FLoRe가 힘과 전신 균형을 함께 학습해 접촉 작업 성공률 80%를 달성한다

무엇인가

이 논문은 휴머노이드가 물건을 밀거나 무거운 상자를 옮기고 표면을 닦는 일에서 위치 궤적만 따라가는 것으로는 충분하지 않다는 문제를 다룬다. 이런 작업은 접촉력의 크기와 방향을 손과 몸 전체에 분산해 조절해야 하고, 로봇은 그 하중을 받은 채로 균형을 유지해야 한다. 기존의 로봇 없는 전신 시연 수집은 동작은 기록하지만 힘은 기록하지 않았고, 학습된 전신 컨트롤러도 힘을 외란으로 거부하거나 강성을 낮추는 방식이었으며, 명령된 힘을 직접 추종하는 연구는 주로 사족보행 매니퓰레이터에서 추정 힘으로 수행됐다. FLoRe는 시연, 정책, 전신 제어 사이에 힘을 공통 인터페이스로 넣어 이 문제를 푼다.

어떻게 동작하나

먼저 힘 라벨이 붙은 로봇 없는 시연을 모은다. 두 개의 힘 감지 UMI 스타일 핸드헬드 그리퍼에 손목 카메라, 포즈 트래커, 6축 F/T 센서, 조 그립 폭 인코더를 달고, 시연자는 가슴과 양 발목 트래커를 착용한다. 이로써 손 동작과 접촉 렌치, 몸통과 발의 동작을 함께 기록한다. 로봇에는 같은 그리퍼와 센서 조립체를 손목에 장착하므로 수집과 배포에서 센서 프레임, 센서-TCP 변환, 그리퍼 형상이 동일하다. 렌치는 센서 프레임에 유지하고 장치별 페이로드로 중력 보상한 뒤 시작 시 테어하며, 누락된 렌치나 테어 과도 구간은 0으로 채우지 않고 마스킹한다.

무엇과 다른가

상위 계층은 힘 반응형 확산 정책이다. 관측은 양 손목 이미지, 각 손에서 측정한 렌치, 그리고 손과 몸통 사이의 수평 위치 차이, 손 방향, 그리퍼 폭으로 구성된 14차원 상태다. 정책은 50스텝(1.67초) 청크의 행동을 예측하는데, 각 손의 포즈, 그리퍼 폭, 손별 힘 명령과 몸통, 양 발의 포즈가 포함된다. 힘은 입력과 출력 양쪽에 들어가며, 예측된 힘은 보조 목표가 아니라 실제 컨트롤러의 힘 명령으로 전달된다. 구현은 CLIP 초기화 ViT-B/16 이미지 인코더, 상태 선형층, 손별 렌치 히스토리용 인과 컨볼루션 인코더를 FiLM으로 시간적 U-Net 디노이저에 조건화하고, DDPM으로 학습해 DDIM 16스텝으로 샘플링한다. 포즈는 관측 시점의 각 키포인트 자기 프레임 기준 상대 포즈로 표현해 세계 프레임과 시연자 위치에 불변하게 만들고, 실행 시 현재 명령 키포인트에 다시 기준을 맞춰 재계획 점프를 막는다.

어떻게 쓰나

하위 계층은 힘 추종 기능을 가진 하이브리드 컴플라이언스 전신 컨트롤러다. 컨트롤러는 양손 TCP, 몸통, 양 발 키포인트 포즈를 골반 프레임에서 추종하며 관절 위치만 출력하므로 힘 명령을 손의 위치 목표 이동으로 바꾼다. 목표는 p_tgt = p* + f_cmd/K + I_h/K로 계산하고, I_h는 힘 오차 f_cmd + f_meas를 적분한 뒤 클리핑한 값이다. 명령 축에서는 이 적분이 접촉 강성을 모르더라도 측정 힘이 명령과 균형을 이룰 때까지 목표를 더 밀어 넣거나 되돌린다. 명령이 없는 축에서는 같은 적분이 외부 밀림에 따라 커져 손이 저항하지 않고 물러나게 한다. 즉 모드 전환 없이 명령 방향은 힘 추종, 나머지 방향은 컴플라이언스가 된다. 구현 값은 K=200 N/m, K_I=0.5 s^-1, I_max=40 N이고, 측정 힘 크기로 계산한 소프트 접촉 위상은 2.0 N 진입, 1.5 N 해제 히스테리시스와 50 ms 저역통과를 쓰며 접촉 중에만 적분이 쌓이고 해제 시 초기화된다. 학습은 Isaac Lab에서 하고 MuJoCo로 sim-to-sim 평가하며, 마찰 없는 가상 컴플라이언트 평면의 강성을 100~800 N/m 로그균일 분포로 무작위화하고 침투 8 cm, 힘 35 N, 명령 펄스 25 N까지 제한한다. 모의 F/T는 원위 질량, 에피소드별 바이어스, 백색 잡음을 더해 측정 힘을 모사한다. 보상은 기존 모션 추적 보상에 손 위치, TCP 위치, 손 방향, 힘 오차, 접촉, 접근, 힘 변화율 항을 더해 구성한다.

전제와 한계

실험은 Unitree G1에서 세 가지 접촉 중심 작업으로 진행된다. 다른 휴머노이드가 매달린 갠트리를 두 손으로 밀고 걷는 Push Gantry, 상자 테두리를 양손으로 집어 약 50도 회전하고 0.5 m 끄는 Rotate Box, 지우개를 화이트보드에 눌러 표시를 닦는 Wipe Board다. 컨트롤러 비교는 SONIC, SONIC에 해석적 어드미턴스 서보를 붙인 것, 힘 채널을 제거한 FLoRe w/o Force이고, 정책 비교는 위치만 쓰는 DP, 예측 힘을 컨트롤러에 보내지 않는 w/o F-cmd, 측정 렌치를 관측에서 뺀 w/o F-in이다. 시뮬레이션에서 FLoRe 컨트롤러는 5~25 N 명령을 이득 1.03~1.06, 손당 접촉 오차 약 1 N으로 추종했고, SONIC+어드미턴스는 명령의 0.67~0.70만 실현하며 오차가 약 7.9 N이었다. 힘을 명령하지 않을 때 센서 바닥값이 1.25~1.50 N이라 배포에서는 1.5 N 미만 명령을 0으로 두고 25 N으로 제한한다. 힘 채널 추가 비용은 FLoRe w/o Force 대비 전역 루트 오차 1.3~3.2 cm, 손목 위치 오차 최대 8.0 mm 증가였고 손목 방향 오차는 대략 절반으로 줄었다. 실제 로봇에서는 x축 명령에 대해 정상상태 힘이 명령의 약 91%, 평균 절대 오차 약 1.1 N, ±1 N 밴드 진입 1.8초, 정상상태 변동 ±0.3~0.5 N을 보였고, 측면과 하향 명령은 시뮬레이션에서 이득이 낮고 다른 축으로 일부 새는 것으로 보고됐다.

같은 시연과 컨트롤러에서 세 작업을 합친 성공률은 FLoRe 80%(24/30), 위치만 쓰는 DP 26.7%(8/30)였다. 예측 힘을 빼면 36.7%(11/30)로 떨어져 피셔 정확검정 p=0.001이었고, 힘 관측을 빼면 66.7%(20/30)로 떨어졌다. 작업별로 Push Gantry는 FLoRe 7/10, DP 2/10, w/o F-cmd 3/10, w/o F-in 6/10이고, Rotate Box는 9/10, 3/10, 4/10, 7/10이며, Wipe Board는 8/10, 3/10, 4/10, 7/10이다. 오프라인 오차는 Push Gantry 포즈 0.82 cm와 손당 힘 0.77 N, Rotate Box 포즈 0.70 cm, Wipe Board 포즈 2.02 cm와 힘 1.59 N이다. DP는 도달한 자세가 물체를 움직이지 못하면 멈추고, 보드가 변위되면 뜨거나 너무 세게 누르며, 무거운 상자에서 균형을 잃는 실패를 보였다. w/o F-cmd는 저항을 감지해도 힘을 명령할 수 없어 실패했고, w/o F-in은 접촉을 잃거나 상자가 미끄러질 때 반응하지 못했다.

개발자에게 이 논문은 접촉력이 이미지에 드러나지 않고 물체 질량이나 마찰이 에피소드마다 바뀌는 휴머노이드 작업에 직접 관련된다. 특히 양손이 내부 힘을 나눠 잡거나 걷는 동안 지속 접촉을 유지해야 하는 작업에서 위치 궤적만 학습하는 정책의 한계와, 힘 명령을 하위 제어기까지 연결했을 때의 이득을 수치로 보여준다. 실무에서는 손목 F/T 센서의 테어, 중력 보상, 포화, 대역폭, 명령 데드밴드와 상한을 먼저 확인해야 하고, 힘 관측과 힘 출력을 모두 닫힌 루프에 넣는지, 하위 제어기가 추정 힘이 아니라 측정 힘 오차를 적분해 접촉 강성 변화에 대응하는지 점검할 필요가 있다.

저자들이 본문에서 밝힌 전제와 한계도 분명하다. 측면과 하향 힘 명령은 시뮬레이션에서 이득이 낮고 다른 축으로 누출되며, 힘을 명령하지 않을 때의 1.25~1.50 N 바닥값이 검증 가능한 최소 명령을 제한해 1.5 N 미만은 0으로 두고 25 N에서 자른다. 학습의 가상 평면은 마찰이 없어 정상 방향 명령만 보았고, 로봇의 접선 방향 하중은 학습에서 보지 못한 채 같은 축별 법칙을 적용한다. 실제 힘 추종의 상세 수치는 x축 중심으로 제시됐고, 세 작업 각 10회 롤아웃, 작업별 정책 하나, Push Gantry에서만 발목 트래커로 다섯 키포인트를 예측하는 설정이다. 힘 채널은 전신 모션 추적 오차를 조금 키우는 비용도 있다.