서울공대 웹진 첫 화면으로 이동

보행 연구 최신 동향

휴머노이드 로봇의 보행 기술은 크게 모델 및 학습 기반 알고리즘 두 가지로 구분된다. 본 섹션에서는 이러한 두 가지 보행 기술의 핵심 원리와 주요 연구 동향을 설명한다.

모델 기반 보행 알고리즘

모델 기반 제어 방법은 휴머노이드 로봇의 복잡한 동역학 및 기구학적 특성을 수학적으로 모델링하고, 사전에 계획된 보행 궤적을 정확히 추종하도록 제어하는 접근법이다. 휴머노이드 로봇은 구조적으로 높은 자유도와 복잡한 움직임을 가지기 때문에, 로봇의 동작을 수학적으로 묘사하는 모델은 일반적으로 고차원(high-dimensional), 비선형(non-linear)이며 비볼록(non-convex)한 특성을 가진다.

이러한 모델 기반 제어는 로봇의 동역학 특성을 명확하게 이해할 수 있으며, 수학적 모델을 이용하여 제어기의 안정성과 수렴성을 보장할 수 있다. 그러나 실제 로봇 시스템에 정확히 적용하기 위해서는 모델 구축과 파라미터 튜닝 과정에서 많은 시간과 노력이 필요하다. 또한 실제 환경에서 발생할 수 있는 모델 오차와 불확실성을 모두 반영하기 어려운 한계가 있다.

이러한 한계를 극복하고 로봇의 하드웨어 성능을 최대한 끌어내기 위해서는 단순한 오프라인 모션 계획이나 선형 제어만으로는 한계가 있으며, 첨단 제어 기법의 도입이 필수적이다. 최근에는 이러한 문제를 극복하기 위해 모델 예측 제어(MPC: Model Predictive Control) 기술이 활발히 연구되고 있다.

MPC 기반의 이족 보행 제어 접근법은 크게 두 가지 방식으로 나뉜다.

첫 번째 방법은 [그림3]의 (a)와 같은 로봇의 실제 동역학 모델을 직접 활용하여 MPC를 통해 최적 제어 입력을 계산하는 방식이다. 이 방법은 휴머노이드 로봇의 실제 동역학을 정밀하게 반영하므로 이론적으로 더욱 동적이고 정확한 움직임 생성이 가능하다. 하지만 높은 차원의 비선형성과 비볼록성으로 인해 최적화 계산 시간이 크게 증가하며, 국소 최소점(local minima)에 빠질 가능성도 있다. 최근에는 이러한 문제를 해결하기 위해 'Sequential Quadratic Programming(SQP)'이나 'Differential Dynamic Programming(DDP)' 등 비선형 최적화 알고리즘을 활용하여 실시간성을 높이고 최적화 성능을 개선하는 연구가 활발히 이루어지고 있다.

두 번째 접근법은 로봇의 복잡한 동역학을 [그림3]의 (b)와 (c)와 같은 간략화된 모델로 표현한 뒤, 해당 모델들을 바탕으로 MPC를 통해 최적 제어 입력(예: 지면 접촉력, 질량 중심 위치, 몸통 회전 등)을 계산하고, 이를 실제 로봇의 역동역학 제어기(Whole-body inverse dynamics controller)가 실시간으로 추종하는 방식이다. 이 방법은 계산 부담을 낮추면서도 로봇 하드웨어의 동적 성능을 최대한 활용할 수 있다는 장점이 있다. 하지만 간략화한 모델로 계산된 최적 제어 입력과 실제 로봇 동역학 간의 차이로 인해, 매우 동적인 움직임의 생성이 어렵거나 로봇 구동기의 하드웨어적 제약을 충분히 반영하지 못할 수 있다는 한계가 존재한다.

이처럼 모델 기반 휴머노이드 보행 제어는 로봇의 성능 한계를 극복하면서도 실시간성을 유지할 수 있도록 다양한 접근 방법을 통해 지속적으로 발전하고 있다.

학습 기반 휴머노이드 보행 및 전신 제어 알고리즘

학습 기반 휴머노이드 보행 및 전신 제어 알고리즘은 딥러닝(Deep Learning)과 강화 학습(Reinforcement Learning, RL) 등 최신 인공지능 기술을 활용하여 로봇 제어기를 학습시키는 접근 방식이다. 보행 제어와 관련된 학습 기반 연구는 크게 강화 학습을 위한 보상 함수 설계에 초점을 맞춘 연구와 제공된 모션 패턴을 모방하는 것에 초점을 맞춘 모방 학습(Imitation Learning) 기반 연구로 구분할 수 있다.

Siekmann 등은 이족 보행의 주기적인 움직임에 집중하여 주기성을 반영한 독창적인 보상 함수를 제안하였다. 이러한 보상 함수 설계를 통해 사용자의 명령에 따라 걷기(walking), 도약 보행(skipping), 점프(jumping), 달리기(running) 등 다양한 보행을 구현 가능하다¹⁾. 하지만 이와 같은 방식은 사전에 의도한 보행 패턴을 생성하기 위한 보상 함수의 정밀한 설계에 많은 시간과 노력이 요구된다는 한계가 존재한다.

최근 연구 동향에서는 모방 학습 기반 접근법이 주도적인 방식으로 자리 잡고 있다. 컴퓨터 그래픽스 분야 연구자인 Peng 등은 물리 기반 시뮬레이션 환경에서 인간의 모션 캡처 데이터를 모방하도록 간단한 보상 함수를 설계하고, 이를 강화 학습에 적용하는 방식을 제안하였다²⁾. 이후 이러한 모방 학습 기반 제어기를 실제 휴머노이드 로봇의 보행 제어로 확장하는 연구들이 잇따라 발표되었다³⁾. 그러나 단일 모션 데이터만을 모방할 수 있어 다양한 동작 간 전환(transition)을 학습하기 어렵다는 한계가 지적되고 있다.

이러한 한계를 극복하기 위해 생성형 딥러닝(Generative Deep Learning) 알고리즘을 활용한 새로운 연구도 제안되었다. Peng 등은 다수의 모션 데이터를 모방하는 동시에 서로 다른 모션 간 전환을 학습할 수 있는 제어기를 개발하였다⁴⁾. 이를 통해 하나의 제어기로 여러 작업 간의 전환이 가능하게 되었으며, Tang 등은 이를 휴머노이드 로봇 보행 제어에 적용한 연구도 최근 보고하였다(그림4).

한편, 지금까지의 많은 연구가 보행 제어에 초점을 맞춘 것과 달리, 전신 제어를 대상으로 하는 학습 기반 연구도 활발히 이루어지고 있다. He 등은 역동적인 인간의 다양한 동작을 모방하는 전신 제어기를 제시하였다(그림5). 이러한 전신 제어를 대상으로 하는 학습 기반 연구들은 단순 보행을 넘어 복잡한 상체 동작, 물체 조작, 유연한 자세 변화 등을 포함하는 종합적인 신체 제어로의 확장을 시도하고 있다는 점에서 주목할 만하다.

이처럼 딥러닝과 강화 학습을 기반으로 한 휴머노이드 보행 및 전신 제어 기술은 빠른 속도로 발전하고 있으며, 보행뿐만 아니라 인간과 유사한 전신 동작을 수행할 수 있는 고도화된 제어기의 개발로 나아가고 있다.