팔 없는 사족보행 로봇이 상자 더미를 민다, SOMA 시뮬레이션 성공률 90.1%에 유니트리 Go1 실기 이전

로봇팔이 없는 보행 로봇이 고정되지 않은 무거운 물체 더미를 위 물체가 미끄러지거나 넘어지지 않게 하면서 전신으로 정확한 위치까지 옮길 수 있는지를 묻는다.

사족보행 로봇은 잘 걷지만 손이 없다. 팔을 달면 무게와 폭이 늘고 들 수 있는 하중이 줄어든다. 몸으로 미는 방식은 무거운 물체에 맞지만 기존 제어기는 로봇 높이를 고정해 평면 밀기에 머물렀고, 최적화 기반 계획기는 물체와 바닥의 정확한 모델이 필요했다.

다리를 팔처럼 쓰는 연구는 문이나 스위치, 가벼운 물체를 다뤘지만 대개 몸을 정지시킨 상태였다. 팔을 얹은 사족 로봇은 잡기가 가능하지만 차지하는 공간과 하중에서 손해를 본다. 전신 밀기를 위한 계층형 강화학습(Jeon 외, 2024)은 고정 높이에서 물체 하나만 다뤘고 학습에 약 15시간이 걸렸다.

SOMA는 제어를 두 층으로 나눈다. 약 10만 개 파라미터의 50Hz 보행 정책이 속도와 회전, 0.1~0.3m 사이의 몸통 높이 명령을 따르고, 10Hz 조작 정책이 이 명령을 내린다. 두 정책 모두 최근 이력을 기억하는 S5 상태공간 시퀀스 인코더를 써 상자가 반응하는 모습에서 질량과 마찰을 추정한다. 조작 정책은 베타 분포에서 명령을 뽑아 잘라내기 없이 물리적 한계를 지킨다. 학습은 보행, 상자 1개, 2단 상자의 3단계로 진행하며 상자 크기 0.35~0.45m, 질량 6~10kg, 바닥 마찰 0.3~1.5를 무작위로 바꿨다.

시뮬레이션에서 학습 범위를 넘는 12kg 상자 1개는 중간 크기 형태에서 약 90%, 키 크고 좁은 형태에서 82% 성공했다. 여러 크기로 학습한 모델은 4kg 가벼운 상자에서 단일 크기 기준 모델보다 22.9~27.2%p 높았다. 2단 상자 9개 조합의 성공률은 71.4~90.1%, 더미 붕괴율은 0.2~12.1%로 작고 가벼운 0.3m 상자에서 가장 나빴다. 실제 Go1에서는 모션캡처로 위치를 받아 추가 학습 없이 작동했고, 가장 어려운 2단 설정 4회 시험에서 위치 오차가 약 2m에서 18초 안팎에 0.05m 아래로 줄었다. 미는 동안 몸통 높이는 약 0.22m에서 0.12m로 낮아졌다.

프리프린트이며 본문에 저자 소속이 적혀 있지 않다. 실기 실험은 설정 5개를 나열하고 1개만 그래프로 보여줄 뿐 성공률 표가 없다. 위치 정보는 탑재 센서가 아닌 카메라 8대의 옵티트랙 시스템에서 받아 아직 실험실 밖에서는 쓸 수 없다. 하중은 평평한 바닥 위 4~12kg, 최대 2단이다.