휴머노이드 로봇 적응형 동작 계획과 추적 기술

주장휴머노이드 로봇이 전문 운동선수의 동작 스타일을 유지하면서 동시에 정확한 과업을 수행하는 것은 로봇 공학에서 중요하다.

팩트연구진은 방송 영상과 모션 캡처 데이터를 활용해 테니스 서브와 랠리 동작을 학습하는 적응형 프레임워크를 설계했다.

팩트추출된 동작 데이터는 로봇이 안전하게 추적하도록 물리적으로 보정된 참조 동작으로 재구성된다.

팩트시뮬레이션 환경에서 학습한 정책을 실제 하드웨어로 옮길 때 발생하는 추적 오류를 줄이기 위해 무작위 실행 속도 학습 기법을 도입했다.

팩트계획기에는 학습된 동작-속도 적응기를 결합해 시스템 강건성을 높였다.

교차검증시뮬레이션 환경과 실제 물리 환경 사이에는 성능 저하가 발생한다.

교차검증본 프레임워크는 자동 회귀 계획과 노이즈가 섞인 인식 데이터로 인한 누적 오류를 최소화하는 데 집중했다.

팩트해당 기술은 두 가지 휴머노이드 로봇 플랫폼에서 검증을 마쳤다.

팩트모션 캡처 시스템이 없는 통제되지 않은 야외 환경에서 풀사이즈 휴머노이드 로봇이 서브를 수행하는 성과를 거두었다.

주장동작 계획과 추적을 분리함으로써 로봇은 전문적인 운동 스타일을 유지하면서 복잡한 스포츠 과업을 수행한다.

팩트이번 백서는 노이토 로보틱스(Noitom Robotics)가 후원하고 아이이이이 스펙트럼(IEEE Spectrum)이 발행했다.

팩트노이토 로보틱스는 신체화된 인공지능을 위해 물리 세계를 학습 가능한 데이터로 변환하는 모달리티넷(ModalityNet)을 개발한다.

교차검증로봇이 스포츠 환경에서 인간과 유사한 동작을 수행하려면 정밀한 동작 제어와 환경 적응형 제어 기술이 결합되어야 한다.

출처와일리 사이언스 앤 엔지니어링 콘텐츠 허브(https://content.knowledgehub.wiley.com/learning-to-play-like-a-pro-adaptive-motion-planning-and-tracking-for-humanoid-robots/) 및 아이이이이 스펙트럼의 보도를 교차 검증했습니다.