Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control
본 논문은 그리퍼 없는 양손 핀칭(gripperless bimanual pinching)을 사용하여 다양한 크기의 물체를 협동하여 들어 올리고 운반할 수 있는 다중 휴머노이드 팀을 위한 분산형 객체 중심 제어 프레임워크를 제안하며, 단일 로봇 작업에서 학습된 정책이 다중 로봇 시나리오로 효과적으로 전이되는 동시에 명시적인 협업 학습을 통해 더욱 향상됨을 입증한다.
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
로봇이 단순히 직선으로 움직이거나 간단한 상자를 미는 것을 넘어, 인간처럼 걷고, 균형을 잡고, 무거운 물건을 나를 수 있는 세상을 상상해 보십시오. 휴머노이드 로보틱스라고 알려진 이 분야는 단일 기계가 물체를 집어 들어 한 곳에서 다른 곳으로 옮기는 법을 가르치는 데 있어 큰 진전을 이루었습니다. 하지만 단일 로봇에는 한계가 있습니다. 들어 올릴 수 있는 무게와 도달할 수 있는 거리에 제한이 있기 때문입니다. 물체가 너무 크거나, 너무 무겁거나, 혹은 모양이 특이한 경우, 로봇 한 대만으로는 그 일을 해낼 수 없습니다. 여기서 팀워크라는 개념이 등장합니다. 사람들이 커다란 가구를 옮기기 위해 모이는 것처럼, 로봇 팀도 협력하여 무거운 짐을 운반할 수 있습니다. 문제는 이 기계들이 매 순간 중앙 통제관의 지시를 받지 않고도 어떻게 함께 협력하도록 가르칠 것인가 하는 점이었습니다. 만약 로봇들이 서로 통신할 수 없다면, 언제 들어 올려야 하고, 언제 걸어야 하며, 어떻게 물체를 안정적으로 유지할 수 있을지 어떻게 알 수 있을까요?
오리건 주립 대학교(Oregon State University)의 연구진은 이 문제를 해결할 새로운 방법을 개발하여, 휴머노이드 팀이 서로 대화하지 않고도 협력할 수 있게 했습니다. 그들의 연구는 각 로봇에게 잡아야 할 물체의 특정 위치를 지정해 주는 방식에 초점을 맞추고 있습니다. 물체의 전체 형태나 다른 모든 로봇의 위치를 이해하려고 노력하는 대신, 각 기계는 자신의 손이 물체의 어디를 만져야 하는지만 알면 됩니다. 저자들이 '분산형 객체 중심 제어(decentralized object-centric control)'라고 부르는 이 접근 방식은 물체를 행동의 중심으로 취급합니다. 각 로봇은 마치 커다란 탁자의 특정 구역처럼, 물체 표면의 작은 영역을 할당받고 두 손을 이용해 꼬집는 동작으로 그 지점을 잡는 법을 배웁니다. 일단 부착되면, 로봇은 물체를 특정 방향(예: 앞쪽, 옆쪽, 또는 위쪽)으로 이동시키라는 단순한 명령을 따릅니다. 모든 로봇이 자신의 국소적인 지점을 바탕으로 동일한 기본 규칙을 따르기 때문에, 그들은 메시지를 주고받을 필요 없이 자연스럽게 함께 움직이게 됩니다.
연구진은 컴퓨터 시뮬레이션을 사용하여 로봇을 훈련시켰으며, 처음에는 단 한 대의 로봇이 다양한 크기와 무게의 상자를 집어 나르는 법을 배우는 것부터 시작했습니다. 연구진은 로봇에게 물체에 접근하고, 두 손으로 잡고, 들어 올린 뒤, 물체를 안정적으로 유지하며 걷는 법을 가르쳤습니다. 단일 로봇이 이 기술을 숙달하자, 연구진은 시뮬레이션에 두 번째 로봇을 도입했습니다. 연구진은 로봇들에게 서로 협력하도록 직접 가르치지 않았습니다. 대신, 두 번째 로봇도 자신에게 할당된 지점을 사용하여 동일한 방식으로 학습하게 했습니다. 놀랍게도, 혼자 일할 때 배운 기술은 그룹으로 일할 때 매우 잘 전이되었습니다. 단일 로봇을 위해 훈련된 정책은 추가 훈련 없이도 최대 10대의 로봇 팀을 처리할 수 있었습니다. 이는 작업의 핵심적인 어려움이 로봇 간의 협동이 아니라, 각 로봇이 자신의 짐 일부를 얼마나 단단히 잡느냐에 있다는 것을 시사합니다. 로봇들이 함께 일할 때 그들은 무게를 나누어 가지며, 물체는 더욱 안정됩니다. 10대의 로봇이 무거운 짐을 운반하는 테스트에서, 물체의 기울어짐은 로봇 한 대가 운반할 때보다 훨씬 적었습니다. 이는 팀워크가 운송을 더 부드럽고 안전하게 만들었음을 보여줍니다.
이 시스템은 놀라운 유연성을 입증했습니다. 연구진은 훈련 과정에서 본 적 없는 금속 캐비닛, 냉장고, 나무 통나무, 침대, 콘크리트 판 등을 대상으로 테스트를 진행했습니다. 로봇들은 이러한 구체적인 모양을 접해본 적이 없음에도 불구하고 모든 물체를 성공적으로 집어 옮겼습니다. 또한 1대에서 10대까지 다양한 규모의 팀으로 시스템을 테스트했으며, 전 구간에서 높은 성능을 유지함을 확인했습니다. 로봇들은 심지어 물체를 한 로봇에서 다른 로봇으로 전달할 수도 있었습니다. 이러한 핸드오버(handover) 시나리오에서, 한 로봇이 물체를 잡고 있으면 두 번째 로봇이 다가와 자신의 지점을 잡고, 그러면 첫 번째 로봇이 손을 놓는 방식으로 진행됩니다. 이 과정은 로봇들이 멈춰 있거나, 걷고 있거나, 심지어 높이가 서로 다른 상태에서도 매끄럽게 이루어졌습니다. 연구진은 또한 로봇이 사용하는 에너지도 측정했습니다. 연구진은 두 번째 로봇을 추가할 때 협업을 위한 비용으로 인해 초기에는 에너지가 조금 더 들지만, 그 이상의 로봇을 추가하더라도 이동한 단위 무게당 에너지 비용은 크게 증가하지 않는다는 것을 발견했습니다. 이는 더 큰 팀이 효율성을 떨어뜨리지 않으면서도 더 무거운 짐을 운반할 수 있음을 의미합니다.
이것이 단순히 컴퓨터상의 기술적 트릭이 아님을 증명하기 위해, 연구진은 실제 세계로 시스템을 가져갔습니다. 그들은 '디지트 V3(Digit V3)'라고 불리는 두 대의 실제 휴머노이드 로봇을 사용하여 작업을 수행했습니다. 새로운 훈련이나 조정 없이도, 로봇들은 함께 종이 상자를 집어 들고 운반하며 서로에게 전달하는 데 성공했습니다. 로봇들은 외부 센서에 의존하여 자신의 몸과 상대적인 상자의 위치를 파악했지만, 일단 정보를 얻으면 학습했던 것과 동일한 분산 제어 전략을 실행했습니다. 시뮬레이션에서 실제 환경으로의 이러한 성공적인 전이는 이 접근 방식이 실제 사용에 충분히 견고하다는 것을 보여줍니다. 연구진은 현재 시스템이 모든 로봇이 동일한 역할을 수행하며 단순히 물체의 서로 다른 부분을 잡는 상황에서 가장 잘 작동한다고 언급했습니다. 아직은 한 로봇이 리더가 되고 다른 로봇이 따르는 것과 같이 매우 다른 역할을 맡아야 하거나, 평평한 손 대신 그리퍼를 사용하는 상황은 다루지 못합니다. 그러나 결과는 과업에 대한 단순하고 국소적인 사고방식이 복잡한 팀워크 문제를 해결할 수 있음을 시사합니다. 물체와 각 로봇이 잡아야 할 특정 지점에 집중함으로써, 이 시스템은 로봇 그룹이 하나의 조율된 단위로서 행동하게 하여, 단일 로봇이 혼자서는 결코 관리할 수 없었던 무겁고 까다로운 물건들을 옮길 수 있게 합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.