트랜스포머 트랜스포머: 동작 특화 로봇 설계 모델
주어진 작업(동작)에 맞춰 로봇의 물리적 구조(embodiment)와 제어기를 자동으로 최적화 설계하는 '트랜스포머 트랜스포머(Transformer Transformer)' 모델이 소개되었습니다. 이 모델은 로봇의 모든 관절과 모터를 통합된 토큰(RoboTokens)으로 표현하여 단일 네트워크에서 로봇 생성, 평가, 제어를 모두 수행할 수 있게 만들어, 로봇 공학 및 코디자인 연구의 패러다임을 전환하는 중요한 연구입니다.
제목: 트랜스포머 트랜스포머(Transformer Transformer): 모션 조건부 로봇 공동 설계(Co-Design)를 위한 통합 모델
저자: Huy Ha, Karen Liu, Shuran Song
모든 로봇이 똑같이 태어나는 것은 아닙니다. 하지만 특정 작업에 딱 맞는 로봇을 직접 설계할 수 있다면 어떨까요? 우리는 정확히 이 역할을 수행하는 통합 모델인 '트랜스포머 트랜스포머'를 제안합니다. 로봇 조작 시연 영상이나 데이터를 입력하면, 해당 동작에 최적화된 완전한 로봇(모든 링크, 관절, 모터, 관성 특성 포함)을 생성해 냅니다. 우리는 ALOHA 2 양팔 플랫폼에서 천을 휘두르는 작업을 위해 이 설계를 실제로 제작해 보았으며, 기존 원본 대비 추적 오류는 73%, 최대 관절 속도는 30% 감소시켰습니다.
이 결과의 이면에는 로봇의 물리적 구조(embodiment), 상태, 동작을 통합적으로 토큰화한 '로보토큰(RoboTokens)'으로 학습된 디퓨전 트랜스포머(Diffusion Transformer)가 있습니다. 동일한 아키텍처가 바퀴 달린 양팔 로봇, 사족보행 로봇, 휴머노이드 등 다양한 구조 공간을 아우르며, 구조 생성 및 교차 구조 제어(cross-embodiment control)와 같은 다양한 사용 사례에 적용됩니다. 이 모델은 단일 보상 함수에 과적합되지 않습니다. 대신, 보상에 무관한 동역학 모델의 예측을 추론 시점에 특정 보상 기반의 가치 예측으로 변환한 뒤, 우리가 '동역학 자기 가이드(Dynamics Self-Guidance)'라고 부르는 절차를 통해 구조 생성 과정을 유도합니다. 세 가지 설계 공간에 걸친 실험은 이 모델이 보이지 않는 보상과 궤적에 대해 제로샷 최적화를 수행하여, 진화 알고리즘 기반의 베이스라인 대비 성능과 런타임을 향상시켰음을 보여줍니다.
기술 요약
주어진 로봇 조작 작업에 가장 적합한 로봇은 무엇일까요? 로봇이 어떤 작업을 잘 수행할 수 있는지는 로봇의 '물리적 구조(embodiment)'가 결정합니다. 우리는 로봇을 더 똑똑하게 만들기 위해(더 큰 데이터셋, 더 나은 알고리즘, 더 강력한 정책 아키텍처 등) 많은 노력을 기울입니다. 하지만 물리적 구조가 잘못되면 아무리 훌륭한 정책이라도 제대로 작동하기 어렵습니다. 세상의 모든 던지기 데이터를 수집하더라도, 로봇의 형태가 최적화되어 있지 않으면 로봇이 공이 아닌 자기 자신을 던져버릴 수도 있습니다.
그래서 이 문제를 구체적으로 정의해 봅시다. 입력으로 목표 말단 효과기(end-effector) 동작과 보상 함수가 주어졌을 때, 우리는 해당 작업을 수행하기 위한 완전한 로봇 구조를 생성하고 싶습니다. 여기서 '완전하다'는 것은 모든 링크, 관절, 모터, 관성 특성과 전체 시스템을 구동하는 컨트롤러까지 포함한다는 뜻입니다. 우리는 이를 '모션 조건부 로봇 공동 설계(motion-conditioned robot co-design)'라고 부릅니다.
시연, 생성, 검증 우리의 프레임워크는 로봇 공동 설계를 세 단계의 과정으로 재정립합니다.
- 원하는 말단 효과기의 동작을 시연합니다(예: UMI 3를 통한 인간 시연 데이터).
- 우리의 모델이 최적화된 로봇 구조를 생성합니다.
- 동일한 모델이 직접 생성된 로봇을 제어하며 해당 설계를 검증합니다.
단일 네트워크는 로봇을 하나의 통합 토큰으로 학습하여 생성자(generator), 비평가(critic), 교차 구조 컨트롤러(cross-embodiment controller)의 세 가지 역할을 모두 수행합니다. 이 논문은 통합된 로봇 표현(RoboTokens), 통합 아키텍처(Transformer Transformer), 통합 학습 목표(Dynamics Self-Guidance)의 세 부분으로 구성되어 있습니다. (여러분이 이 섹션에 도달하기 전까지 'Transformer Transformer'라는 이름에 담긴 언어유희를 알아채길 바랍니다 🥸)
1부. 로보토큰(RoboTokens): 통합 로봇 표현 하나의 모델이 다양한 로봇을 공동 설계하려면, 네트워크에는 모든 구조를 아우르는 공유 어휘가 필요합니다. RoboTokens가 바로 그 어휘입니다. 이는 로봇을 구성하는 모든 링크, 관절, 모터, 상태, 동작에 대한 타입화된(type) 토큰입니다. 단일 시퀀스가 로봇의 구조(시간 불변)와 동역학(시간 가변)을 모두 설명하도록 체계적으로 구성되었습니다. RoboTokens의 주요 설계 목표는 다음과 같습니다:
- 완전성(Complete): RoboToken 시퀀스는 강체 관절 로봇(rigid articulated robot)에 대한 모든 정보를 포착합니다. 5가지 구조 토큰 유형(링크, 고정 관절, 회전/슬라이딩 관절, 볼 조인트, 모터)과 상태 및 동작 토큰을 모두 담고 있습니다.
- 유연성(Flexible): 토큰은 ID로 서로를 참조합니다. 즉, 하나의 관절 토큰은 자신이 연결하는 두 개의 링크 토큰을 인지하고 있으므로, 동일한 형식으로 6자유도(6-DoF) 로봇 팔이나 35자유도(35-DoF)의 이족보행 로봇 모두를 처리할 수 있습니다.
- 일관성(Consistent): 토크나이저는 중복되는 공간적 오프셋을 정규화하고 관성 및 변환 데이터를 단일 프레임에 저장하여 모델이 학습해야 할 분산(variance)을 줄입니다.