Boston Dynamics, Atlas를 바퀴형 액추에이터 시험대로 바꾸다

Boston Dynamics는 액추에이터의 한계와 전신 강화학습을 시뮬레이션에서 하드웨어로 이전하는 과정을 살펴보기 위해 휴머노이드의 발을 바퀴로 교체한 실험을 자세히 소개했다. 발표일은 2026년 11월 9일이었다.

회사는 이 구성을 제품이 아니라 연구용 시험대로 설명한다. 이번 실험은 모터가 작동 한계에 가까워질 때 실제 액추에이터와 학습된 전신 제어기가 함께 어떻게 작동하는지 확인하도록 설계됐다. 가속과 회전, 정지 동작은 모터에 부하를 가하는 동시에 작동 범위 전반에서 높은 토크와 속도를 요구한다.

Boston Dynamics는 Spot과 Stretch를 고객 현장에 투입해 수년간 쌓은 경험을 통해, 실제로 배치된 로봇은 실험실에서 완전히 재현할 수 없는 조건에 놓인다는 사실을 알게 됐다고 밝혔다. 이 글을 작성한 Atlas 제어 엔지니어 샤오위(앤디) 우는 시험대를 활용해 극한의 액추에이터 동작과 자신이 조정한 저수준 제어의 강건성을 살펴봤다.

시뮬레이션-실물 전이 학습을 위한 모터 모델

정책을 하드웨어에 적용하기 전에 수백만 건의 로봇 시뮬레이션을 활용해 학습했다. 시뮬레이션에서 하드웨어로 옮기는 과정, 즉 시뮬레이션-실물 전이는 모델링한 모터가 측정된 실제 동작을 충분히 정확하게 재현해 학습된 정책이 이전될 수 있도록 하는 데 달려 있었다. 이상화된 모터를 대상으로 학습한 정책은 실제 로봇이 수행할 수 없는 동작을 연습할 수 있다. 반면 하드웨어 특성을 반영한 모델은 로봇이 실제로 재현할 수 있는 동작을 뒷받침한다.

준비 과정에서는 소프트웨어 설정 간 저수준 제어 매개변수를 맞추고, 모터 특성화 실험을 수행했으며, Atlas에서 얻은 측정값을 기준으로 시뮬레이션 모터를 조정했다. 또한 연구팀은 단순화 요소를 하나씩 평가해 문제가 없는 근사치는 유지하고, 학습 중 정책에 비현실적인 이점을 줄 수 있는 요소는 피했다.

이번 프로젝트는 Atlas에서 보통 별개의 전문 분야로 다뤄지는 액추에이터 설계, 저수준 모터 제어, 전신 강화학습(RL)을 결합했다. 우는 전통적인 모터 제어를 전문으로 해왔으며, 이번이 본격적인 강화학습 프로젝트를 맡은 첫 사례였다. 이에 따라 그는 이 여러 계층이 맞닿는 영역에서 작업하게 됐다.

연구진은 기존 정책 프레임워크를 바탕으로 보상 구성, 학습 명령의 범위, 자세 처리 방식을 변경했다. 우는 이러한 변경으로 Atlas가 안정성을 유지하고 쉽게 조종되는 가운데 부드럽게 구를 수 있었다고 말했다. 그는 그 결과 하드웨어로의 전이가 사실상 완벽했다고 평가했다.

구르는 동작 시연과 최소한의 개조

일부 시연은 우가 발이 크게 미끄러지는 장면을 골라 만든 사람의 동작 캡처 영상으로 시작했다. 옆으로 빠르게 이동하는 동작을 학습하는 과정에서 정책은 사람의 발 미끄러짐을 조향하며 구르는 움직임으로 바꿔 바퀴 사용법을 익혔다.

360도 점프에서는 제어기가 사람의 점프 동작을 기록한 궤적을 추적했다. 우는 역동적으로 보이는 동작이지만 위험은 비교적 낮다고 평가했으며, 첫 시도에서 성공했다고 밝혔다. 이륙을 준비하던 로봇은 위로 밀어 올리기 전에 바퀴가 달린 하체를 빠르게 굴려 제자리로 이동했다. 이는 발을 사용하는 Atlas와는 다른 방식으로 접지력을 활용한 사례였다.

이러한 동작을 구현하는 데 하드웨어는 거의 개조할 필요가 없었다. 추가된 부품은 시판 스쿠터 림을 Atlas의 기존 발목 액추에이터에 연결하는 맞춤형 어댑터 하나뿐이었다. 기준 소프트웨어 모델에서는 각 바퀴를 연속 회전이 가능한 발목으로 설정했다. 덕분에 우는 별도의 로봇 모델을 만들지 않고 발을 바퀴로 바꿀 수 있었다.

기본형 Atlas에 적용할 교훈

Boston Dynamics는 이번 실험에서 얻은 교훈을 Atlas의 기본 구성에 이미 적용하고 있다고 밝혔다. 액추에이터 동역학과 전신 강화학습을 더 긴밀하게 통합하면 고장 유형에 대한 정책의 강건성을 높이고 로봇의 기능을 확장할 수 있을 것으로 기대된다. 따라서 이 시연은 이례적인 연구용 구성과 일반적인 이족 보행 기계에 사용되는 제어 시스템을 직접 연결한다.

우는 액추에이터 고장에 대응하는 정책도 연구하기 시작했다. 여기에는 강화학습이 고장에 대한 창발적 대응을 만들어낼 수 있는지도 포함된다. 후속 연구에서는 고장 후 동작 특성이 달라지는 하드웨어까지 신뢰성 연구의 범위를 넓혀, 실제 액추에이터가 예상과 다른 방식으로 작동할 때 학습 기반 제어가 이에 대응할 수 있는지 시험한다.