본 논문은 인간의 뛰어난 균형 능력을 모방하여 로봇의 균형 제어 성능을 향상시키는 새로운 프레임워크인 HuB (Humanoid Balance)를 제안합니다. HuB는 기존 강화학습 기반 휴머노이드 제어 방식의 세 가지 주요 어려움, 즉 기준 동작 오류로 인한 불안정성, 형태 불일치로 인한 학습 어려움, 그리고 시뮬레이션과 실제 환경 간 차이를 해결하기 위해 기준 동작 개선, 균형 인식 정책 학습, 그리고 시뮬레이션-실제 환경 간 강건성 훈련을 통합합니다. Unitree G1 휴머노이드 로봇을 이용한 실험을 통해 Swallow Balance 및 Bruce Lee의 킥과 같은 극한의 한발 균형 자세에서도 강력한 외부 충격에도 안정적으로 유지되는 것을 보여주며, 기존 방식의 한계를 극복함을 증명합니다.
시사점, 한계점
•
시사점:
◦
기존 강화학습 기반 휴머노이드 제어의 한계점(기준 동작 오류, 형태 불일치, 시뮬레이션-실제 환경 간 차이)을 명확히 제시하고, 이를 효과적으로 해결하는 HuB 프레임워크를 제안.
◦
극한의 균형 자세를 포함한 다양한 균형 과제에서 기존 방식 대비 우수한 성능을 검증.
◦
강력한 외부 충격에도 안정적인 균형 유지를 보여줌으로써 실제 환경 적용 가능성을 높임.
•
한계점:
◦
현재는 Unitree G1 로봇을 이용한 실험 결과만 제시되어 다른 로봇 플랫폼으로의 일반화 가능성은 추가 연구가 필요.
◦
HuB 프레임워크의 각 구성 요소(기준 동작 개선, 균형 인식 정책 학습, 시뮬레이션-실제 환경 간 강건성 훈련)의 세부적인 알고리즘 및 파라미터 설정에 대한 자세한 설명이 부족할 수 있음.
