29자유도 휴머노이드 로봇의 놀라운 진화: 적응형 모션 최적화(AMO)의 성공

29자유도 유니트리 G1 휴머노이드 로봇을 이용한 적응형 모션 최적화(AMO) 프레임워크의 성공적인 구현. 시뮬레이션과 실제 로봇 간의 차이를 극복하고, 모방 학습을 통한 자율 작업 수행까지 가능하게 함.

최근, 중국과학원 자동화연구소의 Jialong Li 박사 연구팀이 이끄는 연구에서 놀라운 성과가 발표되었습니다. 바로 29자유도를 가진 유니트리 G1 휴머노이드 로봇을 이용한 적응형 모션 최적화(AMO) 프레임워크의 성공적인 구현입니다. 이 연구는 단순히 로봇 제어 기술의 발전을 넘어, 인간형 로봇의 실용화에 한걸음 더 가까이 다가서는 획기적인 결과로 평가받고 있습니다.

AMO는 시뮬레이션 기반 강화학습과 궤적 최적화를 통합한 실시간 적응형 전신 제어 프레임워크입니다. 고차원 자유도와 비선형 역학으로 인해 실제 휴머노이드 로봇의 제어는 매우 어려운 과제였습니다. 하지만 AMO는 이러한 어려움을 극복하고, 지상에서 물건을 집어 올리는 등 다양한 작업을 수행할 수 있는 높은 수준의 움직임을 구현했습니다.

특히, 연구팀은 시뮬레이션과 실제 로봇 간의 차이로 인한 성능 저하 문제를 해결하기 위해 혼합 AMO 데이터셋을 구축했습니다. 이를 통해, 예측하지 못한 명령에도 강력하게 대처할 수 있는 네트워크를 훈련시킬 수 있었습니다. 실제 유니트리 G1 로봇을 이용한 실험 결과, AMO는 기존 방식보다 월등한 안정성과 확장된 작업 공간을 보여주었습니다.

더 나아가, 연구팀은 AMO의 꾸준한 성능을 바탕으로 모방 학습을 통한 자율적인 작업 수행이 가능함을 입증했습니다. 이는 AMO의 다재다능함과 강력함을 보여주는 중요한 결과입니다. 이번 연구는 단순한 기술적 진보를 넘어, 실제 환경에서의 인간형 로봇 활용 가능성을 크게 높였다는 점에서 큰 의미를 지닙니다. 앞으로 인간형 로봇의 다양한 분야에서의 활약이 더욱 기대됩니다.

연구진: Jialong Li, Xuxin Cheng, Tianshu Huang, Shiqi Yang, Ri-Zhao Qiu, Xiaolong Wang 로봇: 29-DoF Unitree G1 휴머노이드 로봇 핵심 기술: 적응형 모션 최적화(AMO), 혼합 AMO 데이터셋, 시뮬레이션 기반 강화학습, 궤적 최적화, 모방 학습