PhyFilter, 적은 데이터로 낯선 지형·바람 적응…로봇 4종서 물리 피드백 검증

로봇이 처음 만난 지형과 바람에 적응하도록 만들기 위해 훈련 데이터를 끝없이 늘리지 않아도 된다는 실험 결과가 나왔다. PhyFilter는 이미 학습된 정책이 내놓은 출력을 물리 법칙을 반영한 피드백으로 보정하는 가벼운 모듈이다. 연구팀은 사족보행 로봇, 드론, 공중 매니퓰레이터, 가속도 미분기까지 서로 다른 4종 시스템에서 이 방식을 검증했다.

로봇 학습의 데이터는 인터넷 텍스트처럼 싸게 모을 수 없다. 사람의 원격조작 시연은 느리고 비싸며, 시뮬레이션 데이터는 실제 장비와의 차이를 피하기 어렵다. 장비마다 센서와 구동계, 데이터 형식도 달라 대형 언어모델처럼 한 가지 규모 확장 공식을 적용하기 힘들다. PhyFilter는 학습 정책을 교체하지 않고 정책 출력과 실제 동작 사이에 보정 계층을 둔다.

모듈은 학습 결과에서 물리적으로 설명되는 성분을 걸러낸 뒤 남은 오차를 피드백으로 사용한다. 수동으로 계수를 맞추는 대신 자동 학습 알고리즘이 파라미터를 최적화하도록 설계됐다. 특정 정책 구조에 묶이지 않는 model-agnostic 방식이어서 여러 제어기에 붙일 수 있다는 것이 연구팀의 설명이다. 기존 정책을 다시 훈련하지 않고 덧붙일 수 있다면 실험실마다 다른 장비에 적용하는 부담도 낮아진다.

npj Robotics가 9월 4일 게재한 논문에서 사족보행 로봇은 훈련에 없던 지형, 적재중량, 속도 범위에 대응했다. 드론은 보지 못한 바람 교란에서도 비행했고, 공중 매니퓰레이터는 바람과 질량이 달라진 조건에서 센티미터 수준의 공중 포착을 수행했다. 가속도 미분기 실험에서도 데이터 분포가 바뀐 상황의 견고성을 확인했다.

이 결과는 ‘적은 데이터만으로 범용 로봇을 완성했다’는 뜻은 아니다. 논문이 다룬 것은 동역학 불확실성 아래의 제어 일반화이며, 새로운 물체 의미를 이해하거나 긴 작업 순서를 계획하는 능력과는 다르다. 네 시스템에서 성공한 결과가 모든 형태의 로봇과 접촉 작업으로 곧바로 확장된다는 보장도 없다. 필터가 의존하는 물리 모델이 현실과 크게 어긋나면 보정이 오히려 불안정을 키울 가능성도 검증해야 한다.

의미는 데이터 규모와 물리 피드백을 대립시키지 않고 역할을 나눴다는 데 있다. 학습 정책은 복잡한 행동 패턴을 만들고, 물리 필터는 실제 세계에서 생기는 편차를 빠르게 고친다. 낯선 환경마다 새 시연을 모으는 대신 제어 단계에서 오차를 흡수하면 배치 준비 시간과 현장 데이터 비용을 함께 줄일 여지가 생긴다. 다음 단계는 더 다양한 하드웨어와 장시간 운용에서 안정성을 확인하고, 강한 충돌이나 센서 고장처럼 필터의 가정이 깨지는 조건을 공개하는 것이다. 그 검증을 통과하면 로봇 배치 때 필요한 현장 재학습량을 줄이는 실용적인 부품이 될 수 있다.