휴머노이드 연속 백덤블링·비보잉 구현…로봇 제어 프레임워크 'OmniXtreme' 오픈소스 공개

OmniXtreme은 휴머노이드 로봇이 연속 백덤블링, 비보잉, 물구나무서기, 무술 등 극한의 고난도 동작을 하나의 통합 정책으로 수행할 수 있도록 지원하는 오픈소스 로봇 제어 프레임워크입니다.

베이징 범용인공지능연구원(BIGAI)과 유니트리 로보틱스가 공동 개발했으며, 깃허브(GitHub)에 체크포인트와 평가 코드가 모두 공개되어 유니트리 로봇을 보유한 개발자라면 곧바로 실기 테스트를 진행할 수 있습니다.

무엇을 할 수 있는가

기존 휴머노이드 로봇의 고난도 시연은 대개 특정 단일 시퀀스에 과적합된 제어기에 의존하는 경우가 많았습니다. 이 방식은 동작 라이브러리를 늘릴 때마다 정책 최적화 충돌이 발생해 움직임이 무너지는 한계가 있었습니다.

OmniXtreme은 단일 통합 정책으로 광범위한 고역동성 동작 라이브러리를 소화합니다. 유니트리 G1 로봇에 적용했을 때 연속 백덤블링 2회, 한 발 도약 회전, 물구나무서기 균형 제어, 바닥을 짚는 브레이크댄스 동작 등을 매끄럽게 연결합니다.

실제 하드웨어를 활용한 157회의 실기 테스트에서도 매우 안정적인 성공률을 기록했습니다. 7가지 공중제비(Flip) 동작 성공률은 96.36%, 3가지 무술 동작은 93.33%에 달했습니다.

5가지 핸드스프링 동작은 88.57%, 바닥 접촉이 잦은 5가지 비보잉 동작은 86.36%, 4가지 아크로바틱 동작은 80.00%의 성공률을 기록했습니다.

어떤 원리로 구현했나

수십 가지 극한 동작을 모터 손상 없이 구현하기 위해 연구진은 학습 단계를 시뮬레이션과 하드웨어 제약으로 분리했습니다.

1단계는 시뮬레이션 환경에서의 대규모 플로우 매칭(Flow Matching) 사전학습입니다. 개별 고난도 동작을 추종하는 전문가 정책들을 먼저 학습시킨 뒤, 이를 고용량 통합 정책에 증류 방식으로 융합해 다중 동작 학습 시 발생하는 최적화 간섭을 극복했습니다.

2단계는 하드웨어 구동을 고려한 사후 학습입니다. 시뮬레이션에서 아무리 완벽한 궤적이라도 실제 로봇에서는 모터의 토크-속도 한계나 과전류 보호 회로가 작동해 동작에 실패하게 됩니다.

연구진은 사전학습된 메인 정책을 동결하고 그 위에 가벼운 다층 퍼셉트론(MLP) 잔차 정책을 추가했습니다. 토크-속도 제약과 전력 안전 정규화를 반영해 오차를 보정함으로써 실제 물리 법칙 내에서 모터가 망가지지 않고 동작을 수행하도록 만들었습니다.

백덤블링 같은 충격성 동작은 토크-속도 제약만으로 안정적인 착지가 가능했으나, 접촉 부하가 큰 비보잉의 경우 착지 충격을 흡수하기 위해 강도 높은 도메인 무작위화와 안전 페널티가 추가로 적용되었습니다.

구동 환경과 주의점

깃허브 저장소에는 유니트리 G1(Unitree G1) 로봇에 맞춘 모델 체크포인트와 평가 스크립트가 배포되어 있습니다.

다만 현실 물리 환경과의 괴리가 완전히 사라진 것은 아닙니다. 강한 충격을 받는 착지 순간에는 과도 부하로 인해 배터리 저전압 컷오프나 모터 과전류 보호가 작동할 수 있으며, 이는 현재 시뮬레이터가 완벽히 반영하지 못하는 영역입니다.

따라서 실기 테스트를 진행할 때는 딱딱한 바닥 대신 완충 매트나 낙하 방지 안전 로프를 갖춘 환경에서 구동하는 것이 안전합니다.

왜 중요한가

유니트리 G1을 보유한 연구실이나 휴머노이드 전신 제어를 연구하는 개발자라면 OmniXtreme은 즉시 내려받아 검증해 볼 만한 가치가 있습니다. 엔비디아의 SONIC이나 아마존의 OmniRetarget처럼 전신 추종 연구가 활발한 가운데, 복잡한 고난도 동작을 단일 모델로 흡수하면서도 하드웨어 파손을 막아내는 실용적인 잔차 제어 해법을 오픈소스로 증명했기 때문입니다.

화려한 백덤블링은 일견 서커스처럼 보일 수 있지만, 극한 동작에서 모터 과부하를 억제하고 착지 충격을 버텨내는 제어 메커니즘은 향후 휴머노이드 로봇이 험준한 산업 현장에서 실질적인 작업을 수행하기 위해 반드시 거쳐야 할 핵심 기반 기술입니다.