강화 학습을 기반으로 하는 이족 보행 로봇 P1이 자연 속에서 걷습니다.

최첨단 강화 학습 기술을 기반으로 개발된 폭스텍의 이족 보행 로봇 P1이 최근 선전의 탕랑산 공원의 험준한 지형에서 첫 번째 시험 주행을 성공적으로 마쳤습니다. 사전 데이터 입력이나 사전 자료 없이 완전히 개방된 환경에서 P1은 다양한 지형을 넘나드는 인상적인 기동성을 선보이며, 집중적인 강화 학습을 통해 다듬어진 제어력과 안정성을 입증했습니다. 최소한의 개입과 사전 데이터 입력 없이 삼림 지형을 성공적으로 횡단한 P1의 성과는 폭스텍의 첨단 강화 학습 기술과 자율 로봇 공학에 대한 혁신적인 접근 방식을 보여줍니다.

P1의 첫 번째 험난한 지형 탐험: 실제 환경에서의 강화 학습 적용 사례

Foxtech는 수년간 자체 개발한 강화 학습 플랫폼을 개발하고 개선해 왔으며, 이 플랫폼은 선구적인 연구를 확장 가능하고 체계화된 제품 개발 기능으로 전환하는 데 중점을 두고 있습니다. 이러한 연구는 세 가지 핵심 요소에 기반한 독창적인 강화 학습 프레임워크로 결실을 맺었습니다.

Real2Sim2Real 폐쇄 루프 시스템 – 실제 데이터 수집부터 시뮬레이션 모델링 및 전략 실행에 이르기까지 지속적이고 자동화된 데이터 순환을 통해 인적 개입을 크게 줄입니다. 이 프로세스는 시뮬레이션과 현실 간의 격차를 최소화하여 훈련 효율성과 결과 정확도를 향상시킵니다.

신경망 아키텍처 설계 – Foxtech의 신경망 아키텍처는 모듈식 설계를 활용하여 각 모듈의 역할을 명확히 정의하고 다양한 환경 및 하드웨어 구성에 대한 적응성을 보장합니다. 이러한 구조를 통해 다양한 로봇과 시나리오에 적용 가능한 견고하고 간섭에 강한 제어 전략을 구현할 수 있습니다.

데이터 생성 및 학습 알고리즘 – Foxtech은 핵심 로봇 기능을 단계별로 나누어 반복적인 사전 학습(IPT) 방식을 통해 효과적인 학습 데이터 부족 문제를 해결합니다. 이 방법을 통해 Foxtech은 목표에 맞는 가치 있는 데이터를 수집하여 복잡한 이동 작업에 대한 고성능 정책을 개발할 수 있습니다.

이 세 가지 요소가 결합되어 P1 로봇이 걷고, 오르고, 험준한 지형에 적응하는 능력을 구현하며, 폭스텍의 강화 학습 프레임워크가 최소한의 사전 데이터만으로도 실제 환경에 대응할 수 있음을 입증합니다.

최근 테스트에서 P1 로봇은 좁은 도랑, 드러난 암석층, 구불구불한 덩굴, 침식되어 미끄러운 지면과 같은 장애물을 능숙하게 헤쳐나가며 놀라운 기동성과 적응력을 보여주었습니다. 통제된 환경과는 달리, P1이 마주한 모든 경사면, 계단, 표면은 각기 달랐고, 자연 경관에 익숙하지 않은 로봇에게는 새로운 도전 과제였습니다. 하지만 숲길이나 관련 환경에 대한 사전 데이터가 전혀 없었음에도 불구하고, P1은 이러한 장애물에 완벽하게 적응하여 역동적이고 효율적으로 이동했습니다.

이번 성과는 폭스텍의 체계적인 강화 학습 접근 방식의 신뢰성과 적용 가능성을 입증하는 것입니다. 폭스텍은 P1이 일반적인 실험실 환경을 뛰어넘는 성능을 발휘할 수 있음을 보여주었으며, 이는 실제 응용 분야에서 더욱 발전된 기능을 구현할 수 있는 잠재력을 보여줍니다.

향후 방향: 실제 환경에서 로봇 기능 확장

폭스텍은 이동성(보행), 조작성, 그리고 이동과 조작성을 결합한 제어(보행-조작)를 포함한 핵심 로봇 역량에 중점을 두고 지속적인 개발을 진행하고 있습니다. P1의 성공을 발판으로 삼아, 폭스텍은 휴머노이드 및 이족 보행 로봇 분야의 발전을 이끌어갈 더 많은 개발에 박차를 가하고 있습니다. P1이 비정형 지형에서 성공적으로 작동한 것과 같은 각각의 성과는 폭스텍만의 강화 학습 접근 방식의 효과와 실용적이고 견고하며 적응력 있는 로봇 솔루션을 제공하려는 폭스텍의 노력을 입증합니다.

폭스텍의 강화 학습 기반 혁신은 로봇 공학의 미래를 엿볼 수 있게 해줍니다. 미래의 로봇은 단순히 회복력이 뛰어난 것을 넘어 적응력까지 갖추게 되며, 최소한의 데이터 입력만으로도 낯선 지형을 헤쳐나갈 수 있게 됩니다. 폭스텍은 새로운 응용 분야를 지속적으로 탐구하고 있으며, P1 이족 보행 로봇은 차세대 자율 로봇을 구현하는 데 있어 고도로 체계화된 강화 학습의 강력한 힘을 보여주는 증거입니다.