STAMP: 고려대와 로보티즈, 휴머노이드 동작 전환 성공률 G1에서 80.7%

따로 생성하거나 기록한 휴머노이드 동작 두 개를 어떻게 이어야 추종 정책이 실제 로봇에서 연결 동작을 수행할 수 있는가.

휴머노이드 동작 라이브러리는 클립 단위로 만들어진다. 두 클립을 이을 때 두 번째 클립이 첫 클립 대비 어디서 시작해야 하는지, 어느 방향을 봐야 하는지, 전환에 몇 초를 써야 하는지는 정해져 있지 않다. 각각은 멀쩡한 클립도 아무렇게나 배치하면 발 미끄러짐이나 불필요한 회전, 원치 않는 걸음으로 이어진다.

흔한 방법은 두 번째 클립의 시작점을 첫 클립의 끝점에 맞추고 위치와 방향을 보간하는 것이다. 키모도(Kimodo)나 모션브릭스 같은 생성형 중간 동작 모델은 더 풍부한 동작을 만들지만 원래 배치를 그대로 두기 때문에 배치가 나쁘면 의도하지 않은 이동을 만들어 낸다.

STAMP는 사람 동작 공간에서 작동한다. 로봇 클립 두 개를 사람 골격으로 리타기팅한 뒤, 작은 트랜스포머 인코더 두 개로 된 정렬 모델이 두 번째 클립의 배치 후보 388개(평면 위치, -60도에서 90도까지의 방향, 0.5~2.0초 전환 시간)에 점수를 매겨 비용이 가장 낮은 것을 고른다. 이어 확산 기반 사람 동작 사전모델이 그 배치에서 전환 동작을 생성하고, 완성된 시퀀스를 다시 로봇으로 리타기팅해 비욘드미믹 정책으로 추종한다. 두 모델 모두 사람 공간에 있어 로봇 기종이 바뀌어도 재사용된다.

복싱, 산업 정비, 교통 통제 시나리오의 동작 쌍 18개를 쌍마다 시뮬레이션 1024회씩 평가했다. 유니트리 G1 성공률은 STAMP 80.69%, 위치와 방향 보간 69.59%, 모션브릭스 56.91%, 정렬 없는 키모도 50.69%였고 신체 속도 오차는 보간 0.258m/s 대비 0.229m/s였다. 로보티즈 K1에서는 STAMP 87.52%, 보간 84.70%, 키모도 64.55%였다. 정렬 후보 1위 대신 100위를 쓰면 성공률이 G1에서 9.36%포인트, K1에서 15.62%포인트 떨어졌다. 실제 K1에서는 달리기에서 펀치로 넘어갈 때 보간 방식에서 생긴 발 미끄러짐 대신 연결 걸음을 만들었고, 교통 통제 동작 4개를 긴 시퀀스로 이었다.

사전공개 논문이다. 성공률은 시뮬레이션에서 각 방법이 만든 자체 기준 동작에 대해 잰 값이며 정답 전환과 비교한 것이 아니고, 기준 동작마다 학습 시드는 하나다. 이어 붙인 시퀀스마다 추종 정책을 새로 학습해야 해 새로운 조합을 바로 실행하지는 못한다. 실물 로봇 근거는 정성적 시연과 한 동작 쌍의 5회 모터 전류 비교뿐이며, 저자들도 전환 시작 시점부터 전류가 달랐다고 밝혔다. K1에서 보간 대비 개선 폭은 2.8%포인트로 작다.