[📪정보] 로봇에서 인간과 동물의 움직임을 재현하는 새로운 접근 방식

로봇에서 인간과 동물의 움직임을 재현하는 새로운 접근 방식 (techxplore.com)

Imitate and Repurpose: Summary - YouTube

[2203.17138] Imitate and Repurpose: Learning Reusable Robot Movement Skills From Human and Animal Behaviors (arxiv.org)

로봇에서 인간과 동물의 움직임을 재현하는 새로운 접근 방식

최근 몇 년 동안 개발자들은 특정 환경에서 점점 더 효율적인 방식으로 작동할 수 있는 다양한 정교한 로봇을 만들었습니다. 이러한 시스템 중 많은 신체 구조는 자연, 동물 및 인간에서 영감을 받았습니다.

기존의 많은 로봇이 사람이나 다른 동물 종의 몸과 유사한 몸체를 가지고 있지만 영감을 받은 동물처럼 움직이도록 프로그래밍하는 것이 항상 쉬운 작업은 아닙니다. 이렇게 하려면 일반적으로 상당한 리소스와 개발 노력이 필요할 수 있는 고급 운동 컨트롤러의 개발이 수반됩니다.

DeepMind의 연구원들은 최근 인간이나 동물의 움직임을 복제하도록 로봇을 효율적으로 훈련시키는 데 사용할 수 있는 새로운 기술을 개발했습니다. arXiv에 사전 출판된 논문에서 소개된 이 새로운 도구는 모션 캡처 기술을 사용하여 수집된 실제 인간과 동물의 움직임을 나타내는 데이터를 활용한 이전 작업에서 영감을 받았습니다 .

DeepMind 팀은 논문에서 "우리는 실제 다리가 있는 로봇을 위한 재사용 가능한 이동 기술을 배우기 위해 인간과 동물의 움직임에 대한 사전 지식의 사용을 조사합니다."라고 썼습니다. "우리의 접근 방식은 이동 기술 모듈을 학습하기 위해 인간 또는 개 모션 캡처(MoCap) 데이터를 모방하는 이전 작업을 기반으로 합니다. 일단 학습되면 이 기술 모듈은 복잡한 다운스트림 작업에 재사용할 수 있습니다."

과거에 개발된 로봇 로코모션 컨트롤러의 상당 부분은 시스템이 서로 상호 작용하는 서로 다른 부분(즉, 모듈)으로 분할되는 모듈식 설계를 가지고 있습니다. 이러한 컨트롤러 중 일부는 유망한 결과를 얻었지만 이를 개발하려면 상당한 엔지니어링 노력이 필요한 경우가 많습니다. 또한 모듈식 설계는 일반적으로 작업에 따라 다르므로 다양한 작업, 상황 및 환경에서 잘 일반화되지 않습니다.

이러한 컨트롤러의 대안으로 일부 연구원은 모션 플래너와 추적 컨트롤러를 결합한 "궤적 최적화"라는 방법을 제안했습니다. 이러한 접근 방식은 모듈식 컨트롤러보다 엔지니어링이 덜 필요하지만 종종 광범위한 계산을 수행해야 하므로 실시간으로 적용하기에는 너무 느릴 수 있습니다.

그들의 논문에서 DeepMind의 Steven Bohez와 그의 동료들은 인간과 동물의 이동 스타일과 유사한 방식으로 움직이도록 인간형 로봇과 다리가 있는 로봇을 훈련시키는 대안적인 접근 방식을 소개했습니다. 그들의 기술은 모션 캡처 기술로 수집된 데이터에서 인간과 동물의 운동 능력을 요약한 다음 이 데이터를 사용하여 실제 로봇을 훈련시킵니다.

접근 방식을 개발할 때 팀은 4가지 주요 단계를 완료했습니다. 첫째, 모션 캡처 데이터를 실제 로봇에 다시 타겟팅했습니다. 그 후, 그들은 시뮬레이션된 환경 내에서 모션 캡처 데이터에서 원하는 모션 궤적을 모방하는 정책을 훈련했습니다.

연구원들은 논문에서 "이 정책은 추적 정책이 원하는 참조 궤적을 고유 수용 조건에 따른 하위 수준 컨트롤러에 후속적으로 지시하는 잠재적 동작으로 인코딩하는 계층 구조를 가지고 있습니다"라고 썼습니다.

참조 궤적을 모방하도록 이 정책을 훈련시킨 후, 연구원들은 잠재적인 동작을 출력하는 새로운 작업 정책을 훈련함으로써 고정 매개변수를 갖는 저수준 컨트롤러를 재사용할 수 있었습니다. 이를 통해 컨트롤러는 공을 드리블하는 것과 같이 로봇에서 복잡한 인간 또는 동물의 움직임을 복제할 수 있습니다. 마지막으로 Bohez와 그의 동료들은 시뮬레이션에서 실제 하드웨어로 개발한 컨트롤러를 이전했습니다.

"중요하게, MoCap 데이터에 의해 부과된 사전 설정으로 인해 우리의 접근 방식은 재사용 시점에 합리적이고 자연스러운 행동을 생성하기 위해 광범위한 보상 엔지니어링이 필요하지 않습니다."라고 연구원들은 논문에서 썼습니다. "이를 통해 실제 로봇에 배포하기에 적합한 잘 정규화된 작업 지향 컨트롤러를 쉽게 만들 수 있습니다."

지금까지 DeepMind 팀은 시뮬레이션과 실제 환경 모두에서 일련의 실험을 통해 접근 방식을 평가했습니다. 이 테스트에서 그들은 컨트롤러가 두 가지 주요 동작, 즉 걷기와 공 드리블을 복제하도록 훈련시키는 기술을 성공적으로 사용했습니다. 그 후, 그들은 ANYmal 4족 보행 로봇과 OP3 휴머노이드 로봇이라는 두 개의 실제 로봇에 대한 접근 방식을 사용하여 달성한 움직임의 품질을 평가했습니다.

보헤즈와 그의 동료들이 수집한 결과는 매우 유망하며 그들의 접근 방식이 인간과 동물을 보다 사실적으로 에뮬레이트하는 로봇을 개발하는 데 도움이 될 수 있음을 시사합니다. 다음 연구에서 그들은 새로운 동물과 인간의 행동에 대한 정책을 훈련한 다음 로봇에서 이를 복제하려고 합니다.

연구원들은 논문에서 "우리는 더 다양한 행동으로 데이터 세트를 확장하고 기술 모듈이 가능하게 하는 다운스트림 작업의 범위를 더 탐색하기를 원합니다"라고 썼습니다.

[📪정보] 로봇에서 인간과 동물의 움직임을 재현하는 새로운 접근 방식

댓글 2

다른 게시글