휴머노이드 로봇의 민첩성을 극대화하는 'ASAP' 프레임워크 공개

시뮬레이션 안에서는 인간처럼 유연하게 움직이던 휴머노이드 로봇이 현실 세계로만 나오면 로봇 관절이 굳어버리듯 둔해지는 현상은 로봇 공학의 오랜 난제였습니다. 가상 환경의 물리 엔진과 실제 현실의 물리 역학 사이의 괴리가 원인입니다.

연구진은 이러한 간극을 좁히고 현실에서도 민첩한 전신 동작을 가능하게 만드는 새로운 2단계 프레임워크인 ASAP(Aligning Simulation and Real Physics)를 공개했습니다.

지나치게 소극적인 로봇 동작 문제 해결

그동안 이 문제를 해결하기 위해 시스템 식별이나 도메인 랜덤화 기법을 주로 활용해 왔습니다.

하지만 도메인 랜덤화는 가상 환경에 온갖 극한 변수를 섞어 훈련하기 때문에, 실제 로봇이 넘어지지 않으려고 지나치게 소극적이고 느리게 움직이는 부작용이 있었습니다.

ASAP는 발상을 바꿔 2단계 학습을 적용했습니다. 1단계에서는 사람의 모션 캡처 데이터를 활용해 시뮬레이터 안에서 전신 동작 추적 정책을 사전 훈련합니다.

2단계에서는 이를 실제 하드웨어에 적용해 데이터를 수집한 뒤, 가상과 현실의 역학 차이를 보정하는 델타(잔차) 액션 모델을 학습시킵니다. 현실 모터와 지면의 미세한 오차를 별도로 측정해 보정값을 만드는 셈입니다.

이후 이 보정 모델을 다시 시뮬레이터에 통합하고, 현실 물리 특성이 반영된 상태에서 사전 훈련된 제어 정책을 미세 조정합니다.

유니트리 G1 실물 로봇을 통한 실증

연구팀은 IsaacGym에서 IsaacSim, 그리고 IsaacGym에서 Genesis로 이어지는 크로스 엔진 시뮬레이션뿐 아니라, 유니트리(Unitree) 사의 소형 휴머노이드 G1 실물 로봇을 통해 성능을 입증했습니다.

실험 결과 기존의 도메인 랜덤화나 시스템 식별 기반 모델 대비 모션 추적 오차가 크게 줄어들었으며, 복잡하고 민첩한 전신 동작을 안정적으로 구현해 냈습니다.

실제 하드웨어에서 쉽게 자세가 무너지던 고난도 동적 동작들도 유연하게 수행하는 모습을 보였습니다.

왜 중요한가

휴머노이드 제어 알고리즘을 연구하는 개발자에게 ASAP는 실기 튜닝에 소모되는 엄청난 시간과 비용을 획기적으로 줄여줄 수 있는 유용한 접근법입니다. 민첩성을 포기하면서 안정성만 챙기던 기존 방식의 한계를 넘어섰습니다.

산업적 관점에서도 휴머노이드가 물류, 제조, 재난 현장 등 실제 환경에서 작업하려면 느린 보행을 넘어 민첩한 전신 반응 능력이 필수적입니다. ASAP는 시뮬레이션의 생산성과 실제 기기의 물리 적합성을 동시에 챙겼다는 점에서 의미가 큽니다.

물리 엔진 전체를 현실에 맞춰 처음부터 다시 설계하는 대신, 동작 단위의 잔차를 학습해 시뮬레이터에 역으로 주입하는 전략은 매우 영리해 보입니다. 다만 하드웨어의 모터 발열이나 마모로 인해 매일 달라지는 기계적 편차까지 이 모델이 얼마나 지속적으로 흡수할 수 있을지는 향후 추가 검증이 필요해 보입니다.