IRIS 학습 기반 영화 촬영 전용 로봇 팔

초록

IRIS는 6자유도 3D 프린트 로봇 팔을 저비용(1,000 달러 이하)으로 구현하고, 목표 이미지 기반 시각-운동 모방 학습(ACT 기반)으로 인간 전문가의 카메라 움직임을 학습한다. 목표 조건화와 액션 청킹을 통해 장애물 회피와 부드러운 프레이밍을 자동 생성하며, 1 mm 수준의 반복 정밀도와 1.5 kg 페이로드를 달성한다. 실험에서 다양한 영화 촬영 궤적을 정확히 추적하고, 시뮬‑실세계 전이에도 강인함을 보였다.

상세 분석

본 논문은 영화 촬영용 로봇 팔을 ‘작업‑특화’ 설계와 ‘학습‑구동 제어’라는 두 축으로 접근한다. 하드웨어 측면에서는 6 DOF 구조에 QDD(Quasi‑Direct‑Drive) belt‑drive 방식을 적용해 모터를 베이스에 집중시켰다. 이는 말단 관성 감소와 고속·고정밀 제어를 동시에 가능하게 하며, 탄소섬유 튜브와 3D 프린트 부품을 조합해 전체 무게 8.5 kg, 작업 반경 약 1 m, 페이로드 1.5 kg를 구현한다. 비용은 액추에이터 80 USD, 전체 부품 1,000 USD 이하로 상용 시네마 로봇 대비 20배 가량 저렴하다.

제어 스택은 200 Hz 임피던스 루프와 ROS 기반 저레벨 인터페이스를 사용한다. 액추에이터는 Unitree GO‑M8010‑6 BLDC 모터와 FOC 제어를 통해 23.7 Nm 토크와 30 rad/s 속도를 제공한다. 저레벨 명령은 1차 저역통과와 속도 제한을 거쳐 부드러운 궤적을 보장한다.

학습 부분은 목표‑조건화된 Action Chunking with Transformers(ACT)를 변형한 Goal‑Conditioned ACT를 도입한다. 관측은 RGB 이미지와 현재 관절 상태이며, 목표는 사용자가 제공하는 단일 목표 이미지이다. CVAE를 결합해 멀티모달 스타일을 모델링하고, 트랜스포머 인코더‑디코더 구조가 장시간 행동 시퀀스를 청크 단위로 생성한다. 이렇게 하면 행동 누적 오차와 분포 이동 문제를 완화하면서도, 장애물 회피를 위한 잠재장(Repulsion/Attraction Field) 정보를 학습에 포함시킬 수 있다.

시뮬레이션은 MuJoCo를 활용해 정확한 관성·충돌 모델을 구축하고, 실제 로봇과 동일한 파라미터(감쇠, 마찰 등)를 튜닝해 sim‑to‑real 격차를 최소화했다. 클래식 플래너(RRT*)와 비교 실험에서 학습 정책이 더 부드럽고 인간적인 프레이밍을 유지하면서도 동일 수준의 정확도를 보였다.

전체 시스템은 데이터 수집(전문가 시연), 저레벨 제어, 고레벨 정책 학습, 실시간 실행의 파이프라인으로 구성된다. 실험에서는 컵을 추적하는 단순 작업부터 복잡한 회전·이동 궤적까지 10여 개의 시네마 샷을 재현했으며, 평균 위치 오차는 1 mm 이하, 프레임당 이미지 차이는 2 % 미만이었다. 또한, 새로운 목표 이미지에 대해 제로샷 일반화 능력을 확인했다.

이 논문의 핵심 기여는 (1) 영화 촬영에 최적화된 저비용 6 DOF 로봇 설계, (2) 목표 이미지 기반 목표‑조건화 ACT 학습 프레임워크, (3) 시뮬‑실세계 전이와 실시간 ROS 제어를 포함한 완전한 시스템 구현이다. 특히 하드웨어‑소프트웨어 공동 설계(co‑design) 접근이 저비용 로봇에서도 고품질 시네마틱 움직임을 가능하게 했다는 점이 주목할 만하다.