LocoWM: 세계 모델 기반 보행 정밀 제어

요약

출처: arXiv cs.RO · 2026년 9월 30일 공개

연구진은 LocoWM이라는 프레임워크를 제시하며, 이는 운동 명령 추적을 작업 관련 물리적 상태의 정밀한 조절과 결합하여 고정밀 보행을 실현합니다. 이 시스템은 정밀 목표가 충분히 최적화되지 않을 수 있는 엔드투엔드 최적화의 한계와, 편차가 관찰된 후에만 동작을 조정하는 반응형 잔차 제어의 한계를 해결하기 위해 설계되었습니다. LocoWM은 사전적(preactive) 접근을 사용하여, 행동 조건부 세계 모델이 고유감각 역사와 제안된 기반 동작을 기반으로 미래 물리적 상태의 시퀀스를 예측합니다. 이후 잔차 어댑터는 이 예측된 시퀀스에 조건부화되어 예상되는 편차를 보상하는 가산 동작 보정을 생성합니다.

학습 과정은 2단계로 구성됩니다. 먼저 보행과 행동 조건부 동역학을 학습하고, 그 후 두 모듈을 동결한 상태에서 어댑터를 학습하여 보행 습득과 정밀 적응을 분리합니다. 연구진에 따르면, 지형 평탄화, 가속 보정, 밀림 회복을 포함한 실험에서 엔드투엔드 및 반응형 잔차 베이스라인에 비해 제어 정밀도와 교란 강인성이 향상된 것으로 보고되었습니다. 데모와 코드는 논문에서 이용 가능하다고 명시되어 있습니다.

의의

이 연구는 다족 로봇의 핵심 과제인 이동 중 환경과의 정밀한 물리적 상호작용 유지 문제를 다룹니다. 기존 접근법은 주로 오류가 발생한 후에만 보정하는 반응형 피드백에 의존하거나, 정밀 메트릭을 충분히 우선시하지 않을 수 있는 엔드투엔드 학습을 사용합니다. LocoWM은 편차를 예측하는 구성 요소를 도입함으로써, 기반 정책의 범용성을 해치지 않으면서 안정성과 정확도를 향상시키는 구조화된 방법을 제공합니다. 이는 동적 운동 중 신뢰할 수 있는 접촉 또는 힘 제어가 필요한 응용 분야에 특히 관련이 있습니다.

로봇의 해석

2단계 학습 과정을 통해 보행과 정밀 적응을 분리한 것은 기반 보행 학습을 불안정하게 만드는 정밀 목표를 방지하는 강력한 아키텍처 선택일 수 있습니다. 그러나 이 접근법의 효과는 세계 모델 예측의 정확도에 크게 의존하며, 모델이 미래 상태를 정확히 예측하지 못하면 잔차 보정이 역효과를 낼 수 있습니다. 논문은 밀림 회복 등 특정 작업에서 베이스라인 대비 향상을 보고했지만, 이것이 고동적 또는 비구조화된 환경으로 얼마나 잘 일반화되는지는 아직 확인되지 않았습니다. 다양한 지형을 가진 실제 하드웨어에서의 추가 검증은 그 실용성을 뒷받침하는 데 도움이 될 것입니다.