스파이더 확장 가능한 물리 기반 손재주 전이

초록

SPIDER는 인간의 키네마틱 시연을 물리 시뮬레이션과 가상 접촉 가이던스를 결합해 로봇에 적용 가능한 동적 궤적으로 변환하는 프레임워크이다. 9가지 로봇 형태와 6가지 데이터셋에 걸쳐 성공률을 18% 높이고, 강화학습 대비 10배 빠른 속도로 대규모 데이터(2.4 M 프레임)를 생성한다.

상세 분석

본 논문은 인간 동작 데이터가 풍부하지만 힘·토크와 같은 동적 정보가 결여된 상황에서, 이를 로봇 제어에 바로 활용하기 어려운 ‘구현 격차(embodiment gap)’를 해결하고자 한다. 저자들은 이를 물리 기반 최적화 문제로 공식화하고, 전통적인 역기구학(IK)이나 순수 강화학습(RL) 방식이 갖는 한계를 보완한다. 핵심 아이디어는 인간 시연이 제공하는 전역적인 작업 구조와 목표를 그대로 유지하면서, 물리 엔진을 이용한 샘플링을 통해 동적 타당성과 접촉 순서를 정제하는 것이다.

구체적으로, 목표 궤적 x_ref와 로봇 제어 시퀀스 u₀:T‑1 사이의 거리와 제어 비용을 최소화하는 비용함수 J(u) 를 정의하고, 물리 전이 함수 f(x, u, t)를 제약조건으로 둔다. 이 비선형·비연속 최적화는 직접적인 그래디언트 기반 방법으로는 해결이 어려우므로, 저자들은 ‘Annealed Sampling’이라는 확률적 탐색 기법을 채택한다. 초기에는 넓은 분산을 갖는 가우시안 노이즈로 전역 탐색을 수행하고, 반복이 진행될수록 분산을 점진적으로 축소해 탐색‑활용 균형을 맞춘다. 이는 기존 MPPI와 달리 탐색 단계에서 해의 다양성을 확보하고, 후반부에서는 수렴 속도를 크게 향상시킨다.

하지만 접촉이 풍부한 조작 작업에서는 동일한 물체 궤적을 달성하더라도 여러 접촉 모드가 존재한다. 인간 시연이 선호하는 접촉 패턴을 유지하지 못하면 결과가 비자연스럽거나 불안정해질 위험이 있다. 이를 해결하기 위해 ‘가상 접촉 가이던스(Virtual Contact Guidance)’를 도입한다. 목표 접촉 쌍 사이에 가상의 스프링‑같은 제약을 삽입해 초기 단계에서 물체와 손가락 사이의 상대 위치를 강제로 유지하고, 학습이 진행됨에 따라 제약 강도를 점차 감소시킨다. 이렇게 하면 샘플링 과정이 원하는 접촉 영역을 더 쉽게 탐색하도록 베이스라인 샘플링보다 넓은 ‘가능 영역(feasible basin)’을 제공한다. 또한, 접촉 지속 시간이나 위치 변동이 일정 기준 이하인 경우 자동으로 제약을 해제해 노이즈가 많은 시연에서도 견고하게 동작한다.

시뮬레이션-실제 격차를 줄이기 위해서는 로봇 제어가 다양한 물리 파라미터(마찰, 컴플라이언스 등)와 모델링 오차에 강인해야 한다. 저자들은 ‘최악 상황(min–max) 비용’을 사용해 파라미터 집합 D에 대한 도메인 랜덤화를 수행하고, J_rob(U)=max_{d∈D}J(U,d) 를 최소화함으로써 모든 가능한 환경 변동에 대해 안전한 궤적을 보장한다. 이 과정은 기존 RL 기반 도메인 랜덤화와 달리 기대값이 아니라 최악 상황을 고려하므로, 실제 로봇에 적용했을 때 실패율이 현저히 낮다.

실험 결과는 9개의 인간형 로봇·손 모델(예: XHand, Ability Hand, Inspire Hand 등)과 6개의 공개 인간 동작 데이터셋을 대상으로 수행되었다. SPIDER는 기존 샘플링 대비 성공률을 평균 18% 향상시켰으며, 동일한 작업을 RL 기반 정책 학습으로 해결하는 데 비해 10배 이상 빠르게 데이터셋을 생성했다. 최종적으로 2.4 M 프레임(≈800 시간)의 동적 타당한 로봇 시연을 구축했으며, 이 데이터를 이용한 정책 학습은 수렴 속도와 최종 성능 모두 크게 개선되었다.

전반적으로 SPIDER는 (1) 인간 시연의 전역 목표 유지, (2) 물리 기반 샘플링을 통한 동적 타당성 확보, (3) 가상 접촉 가이던스로 접촉 모드 일관성 보장, (4) 최악 상황 최적화를 통한 로봇‑실제 강인성 확보라는 네 가지 핵심 요소를 결합해, 대규모 인간 데이터 기반 로봇 학습 파이프라인을 실용적인 수준으로 끌어올렸다.