힘에 주목하라! 접촉 기반 정책 학습의 혁신: FACTR

Jason Jingzhou Liu 등의 연구진이 발표한 FACTR은 힘 피드백을 활용한 로봇 정책 학습 방법으로, 저렴한 양방향 원격 조작 시스템과 커리큘럼 학습 방식을 통해 기존 방식 대비 새로운 물체에 대한 일반화 성능을 43% 향상시켰습니다.

인간은 박스를 집어 들거나 반죽을 밀 때와 같이 많은 접촉이 필요한 작업을 수행할 때 힘 피드백에 의존합니다. 하지만 대부분의 로봇 팔에 쉽게 접근 가능한 이 힘 정보는 원격 조작 및 정책 학습에 일반적으로 사용되지 않았습니다. 결과적으로 로봇의 행동은 복잡한 힘 피드백을 필요로 하지 않는 준정적 운동학적 작업으로 제한되었습니다.

이러한 한계를 극복하기 위해, Jason Jingzhou Liu, Yulong Li 등 6명의 연구진이 발표한 논문 "FACTR: Force-Attending Curriculum Training for Contact-Rich Policy Learning"은 획기적인 해결책을 제시합니다. 연구진은 먼저 저렴하고 직관적인 양방향 원격 조작 시스템을 개발했습니다. 이 시스템은 추종 로봇 팔의 외부 힘을 교사 로봇 팔에 전달하여 복잡하고 접촉이 많은 작업에 대한 데이터 수집을 용이하게 합니다. 이는 마치 인간 교사가 로봇에게 직접 힘의 느낌을 전달하며 작업을 가르치는 것과 유사합니다. 이는 기존의 시각 정보 기반 학습에 비해 훨씬 정교한 작업 학습을 가능하게 합니다.

하지만 단순히 힘 정보를 추가하는 것만으로는 충분하지 않습니다. 연구진은 여기서 한 단계 더 나아가 FACTR(Force-Attending Curriculum Training)이라는 새로운 정책 학습 방법을 제시합니다. FACTR은 훈련 과정 전반에 걸쳐 감소하는 강도로 시각 입력에 노이즈를 추가하는 커리큘럼 학습 방식을 채택합니다. 이 커리큘럼은 변압기 기반 정책이 시각 입력에 과적합되는 것을 방지하고 힘 정보에 적절하게 주의를 기울이도록 유도합니다. 이는 마치 어린아이가 처음 자전거를 탈 때 보조 바퀴를 점차 제거하는 것과 같은 원리입니다.

결과는 놀랍습니다. FACTR은 힘 정보를 완전히 활용하여 기존의 커리큘럼 없는 기법에 비해 새로운 물체에 대한 일반화 성능을 43%나 향상시켰습니다. 이는 로봇이 이전에 본 적 없는 물체를 조작하는 능력을 크게 향상시킨다는 것을 의미합니다. 연구진은 https://jasonjzliu.com/factr/ 에서 비디오 결과와 자세한 설명을 제공하고 있습니다.

이 연구는 로봇 제어 분야에 중요한 이정표를 세웠습니다. 힘 피드백을 효과적으로 활용함으로써 로봇의 작업 수행 능력을 향상시키고, 더욱 다양하고 복잡한 작업을 수행할 수 있도록 하는 가능성을 열었습니다. 앞으로 더욱 발전된 힘 기반 로봇 제어 기술이 다양한 분야에서 활용될 것으로 기대됩니다.