Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

네 발로 걷는 로봇들은 우리가 사는 무질서하고 울퉁불퉁한 세상을 항해하는 데 매우 능숙해졌습니다. 이들은 바위를 기어오르고, 진흙 속을 성큼성큼 지나가며, 한때 기계에게는 불가능해 보였던 우아함으로 미끄러짐에서 회복할 수 있습니다. 그러나 이 로봇들에게 단순히 걷는 것 이상의 과제, 즉 움직이면서 물체를 밀거나, 당기거나, 운반하는 일을 시켰을 때 여전히 큰 장벽이 존재합니다. '로코-매니퓰레이션(loco-manipulation)'이라 불리는 이 이중 과업은 로봇이 환경과 복잡한 방식으로 상호작용할 것을 요구합니다. 어려움의 핵심은 물리적 세계가 미지의 요소들로 가득 차 있다는 점에 있습니다. 로봇은 본래 상자가 얼마나 무거운지, 바닥이 얼마나 거친지, 혹은 발과 지면 사이에 마찰력이 얼마나 존재하는지를 알지 못합니다. 만약 로봇이 상자가 가볍다고 가정했는데 실제로는 무겁거나, 바닥이 미끄럽다고 가정했는데 실제로는 끈적거린다면, 로봇의 움직임은 실패할 것입니다. 로봇은 미끄러지거나, 물체를 떨어뜨리거나, 불안정해질 수 있습니다. 이러한 불확실한 조건에서 성공하기 위해서 로봇은 완벽한 지식에 기반한 미리 프로그래밍된 규칙 세트에 의존해서는 안 됩니다. 로봇은 움직이는 동안 자신의 주변 물리적 특성에 대해 학습할 수 있어야 합니다.

연구자들은 로봇에게 작업을 시작하기 전에 이러한 특성들을 추측하도록 가르치거나, 로봇이 모든 상호작용의 정확한 물리학을 계산하도록 요구하는 복잡한 수학적 모델을 사용하는 방식으로 이 문제를 해결하려고 오랫동안 노력해 왔습니다. 이러한 전통적인 방식들은 현실 세계가 너무 혼란스럽기 때문에 완벽한 계산을 수행하는 데 종종 어려움을 겪으며, 특히 로봇의 발이 지면과 끊임없이 접촉하고 떨어지는 상황에서는 더욱 그렇습니다. 한 엔지니어 팀이 개발한 새로운 접근 방식은 다른 해결책을 제시합니다. 처음부터 완벽한 답을 계산하려고 노력하는 대신, 로봇은 자신의 마음속에서 수많은 가능성을 지속적으로 테스트하고, 이를 실제로 느끼고 있는 것과 비교하며, 실시간으로 이해도를 업데이트합니다. 이 방식은 물체의 무게가 변하거나 매끄러운 바닥에서 거친 바닥으로 발을 내디딜 때 로봇이 즉각적으로 적응할 수 있게 해줍니다.

이 새로운 시스템의 핵심은 연구진이 'Adaptive-MHE'라고 부르는 프레임워크입니다. 이것이 어떻게 작동하는지 이해하기 위해, 로봇이 무거운 상자를 바닥에서 밀고 있다고 상상해 보십시오. 로봇이 움직임에 따라, 로봇은 상호작용의 모든 세부 사항, 즉 얼마나 빨리 움직이는지, 관절이 어떻게 휘어지는지, 그리고 상자가 어떻게 반응하는지를 기록합니다. 그런 다음 시스템은 백그라운드에서 신속하고 병렬적인 시뮬레이션을 실행합니다. 이는 수천 가지의 서로 다른 '만약 ~라면' 시나리오를 생성합니다. 어떤 시나리오에서는 상자가 매우 가벼울 수도 있고, 다른 시나리오에서는 매우 무거울 수도 있으며, 또 다른 시나리오에서는 바닥이 얼음으로 덮여 있을 수도 있습니다. 시스템은 이러한 각각의 서로 다른 가정하에서 로봇이 어떻게 움직일지를 시뮬레이션합니다. 그런 다음 시뮬레이션된 움직임을 로봇이 실제 세계로부터 수집하고 있는 실제 데이터와 비교합니다. 실제 데이터와 가장 밀접하게 일치하는 시나리오가 가장 가능성 높은 진실로 선택됩니다. 이 과정은 단 한 번의 계산이 아닙니다. 이는 슬라이딩 윈도우(sliding window) 내에서 지속적으로 발생하며, 새로운 정보가 들어옴에 따라 세계에 대한 로봇의 추정치를 끊임없이 정교화합니다.

이 추정 과정은 로봇의 제어 시스템과 긴밀하게 결합되어 있습니다. 시스템이 상자의 무게나 바닥의 마찰력에 대해 더 나은 파악을 하게 되면, 즉시 그 정보를 사용하여 로봇의 움직임을 조정합니다. 로봇의 다리가 어떻게 움직여야 하는지를 결정하는 제어 시스템은 이러한 업데이트된 추정치를 사용하여 다음 단계를 계획합니다. 만약 로봇이 상자가 생각보다 무겁다는 것을 깨달으면, 자동으로 더 많은 힘을 가할 것입니다. 만약 바닥이 더 미끄럽다는 것을 감지하면, 균형을 유지하기 위해 자세를 조정할 것입니다. 감지, 추정, 행동의 전체 루프는 매우 빠르게 일어나기 때문에 로봇은 마치 환경의 변화에 본능적으로 반응하는 것처럼 보입니다. 연구진은 이 시스템을 상용화된 4족 보행 로봇인 'Unitree Go1'에 테스트했습니다. 연구진은 불확실성을 처리하는 능력을 테스트하기 위해 설계된 일련의 도전적인 과제들을 이 로봇에게 부여했습니다.

한 실험 세트에서, 로봇은 특정 목표물을 향해 상자를 밀라는 과제를 받았습니다. 연구진은 로봇이 어떻게 반응하는지 보기 위해 환경에 갑작스러운 변화를 주었습니다. 한 시나리오에서는 로봇이 이미 상자를 밀고 있는 도중에 상자의 질량이 1kg 증가했습니다. 또 다른 시나리오에서 로봇은 마찰 계수가 0.4인 낮은 마찰력의 바닥과 0.8인 높은 마찰력의 바닥, 두 종류의 서로 다른 바닥을 가로질러 상자를 밀어야 했습니다. 로봇은 멈추거나 통제력을 잃지 않고 이 바닥의 질감 변화를 감지하고 그에 따라 밀기 힘을 조절해야 했습니다. 또한 시스템은 로봇이 나머지 세 다리는 고정시킨 채 한 개의 다리만을 사용하여 상자를 밀 수 있는 능력, 즉 정밀한 균형과 힘의 적용이 필요한 과제를 테스트했습니다.

결과에 따르면, Adaptive-MHE 시스템은 환경에 대한 고정된 사전 설정 가정에 의존하는 로봇보다 성능이 현저히 뛰어났습니다. 로봇에게 상자의 무게나 바닥의 마찰력에 대한 고정된 믿음을 주었을 때, 로봇은 대부분의 시행에서 미끄러지거나 목표를 놓치는 등 과제를 완수하는 데 실패했습니다. 반면, 적응형 로봇은 실제 물리적 특성에 대한 지식이 전혀 없는 상태에서도 거의 87%의 확률로 과제를 완수했습니다. 비록 처음부터 정확한 무게와 마찰력을 알고 있는 가상의 로봇만큼 완벽하지는 않았지만, 놀라울 정도로 근접한 성능을 보였습니다. 적응형 로봇은 목표 도달 오차를 비적응형 로봇의 아주 작은 부분까지 줄일 수 있었습니다. 또한 더 빠르게 과제를 완료했으며 에너지 낭비도 적었습니다.

연구진은 시스템이 추정치를 자주 업데이트하되, 데이터의 노이즈 때문에 불안정해지지 않을 정도로 업데이트할 때 가장 잘 작동한다는 것을 발견했습니다. 연구진은 로봇이 환경을 재평가하는 빈도와 한 번에 얼마나 많은 시나리오를 시뮬레이션해야 하는지에 대한 다양한 설정을 테스트했습니다. 그들은 균형이 필요하다는 것을 발견했습니다: 추정치를 몇 초마다 업데이트하는 것은 데이터의 노이즈에 압도되지 않으면서도 효과적으로 변화를 추적할 수 있게 해주었습니다. 시스템은 이러한 특성들이 과제 도중 갑작스럽게 변하더라도 높은 정확도로 물체의 질량과 지면의 마찰력을 식별할 수 있었습니다. 이러한 능력은 로봇이 매번 새로운 상황에 맞춰 재학습할 필요 없이, 물리적 특성이 알려져 있지 않거나 끊임없이 변하는 환경에서도 효과적으로 작동하도록 설계될 수 있음을 시사합니다.

이 연구는 로봇을 더 견고하고 다재다능하게 만드는 데 있어 중요한 진전을 의미합니다. 물리적 파라미터를 추정하는 방법과 그 추정치에 따라 실시간으로 행동할 수 있는 제어기를 결로함으로써, 연구진은 현실 세계의 예측 불가능성을 다룰 수 있는 시스템을 만들어냈습니다. 이 접근 방식은 무게나 마찰력을 직접 측정하기 위한 특수한 센서를 필요로 하지 않습니다. 대신, 로봇 자신의 움직임과 상호작용으로부터 이러한 특성들을 추론합니다. 이는 기술을 창고에서 재난 지역에 이르기까지, 조건이 사전에 알려지지 않은 다양한 환경에 배치하는 데 훨씬 더 실용적으로 만듭니다. Adaptive-MHE 프레임워크의 성공은 로봇이 자신의 물리적 환경에 즉각적으로 적응하는 법을 배울 수 있음을 입증하며, 시뮬레이션의 통제된 환경과 외부 세계의 혼란스러운 현실 사이의 간극을 메워줍니다.