아마존 FAR 'FLoRe', 힘까지 학습한 휴머노이드 성공률 80%… 위치만 쓴 정책은 26.7%
아마존 FAR 연구진의 프리프린트에 따르면 접촉 힘까지 다루는 휴머노이드 정책은 실제 과제 3종에서 80%, 위치만 쓰는 정책은 26.7%를 기록했다. 데이터는 로봇 없이 힘 센서 그리퍼로 수집했다.
손이 어디로 가는지뿐 아니라 얼마나 세게 미는지가 중요한 작업을 로봇 없이 기록한 시연으로 휴머노이드가 배울 수 있는지, 그리고 전신 제어기가 걷고 균형을 잡으면서 지시된 힘을 실제로 낼 수 있는지를 묻는다.
손잡이형 그리퍼로 로봇 없이 데이터를 모으는 방식은 모방학습 비용을 크게 낮췄지만 움직임만 기록한다. 무거운 수레를 밀거나 상자를 두 손으로 돌리거나 칠판을 닦으려면 적절한 힘이 필요하다. 위치만 따라 하는 정책은 접촉을 놓치거나 너무 세게 밀고, 일반적인 휴머노이드 전신 제어기는 힘 명령을 아예 받지 않는다.
SONIC 같은 전신 추종 제어기는 손과 몸의 기준 동작을 따르지만 힘 입력이 없다. 바깥에 어드미턴스 루프를 붙이면 힘을 요청할 수는 있으나 서보가 균형 정책 밖에서 작동해 요청한 힘의 일부만 낸다. 움직임만 담은 시연으로 학습한 확산 정책은 접촉 힘을 무시한다.
FLoRe는 힘과 토크를 재는 UMI 방식 손잡이 그리퍼 두 개와 몸에 다는 추적기로 시연을 기록해, 손의 움직임과 접촉 렌치를 함께 담는다. 하이브리드 컴플라이언스 전신 제어기는 동작과 지시된 손 힘을 동시에 추종하도록 학습되며, 측정된 힘 오차를 적분해 접촉 대상의 강성을 몰라도 힘을 맞춘다. 상위 정책은 힘을 입력받아 자세와 힘 명령을 출력하며, 유니트리 G1에서 구동했다.
시뮬레이션에서 제어기는 5~25N 명령을 이득 1.03~1.06, 손당 접촉 오차 약 1N으로 추종했다. 어드미턴스를 붙인 SONIC은 이득 0.67~0.70, 오차 7.9N이었다. 실제 로봇이 고정된 힘 측정기를 누르는 시험에서 전후 방향으로 지시 힘의 약 91%를 냈고 평균 오차는 1.1N, 1N 범위 안에 드는 데 1.8초가 걸렸다. 다른 로봇을 매단 갠트리 밀기, 양손 상자 돌리기, 칠판 닦기 등 실제 과제 3종에서 전체 시스템은 30회 중 24회(80%) 성공했다. 제어기에 힘 명령을 주지 않으면 36.7%, 정책에서 힘 입력을 빼면 66.7%, 위치만 쓰는 확산 정책은 26.7%였다.
과제당 10회만 시행해 성공률의 불확실성이 크고, 로봇 한 기종에서 과제 3종만 시험했다. 옆 방향과 아래 방향 힘 명령은 이득이 낮고 다른 축으로 새며, 센서가 정지 상태에서 1.3~1.5N을 읽어 1.5N 미만 명령은 0으로, 상한은 25N으로 묶었다. 힘 추종 대가로 같은 제어기의 힘 없는 버전보다 몸통 위치 오차가 1.3~3.2cm 늘었다. 프리프린트다.
수레 밀기, 큰 상자 다루기, 청소처럼 접촉이 많은 작업은 물류와 서비스 휴머노이드의 핵심 수익원이지만, 움직임만 따라 하는 모방학습이 놓치는 영역이다. 아마존 자체 로봇 연구조직이 유니트리 G1과 저가 손잡이형 수집 장비로 이를 구현했다는 점은 어질리티, 피규어, 앱트로닉과 국내 휴머노이드 기업에도 시사점이 크다. 힘 정보가 붙은 로봇 없는 데이터가 1~2년 안에 표준 데이터 상품이 될 수 있고, 제어기는 이를 쓰기 위한 힘 입력을 갖춰야 한다.
논문 전문
CC BY 4.0 라이선스로 공개된 논문으로, 전문은 출처를 밝혀 영어로 전재했습니다: 전문 보기(영어). 원문은 arXiv:2610.35862(PDF)에서 볼 수 있습니다.