오는 이미지 스트림을 받아 이를 평평한 지형 지도로 변 변환하려고 시도합니다. 이를 빠르게 수행하기 위해, 그들은 종종 모든 시각적 정보를 하나의 공유된 요약본으로 압축합니다. 이는 넓은 형태를 파악하는 데는 효과적이지만, 디딤돌의 정확한 경계나 계단의 모서리와 같이 가장 중요한 날카로운 가장자리들을 흐릿하게 만듭니다. 로봇이 이러한 선명한 선들을 명확히 보지 못하면 발을 잘못된 위치에 놓게 되며, 긴 산책 과정에서 이러한 작은 실수들은 누적되어 결국 넘어짐을 유발합니다. 연구진은 로봇이 정보를 요청하는 방식을 바꿈으로써 이 문제를 해결했습니다. 전체 장면의 단일 요약본을 요청하는 대신, 시스템은 지면 지도의 모든 개별 지점에 특정 질문을 할당합니다. 각 지점은 카메라 기록에 "여기는 무엇인가?"라고 묻습니다. 이를 통해 로봇은 특정 지점에 대한 정확한 세부 정보를 검색할 수 있으며, 다른 시스템들이 흐릿하게 만드는 계단과 돌의 날카로운 가장자리를 보존할 수 있습니다.
연구진이 해결한 두 번째 문제는 로봇이 걷는 법을 배우는 방식입니다. 많은 훈련 방식에서 로봇은 자신이 서 있는 바로 그 순간에 완벽한 스승의 동작을 복제하며 배웁니다. 만약 로봇의 발이 지금 당장 올바른 위치에 있다면 보상을 받지만, 그 동작이 몇 걸음 뒤에 걸려 넘어지게 만들지라도 말입니다. 이는 마치 단 한 번의 시험 문제에는 잘 대답하여 좋은 점수를 받았지만, 질문들 사이의 연결 고리를 이해하지 못해 기말고사에서는 낙제하는 학생과 같습니다. 새로운 시스템인 SOLO는 이 학습 과정에 예견(foresight)의 층을 추가합니다. 단순히 로봇이 지금 올바른 일을 하고 있는지를 확인하는 것이 아니라, 로봇이 그 발걸음을 내디딘 후에 어떤 일이 일어날지를 확인합니다. 만약 특정 행동이 로봇이 스승의 완벽한 움직임을 따라가는 데 어려움을 겪게 될 미래의 상태로 이어진다면, 시스템은 그 행동에 벌점을 부여합니다. 이는 로봇이 당장은 좋아 보이지만 나중에 문제를 일으킬 수 있는 동작을 피하도록 가르치며, 결과적으로 장기적인 인과 관계에 대한 감각을 부여합니다.
이러한 변화가 효과가 있음을 증명하기 위해, 연구진은 외부로 나가기 전 시뮬레이션 환경에서 일련의 엄격한 테스트를 실시했습니다. 그들은 동일한 훈련 데이터와 동일한 로봇을 사용한 기존 방식들과 새로운 시스템을 비교했습니다. 좁은 디딤돌이나 가파른 계단처럼 지형이 험난할 때, 기존 시스템들은 대부분 실패했으며 가장 어려운 장애물에서는 성공률이 거의 0에 가까웠습니다. 반면, 새로운 시스템은 디딤돌 실험에서 96%, 전체 험난한 지형 테스트에서 97.5%의 성공률을 기록했습니다. 연구진은 지면 지도의 정확도를 측정하였고, 새로운 방식이 기존 방식에 비해 오류를 3배 이상 줄였다는 것을 발견했습니다. 이 개선은 로봇이 훨씬 더 정밀하게 발을 놓을 수 있게 하여, 보통 넘어짐을 유발하는 작은 미끄러짐을 방지할 수 있게 해주었습니다.
최종 테스트는 로봇이 외부의 추적이나 인간의 안내 없이 오직 자신의 센서에만 의존해야 하는 실제 환경에서 진행되었습니다. 로봇은 외부에서 연속적인 1.5km 경로를 걸으며 풀, 흙, 돌 사이의 자연스러운 전환을 통과했습니다. 또한 계단을 오르내리고, 틈을 건너며, 움직이는 장애물을 넘어야 하는 실내 코스도 완수했습니다. 모든 경우에 로봇은 넘어지거나 멈춰서 재설정될 필요 없이 코스를 완주했습니다. 연구진은 로봇이 가슴에 장착된 카메라와 내부 신체 센서의 데이터만을 사용했다는 점에 주목했는데, 이는 이 시스템이 슈퍼컴퓨터나 완벽한 지도를 필요로 하지 않고도 실제 세계의 복잡성을 처리할 수 있음을 입증합니다. 이 장거리 보행의 성공은 로봇이 지면을 보는 방식과 발걸음을 계획하는 방식을 수정함으로써, 인간의 보행과 유사한 안정성을 가지고 움직일 수 있는 기계를 만들 수 있음을 보여줍니다.
이 연구가 로봇이 이제 아무런 제한 없이 어디든 갈 수 있다고 주장하는 것은 아닙니다. 이 시스템은 여전히 인간이 일반적인 방향과 속도를 제공해야 하며, 로봇은 균형과 발의 위치를 세부적으로 제어합니다. 또한 로봇은 뒤쪽에 사각지대가 있어, 앞으로 걷는 것만큼 쉽지는 않지만 뒤로 걷는 것도 어렵습니다. 그러나 이 결과는 휴머노이드 로봇을 더욱 신뢰할 수 있게 만드는 명확한 길을 보여줍니다. 지면을 보는 더 선명한 방식과 실수로부터 배우는 더 똑똑한 방식을 결합함으로써, 연구진은 로봇이 균형을 잃지 않고 길고 복잡한 경로를 횡단할 수 있음을 보여주었습니다. 이러한 진보는 로봇이 실제 세계의 무질서하고 예측 불가능한 환경 속에서 사람들과 함께 움직이고 작업할 수 있다는 목표에 한 걸음 더 다가서게 합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.