Beyond Kinematics: Benchmarking Simulation Fidelity for Muscle-Driven Imitation Learning

첨단 의족이나 외골격과 같이 사람의 보행을 돕는 로봇은 운동 능력에 어려움을 겪는 이들에게 독립성을 되찾아줄 것이라는 약속을 품고 있습니다. 그러나 이러한 기계가 자연스럽게 움직이도록 가르치는 것은 매우 어려운 과제입니다. 인간의 움직임은 단순히 뼈가 공간 속에서 이동하는 것이 아니라, 뇌와 신경, 그리고 근육 사이의 복잡한 대화의 결과입니다. 더 나은 보조 장치를 설계하기 위해 엔지니어들은 다리가 어디로 가는가뿐만 아니라, 다리를 그곳으로 이동시키기 위해 내부의 근육이 어떻게 활성화되는지를 이해해야 합니다. 모든 새로운 아이디어를 실제 사람에게 테스트하는 것은 비용이 많이 들고 시간이 오래 걸리며, 환자에게도 너무 큰 부담이 되는 경우가 많기 때문에 과학자들은 컴퓨터 시뮬레이션으로 눈을 돌렸습니다. 이러한 디지털 모델은 컨트롤러를 훈련하고 테스트할 수 있는 가상 실험실 역할을 합니다. 하지만 중요한 질문이 남아 있습니다. 과연 이 시뮬레이션들이 근육 활동의 진정한 생물학적 실체를 포착하고 있는가, 아니면 단지 걷는 동작의 외형만을 잘 모방하고 있는 것인가 하는 점입니다.

연구팀은 가장 발전된 두 가지 시뮬레이션 시스템을 엄격하게 비교함으로써 이 질문에 답하고자 했습니다. 그들은 상세한 생물학적 정확성으로 알려진 시스템과 속도 및 효율성으로 유명한 또 다른 시스템을 비교했습니다. 두 시스템 모두 '동작 모사 학습(motion-imitation learning)'이라는 기술을 사용하는데, 이는 컴퓨터 프로그램이 인간이 걷는 영상을 관찰하고 그 움직임을 재현하는 데 필요한 근육 명령을 학습하는 방식입니다. 연구진은 이 디지털 학습자들이 다리의 경로를 모방할 수 있을 뿐만 아니라, 실제 인간이 생성하는 것과 동일한 내부 근육 신호를 생성할 수 있는지 확인하고자 했습니다. 이를 위해 연구진은 두 시스템에 동일한 실제 사람의 동작 데이터를 입력한 후, 시뮬레이션된 근육 활성도를 해당 사람의 다리에서 실제로 측정된 전기적 기록인 근전도(electromyography)와 비교했습니다.

연구는 두 가지 뚜렷한 접근 방록에 초점을 맞췄습니다. 첫 번째는 HyFyDy라는 플랫폼을 기반으로 하며, 생리학적 사실성을 우선시합니다. 이 시스템은 인체의 복잡성처럼 근육과 힘줄이 늘어나고 수축하는 방식을 고려하여 근육과 힘줄을 매우 상세하게 모델링합니다. 두 번째 접근 방식은 MuJoCo를 기반으로 하며, 연구자들이 학습 알고리즘을 빠르게 훈련하기 위해 수천 개의 시뮬레이션을 동시에 실행할 수 있도록 계산 속도에 최적화되어 있습니다. 두 시스템 모두 이전에는 인간의 보행 패턴을 높은 정확도로 재현할 수 있음을 보여주었지만, 어떤 시스템이 근저에 깔린 생물학을 더 잘 이해하고 있는지는 불분명했습니다. 연구진은 특정 개인의 데이터를 사용하여 두 시스템이 걷도록 훈련시킨 다음, 시뮬레이션된 근육 활성도가 그 사람의 근육에서 기록된 실제 전기 신호와 얼마나 밀접하게 일치하는지를 측정했습니다.

결과는 두 방법 사이에 명확한 차이를 드러냈습니다. 두 시스템 모두 가상 다리를 인간과 매우 유사한 경로로 이동시키는 데 성공했지만, 내부 근육 행동은 크게 달랐습니다. 생물학적 사실성을 위해 구축된 시스템인 HyFyDy는 실제 인간 데이터와 훨씬 더 밀접하게 일치하는 근육 활성화 패턴을 생성했습니다. 연구진이 시뮬레이션과 실제 사이의 차이를 측정했을 때, 사실적인 시스템은 훨씬 더 작은 오차를 보였으며 근육 신호의 형태에서도 더 강한 상관관계를 나타냈습니다. 반면, 효율적인 빠른 시스템은 속도는 높았지만 근육이 발화(firing)되는 정확한 타이밍과 강도를 재현하는 데 어려움을 겪었으며, 종종 실제 인간의 근육 활동과는 전혀 닮지 않은 신호를 만들어냈습니다.

연구진은 모델의 복잡성을 변화시키는 것이 결과에 어떤 영향을 미치는지도 탐구했습니다. 그들은 평면적인 2차원 뷰에서 완전한 3차원 뷰로 시뮬레이션의 차원을 높이는 것이 정확도를 향상시킬지 테스트했습니다. 놀랍게도 복잡성을 높이는 것이 오히려 과제를 더 어렵게 만들었습니다. 두 시스템 모두에서 3차원 모델은 2차원 모델보다 덜 안정적이었으며 근육 활동에 대한 예측 정확도도 낮아졌습니다. 이는 단순히 시뮬레이션에 자유도를 추가한다고 해서 자동으로 더 현실적이 되는 것이 아니라, 오히려 학습 알고리 l즘이 극복하기 힘든 새로운 어려움을 초래할 수 있음을 시사합니다. 또한 연구진은 모델을 시뮬레이션 대상자의 특정 신체 치수에 맞게 맞춤화하는 것이 도움이 될지도 테스트했습니다. 맞춤형 모델은 전반적인 움직임 패턴은 유사하게 유지했지만, 표준 모델에 비해 근육 예측의 정확도를 유의미하게 개선하지는 못했습니다.

궁극적으로, 이 연구는 인간의 근육이 보행 중에 어떻게 활성화되는지를 예측한다는 특정 목표에 있어서는 생리학적 충실도가 높은 시스템이 현재 더 나은 선택이라고 결론짓습니다. HyFyDy 시스템의 상세한 힘줄 및 근육 특성 모델링 덕분에 더 생물학적으로 타당한 보행 전략을 학습할 수 있었습니다. 그러나 이러한 장점에는 대가가 따릅니다. 사실적인 시스템은 다른 시스템이 효율적으로 사용할 수 있는 고속 병렬 프로세서를 사용할 수 없기 때문에 훈련 속도가 훨씬 느립니다. 연구진은 빠른 시스템이 비록 속도는 빠를지라도 인간의 근육 제어에 담긴 미묘한 차이를 포착하는 데 실패하며, 종-종 특정 근육을 완전히 무시하거나 잘못된 시점에 활성화하는 것을 발견했습니다.

이 연구는 로봇 보조 장치 설계 분야의 결정적인 트레이드오프(trade-off)를 강조합니다. 엔지니어들은 단순화된 모델의 속도와 복잡한 모델의 생물학적 정확성 사이에서 선택해야 합니다. 만약 목표가 광범위한 사용자들에게 잘 작동하는 컨트롤러를 빠르게 설계하는 것이라면 빠른 시스템으로도 충분할 수 있습니다. 하지만 목표가 환자의 구체적인 근육 전략을 이해하거나 대사 비용 및 근육 피로도를 기준으로 장치를 최적화하는 것이라면, 더 사실적인 시뮬레이션이 필수적입니다. 이 연구는 어느 한 시스템이 최종 승자라고 선언하는 것이 아니라, 두 시스템 모두 추가적인 발전이 필요함을 지적합니다. 이 분야를 진정으로 발전시키기 위한 다음 단계는 상세한 모델의 생물학적 사실성을 현대 로보틱스가 의존하는 빠른 병렬 컴퓨팅 환경으로 가져오는 것입니다. 그렇게 될 때까지, 연구자들은 시뮬레이션의 속도가 그것이 제공하는 생물학적 통찰의 정확성을 희생할 만큼 가치가 있는지를 신중하게 따져보아야 합니다.