본 논문은 고차원 자유도와 복잡한 메커니즘을 가진 현대 로봇의 정확하고 효율적인 시뮬레이션 문제를 해결하기 위해, 일반화 가능한 신경망 기반 로봇 시뮬레이터 NeRD(Neural Robot Dynamics)를 제안합니다. NeRD는 관절형 강체로 구성된 로봇에 대한 특정 동역학 모델을 학습하여 접촉 제약 조건 하에서 미래 상태를 예측합니다. 기존 신경망 시뮬레이터의 한계점인 특정 애플리케이션에 대한 학습 및 새로운 작업/환경에 대한 일반화 실패 문제를 해결하기 위해, 로봇 중심적이고 공간적으로 불변적인 시뮬레이션 상태 표현을 사용합니다. 기존의 분석적 시뮬레이터의 저수준 동역학 및 접촉 해결기를 NeRD 모델로 대체하여 통합하고, 실제 데이터를 활용한 미세 조정을 통해 시뮬레이션과 현실 간의 격차를 해소합니다. 실험 결과, NeRD 시뮬레이터는 수천 단계의 시뮬레이션에서 안정적이고 정확하며, 작업 및 환경 구성에 걸쳐 일반화되고, 신경망 엔진에서만 정책 학습을 가능하게 함을 보여줍니다.
