ArticuBot: 대규모 시뮬레이션을 통한 범용 관절형 물체 조작 정책 학습

ArticuBot은 단일 학습 정책으로 다양한 미지의 관절형 물체를 실제 세계에서 조작하는 로봇 시스템입니다. 대규모 시뮬레이션, 모방 학습, 계층적 정책 표현 및 가중 변위 모델을 통해 높은 수준의 일반화와 제로샷 Sim2Real 전이를 달성했습니다. 실제 로봇 설정에서 성공적인 성능을 입증하여 로봇 조작 분야의 혁신적인 발전을 보여주었습니다.

놀라운 혁신: ArticuBot이 관절형 물체 조작의 한계를 뛰어넘다!

최근, Yufei Wang 등 연구진이 발표한 논문에서 ArticuBot이라는 획기적인 로봇 시스템이 소개되었습니다. ArticuBot은 단 하나의 학습된 정책만으로 다양한 종류의 미지의 관절형 물체를 실제 세계에서 조작할 수 있습니다. 기존 로봇 기술의 난제였던 물체의 기하학적 형태, 크기, 관절 유형의 다양성 문제를 극복한 놀라운 성과입니다. 이는 마치 사람처럼 다양한 형태의 문이나 서랍을 손쉽게 여는 능력을 로봇이 갖추었다는 것을 의미합니다.

시뮬레이션과 모방 학습의 완벽한 조화

ArticuBot은 물리 기반 시뮬레이션에서 대량의 데모를 생성하고, 이를 모방 학습을 통해 포인트 클라우드 기반 신경망 정책으로 추출하는 방식을 사용합니다. 무려 322개의 관절형 물체를 대상으로 42,300개의 데모를 생성하는 엄청난 규모의 데이터셋을 활용했는데요. 샘플링 기반 파지 및 모션 플래닝을 통해 데모 생성 파이프라인의 속도와 효율성을 높인 점도 주목할 만합니다.

계층적 정책과 가중 변위 모델: 일반화의 비밀

정책 학습에는 혁신적인 계층적 정책 표현이 사용되었습니다. 고차원 정책은 엔드 이펙터의 부목표를 학습하고, 저차원 정책은 예측된 목표를 조건으로 엔드 이펙터를 움직이는 방법을 학습합니다. 이 계층적 접근 방식은 비계층적 방식에 비해 훨씬 향상된 객체 수준의 일반화를 달성합니다. 또한, 고차원 정책을 위해 제안된 새로운 가중 변위 모델은 예측을 장면의 기존 3D 구조에 기반하여 수행하여 다른 정책 표현 방식보다 우수한 성능을 보입니다.

실제 세계 적용: 제로샷 Sim2Real 전이 성공

가장 놀라운 점은 ArticuBot이 세 가지 다른 실제 로봇 설정에서 제로샷 Sim2Real 전이를 성공적으로 수행했다는 것입니다. 두 개의 다른 실험실에 설치된 고정된 테이블 상단 Franka 암, 그리고 모바일 기반의 X-Arm을 사용하여 여러 개의 미지의 관절형 물체를 두 개의 실험실, 실제 라운지, 주방에서 성공적으로 열었습니다. 이는 시뮬레이션에서 학습된 정책이 실제 환경에 직접 적용될 수 있음을 증명하는 뛰어난 결과입니다. 프로젝트 웹사이트 (https://articubot.github.io/)에서 비디오와 코드를 확인할 수 있습니다.

ArticuBot은 로봇 조작 분야의 획기적인 발전을 보여주는 사례입니다. 단일 정책을 통해 다양한 환경에서 다양한 물체를 조작할 수 있는 로봇 기술은 앞으로 물류, 서비스, 제조 등 다양한 분야에 혁신을 가져올 것으로 기대됩니다.