휴머노이드 전신 제어를 위한 행동 기반 파운데이션 모델 설문조사

초록

본 논문은 휴머노이드 로봇의 전신 제어(Whole‑Body Control, WBC)를 위한 행동 기반 파운데이션 모델(BFM)의 최신 연구 동향을 종합적으로 정리한다. 전통적인 모델 기반 방법에서 강화·모방 학습 기반 컨트롤러로의 전이 과정을 살펴보고, 대규모 행동 데이터 사전학습·프리트레이닝 파이프라인, 제로샷·빠른 적응 기법, 계층적 제어 구조 등을 상세히 소개한다. 또한 현재 BFMs가 직면한 시뮬‑실제 격차, 샘플 효율성, 일반화 한계 등 문제점과, 데이터 표준화, 안전·윤리, 멀티모달 통합 등 향후 연구 과제를 제시한다.

상세 분석

이 설문조사는 휴머노이드 로봇 전신 제어 분야를 크게 세 단계로 구분한다. 첫 번째는 물리 모델에 기반한 전통적 WBC로, MPC, WBOSC, QP 기반 계층 제어가 핵심이다. 이러한 방법은 수학적 안정성을 제공하지만, 복잡한 접촉 전이와 고차원 자유도 때문에 실시간 계산 부하가 크고, 파라미터 튜닝이 노동집약적이며, 급격한 동작(예: 백플립)이나 외란에 대한 강인성이 부족하다. 두 번째 단계는 강화학습(RL)·모방학습(IL) 기반의 학습형 컨트롤러이다. DeepMimic, AMP, HoST, ExBody 등은 시뮬레이션 혹은 인간 시연을 통해 고유동적인 움직임을 습득했지만, 샘플 비효율성, 보상 설계의 민감성, 시뮬‑실제 격차, 그리고 특정 태스크에 국한된 일반화 문제를 안고 있다.

세 번째이자 핵심인 행동 파운데이션 모델(BFM)은 “대규모 행동 데이터(인간 시연, 자체 탐색) → 자기지도 사전학습 → 행동 프라이어(프리트레인) → 제로샷/빠른 적응”이라는 흐름을 따른다. BFM은 크게 두 축으로 나뉜다. (1) 프리트레이닝 파이프라인: 외재 보상 기반 목표조건 학습, 내재 보상 기반 자기지도 학습, 그리고 전·후방 표현 학습(FEN/BEN) 등으로 구분된다. 전자는 대규모 보상 라벨이 필요하지만, 복합 태스크에 직접적인 정책을 제공한다. 후자는 보상 없이 전이 데이터를 이용해 상태-행동 임베딩을 학습하고, 이후 특정 보상 함수와 결합해 정책을 추론한다. (2) 적응 전략: 전체 파라미터 미세조정(FFT), 저차원 적응(LoRA), 잠재 공간 조정, 그리고 고수준 플래너(LLM·디퓨전)와 저수준 BFM의 계층적 결합이 제시된다. 이러한 구조는 기존 학습형 컨트롤러가 요구하던 대규모 재학습을 최소화하고, 새로운 목표나 환경 변화에 몇 번의 시연만으로도 빠르게 대응할 수 있게 한다.

논문은 또한 BFM이 직면한 한계와 위험성을 명확히 짚는다. 첫째, 대규모 행동 데이터 확보와 표준화가 아직 부족하다. 인간 시연과 로봇 자체 탐색 사이의 형태학적 차이(동작 스케일, 관절 제한) 때문에 데이터 정제와 도메인 정합이 필수적이다. 둘째, 사전학습된 프라이어가 실제 물리 제약을 충분히 반영하지 못하면, 제로샷 실행 시 안전성 문제가 발생한다. 셋째, 현재 대부분의 BFM은 시뮬레이션 기반 전이 학습에 의존하므로, 시뮬‑실제 격차를 메우기 위한 도메인 적응 기술이 절실하다. 넷째, 멀티모달 입력(시각·언어·촉각)과 고차원 목표(예: “사람에게 물건을 건네라”)를 동시에 처리하려면, 대규모 VLA 모델과 BFM의 통합 프레임워크가 필요하다.

마지막으로 향후 연구 로드맵을 제시한다. (1) 데이터 레이어: 공개된 행동 데이터베이스와 표준화된 시뮬레이션 환경 구축, 인간‑로봇 동시 시연 파이프라인. (2) 모델 레이어: 자기지도 대규모 사전학습, 멀티모달 인코더‑디코더 구조, 그리고 물리 기반 제약을 내재화한 하이브리드 손실 설계. (3) 적응 레이어: 메타러닝·프롬프트 기반 빠른 파인튜닝, 온라인 적응을 위한 안전 검증 메커니즘, 그리고 인간‑인-루프 피드백 루프. (4) 윤리·안전 레이어: 행동 프라이어의 편향 분석, 실시간 안전 검증, 책임 소재와 규제 프레임워크 정립. 이러한 다층적 접근이 BFMs를 휴머노이드 로봇의 범용 지능으로 전환시키는 핵심 열쇠가 될 것으로 전망한다.