.svg)
AI 솔루션 문의하기
휴머노이드 로봇은 인간의 신체 형태를 모방하도록 설계됩니다. 두 팔, 두 다리, 머리를 가지고 있으며, 이러한 구조는 인간의 환경에서 작업할 수 있게 합니다. 그러나 이러한 복잡한 신체 구조는 데이터 수집을 매우 어렵게 만듭니다. 산업용 팔 로봇은 팔만 움직이면 되지만, 휴머노이드는 동시에 여러 신체 부위를 조정해야 합니다. 물체를 집으려면 먼저 손을 그 위치로 이동시키기 위해 팔을 움직여야 하고, 균형을 유지하기 위해 다리의 무게 중심을 조정해야 합니다. 동시에 전신의 자세(posture)를 유지해야 합니다.
이러한 모든 움직임을 기록하려면 다중 센서(각 관절의 각도 센서, 가속도계, 자이로스코프, 터치 센서)의 데이터를 동기화하여 수집해야 합니다. 또한 인간의 작업 방식을 휴머노이드에 맞춰 변환하는 과정도 필요합니다. 휴머노이드 로봇의 복잡한 신체 구조를 다루는 데이터 구축 방법의 개발은 휴머노이드 로봇 기술 발전의 핵심이 될 것으로 예상됩니다.
휴머노이드 로봇의 작업 수행을 완전히 기록하려면 단순히 손의 위치만으로는 부족합니다. 전신 관절의 움직임, 신체 균형, 환경과의 접촉 정보를 통합적으로 기록하면, 로봇이 복잡한 작업을 학습할 수 있을 것으로 기대됩니다.
인간의 신체 치수와 로봇의 신체 치수는 다릅니다. 인간의 팔 길이와 휴머노이드 로봇의 팔 길이가 다르고, 손의 크기도 다릅니다. 따라서 인간의 작업 시연을 그대로 로봇에 적용할 수 없습니다. 이를 위해 "리매핑(remapping)" 과정이 필요합니다. 인간이 물체를 집을 때의 손 위치, 손의 방향, 집는 방식을 기록하고, 이를 로봇의 신체 치수에 맞춰 변환합니다. 예를 들어 인간의 손이 물체의 위쪽에서 위에서 아래로 내려가며 집는다면, 로봇도 같은 접근 각도를 유지하면서 손을 맞춰야 합니다.
리매핑은 단순한 스케일링(크기 조정)이 아니라, 로봇의 관절 제약(joint constraints)을 고려한 역기구학(inverse kinematics) 계산을 포함합니다. 또한 로봇의 그리퍼(손)가 인간의 손과 다르므로, 집는 방식도 조정됩니다. 신체 구조의 차이를 고려한 리매핑으로 인간의 작업 지식을 휴머노이드에 효과적으로 전이할 수 있을 것으로 기대됩니다.
산업용 팔 로봇은 대부분 고정된 위치에서 팔만 움직이는 방식입니다. 반면 휴머노이드는 이동하면서 동시에 양팔로 조작합니다. 예를 들어 창고의 상자를 한 위치에서 다른 위치로 옮기려면, 먼저 상자에 접근하기 위해 이동하고(네비게이션), 상자에 도달하면 양팔로 집은 후(양팔 조작), 다른 위치로 이동하면서 상자를 들고 가야 합니다(이동 중 조작).
이러한 복합 작업을 기록하려면 로봇의 위치(x, y, heading), 양팔의 관절 데이터, 상자의 위치 변화를 모두 동기화하여 기록해야 합니다. 또한 작업의 각 단계(준비, 접근, 접촉, 집기, 이동, 놓기)를 명확히 세분화하고 라벨링합니다. 각 단계에서 로봇의 무게 중심이 어떻게 변하는지도 중요한 정보입니다. 이동과 조작이 통합된 복합 작업의 데이터를 구축하면, 휴머노이드가 현실의 복잡한 작업을 수행할 수 있을 것입니다.
휴머노이드 로봇의 복잡한 신체 움직임을 기록하기 위해 모션 캡처(motion capture) 기술이 필수적입니다. 적외선 카메라와 마커(reflective markers)를 사용하여 신체의 주요 지점(관절, 뼈의 중점)의 3D 위치를 실시간으로 추적합니다. 그러나 로봇의 경우 수많은 관절이 있으므로, 수백 개의 마커를 부착해야 할 수 있습니다. 또한 로봇의 관절이 인간의 관절보다 정확하게 움직이므로, 카메라의 해상도와 샘플링 주파수도 높아야 합니다.
모션 캡처로 기록된 데이터는 후처리 단계에서 노이즈 제거, 중단된 마커 복원, 관절 각도로의 변환 등을 거칩니다. 최종적으로 각 관절의 각도 시계열 데이터로 변환되어 저장됩니다. 모션 캡처 기술의 고도화로 휴머노이드 로봇의 세밀한 움직임을 정확하게 기록할 수 있을 것으로 기대됩니다.
휴머노이드가 어떤 작업을 수행하는지 알아야 로봇도 같은 작업을 학습할 수 있습니다. 따라서 각 작업 세션마다 상세한 메타정보를 기록합니다. 작업의 목표(예: "상자 A를 선반 B에 놓기"), 초기 상태(상자의 위치, 환경 조건), 최종 상태(작업 완료 여부), 장애물(작업 중 만난 예상치 못한 상황)을 모두 기록합니다. 또한 작업 수행자(전문가 vs 초보자)와 수행 환경(실내/실외, 조명, 온도)도 라벨링합니다.
시연자가 작업 중 어떤 전략을 사용했는지도 중요합니다. 예를 들어 "상자가 무거워서 천천히 들었다" 같은 의도적 선택도 데이터에 반영됩니다. 작업의 맥락과 의도를 명시적으로 기록하면, 휴머노이드가 단순 행동 모방을 넘어 작업의 본질을 이해할 수 있을 것으로 기대됩니다.
휴머노이드 로봇은 여러 회사에서 여러 형태로 개발되고 있습니다. 신체 크기(소형, 대형), 관절 수(자유도), 그리퍼 형태가 모두 다릅니다. 한 휴머노이드에서 수집한 데이터를 다른 휴머노이드에 적용하려면 데이터 변환이 필요합니다. 이를 위해 표준화된 데이터 포맷이 필요합니다. 각 휴머노이드의 신체 구조(kinematic chain)를 정의하고, 다양한 신체형을 정규화된 표현(normalized representation)으로 변환합니다.
예를 들어 "어깨에서 손까지의 거리"는 절대값이 아니라 신체 전체 길이에 대한 비율로 표현합니다. 이렇게 표준화된 데이터는 신체형이 다른 휴머노이드 간에 전이(transfer)될 수 있습니다. 표준화된 데이터 포맷으로 서로 다른 휴머노이드 간 학습 데이터의 호환성이 크게 향상될 것으로 기대됩니다.
휴머노이드 로봇은 인간과 함께 작업하거나, 인간의 환경에서 작업합니다. 따라서 데이터 수집 과정에서 안전성이 최우선입니다. 로봇이 오작동하여 인간을 다치게 하면 안 됩니다. 따라서 초기 데이터 수집은 통제된 실험실 환경에서 이루어집니다. 안전 메커니즘(토크 제한, 속도 제한)을 활성화하여 로봇의 움직임을 제약합니다. 이러한 제약은 데이터의 현실성을 낮춥니다(실제 환경에서는 더 빠르고 강력한 움직임이 필요).
이를 극복하기 위해 점진적으로 안전 제약을 완화하면서 데이터를 수집합니다. 또한 시뮬레이션 환경에서 수집한 데이터를 먼저 사용하여 로봇의 기초 능력을 구축한 후, 현실 환경 데이터로 미세 조정합니다. 안전을 유지하면서도 현실적인 데이터를 수집하는 단계적 접근으로 휴머노이드 개발의 안전성과 효율성을 동시에 확보할 수 있을 것으로 기대됩니다.
.svg)
.svg)
