EIDA: 실행 인터페이스 동역학 적응으로 실로봇 내비게이션 전이 개선

목표 플랫폼의 실행 데이터에서 자세 변화와 속도 피드백을 학습해 경량 시뮬레이터에 반영하면, 저수준 구동기 역학을 상세히 재구성하지 않고도 내비게이션 정책을 실제 로봇으로 전이할 수 있는가?

속도 명령이 플랫폼별 저수준 제어기를 거치면서 실제 움직임과 피드백이 훈련 시 시뮬레이터에 모델링된 것과 달라진다. 동일한 명령이 시뮬레이션과 실로봇에서 다른 궤적을 만들어 표류, 회전 오버슈트, 충돌을 일으킨다. 고속에서는 폐루프 보정 시간이 줄어 작은 응답 오차도 치명적이다.

기존 연구는 도메인 무작위화나 SimOpt로 시뮬레이션 파라미터 분포를 조정하거나, Grounded Action Transformation과 Neural-Augmented Simulation처럼 행동 변환 또는 잔차 보정을 학습했다. Truong 등은 실제 데이터로 단순 운동 모델을 피팅해 상세 물리 시뮬레이션보다 나은 전이를 보였고, Bono 등은 2차 응답 모델을 Habitat에 통합했다. 그러나 이들은 실행 인터페이스의 자세 변화와 정책이 보는 속도 피드백을 분리해 동시에 맞추지 않거나, 상세 물리 모델이나 전체 관측 전이를 요구했다.

EIDA는 목표 플랫폼 실행 데이터에서 몸체 프레임 자세 증분을 학습해 시뮬레이터의 기하 상태를 갱신하고, 별도의 인과적 ARX 모델로 정책에 제공되는 속도 피드백을 예측한다. 정책 입력에는 최근 속도 추정 이력을 추가해 명령 이력에 따른 응답 차이를 반영한다. 두 모델은 GPU 병렬 경량 시뮬레이터에서 고정된 채 사용되며, 배포 시에는 실시간 센서와 기존 저수준 제어기가 학습된 응답을 대체한다. 상세 구동기 역학은 재구성하지 않는다.

모델 검증에서 Jackal과 Go2 전체 검증 세트의 5초 예측 끝점 위치, 요 오차가 각각 71.3%, 41.3%와 34.4%, 34.9% 감소했다. BARN 100개 환경에서 각 정책당 300회 시험 결과, EIDA는 전역 경로 없이 성공률 81.33%(점수 0.3984), 전역 경로 포함 89.33%(점수 0.4241)로 학습 정책 중 최고였다. Nominal 대비 성공률이 각각 10.11%p, 8.55%p 높았다. 절제 실험에서 동작 모델 적합, 속도 이력, ARX 피드백 각각을 제거하면 성공률이 5.67~16.00%p 떨어졌다. 실물 Unitree Go2 정적 장면 20회 시험에서 EIDA는 모두 충돌 없이 목표에 도달했고, Nominal은 20회 중 4회만 성공했다. 성공 시 평균 경로 길이는 7.2~11.9%, 실행 시간은 20.2~25.4% 단축됐다.

저자들은 장기 예측과 불확실성 인지 모델링을 향후 과제로 남겼다. Go2 배포 명령 범위에서는 자세 오차 개선이 일관되지 않았고, 위치 정확도는 항상 개선되지 않았다. 국소화 오차나 예측 불확실성은 명시적으로 모델링하지 않았다. 실물 시험은 단일 Go2 로봇에서 정적 장면 20회와 동적 장면 1회 데모에 그쳤고, 코드 공개 여부는 논문에 보고되지 않았다. BARN 평가는 물리 기반 시뮬레이터에서 수행된 교차 시뮬레이션 검증이다.