Unitree G1 휴머노이드가 좁은 실내 연구실을 10번 주행해 8번 목표에 도달했다. 복도와 아파트 장면에서는 각각 10번을 모두 성공했다. 이 결과를 낸 선택기는 실제 공간에서 다시 학습하지 않았다. 연구진은 시뮬레이션에서 학습한 모델을 과제별 미세 조정 없이 옮겼다고 밝혔다. 연구는 2026년 7월 20일 arXiv에 공개된 동료검토 전 프리프린트다.
출발점은 로봇의 ‘안전 여유’다. 장애물과 거리를 한 값으로 고정하면 좁은 통로에서는 경로를 포기하거나 오래 우회하고, 여유를 작게 잡으면 인식 오차가 생긴 순간 벽에 가까운 길을 고를 수 있다. 연구진은 RGB-D 관찰과 목표를 바탕으로 확산 모델이 후보 궤적을 여러 개 생성하게 한 뒤, 장면에 맞는 이격 거리를 학습한 비평가가 후보를 순위화하도록 했다.
비평가는 세 값을 함께 본다. 후보 경로가 학습된 이격 예산과 제어장벽함수 조건을 지키는지, 불필요하게 휘거나 우회하는지, 예측한 여유와 ESDF에서 계산한 실제 장애물 거리가 맞는지 점검한다. ESDF 기하 정보는 시뮬레이션에서 교사 모델을 학습할 때만 사용한다. 배포 단계의 학생 선택기는 RGB-D 관찰과 후보 궤적만 받아 점수를 낸다.
HM3D 300개 에피소드에서 제안법은 성공률(SR) 0.783, 경로 길이 가중 성공률(SPL) 0.611을 기록했다. NavDP는 0.710과 0.529였다. MP3D에서는 0.680과 0.523, 데이터셋 간 전이에서는 0.597과 0.465로 네 비교군 가운데 가장 높은 값을 보고했다. 비교에는 NavDP, iPlanner, ViPlanner, PointNav이 쓰였고 관찰 형식과 동작 주기, 운동학 제약, 종료 규칙을 맞췄다.
실제 주행에서는 후보 경로를 점수에 따라 파랑에서 빨강으로 표시했다. 학습된 비평가는 장애물과 가까운 경로보다 이격을 확보한 경로에 높은 점수를 줬다. 후보 수가 8개일 때 생성과 선택에는 각각 38±2밀리초와 16±2밀리초가 걸렸다. 후보를 16개로 늘리면 56±2밀리초와 21±2밀리초, 32개에서는 94±2밀리초와 28±2밀리초였다.
| 검증 범위 | 제안법 SR / SPL | NavDP SR / SPL |
|---|---|---|
| HM3D, 300회 | 0.783 / 0.611 | 0.710 / 0.529 |
| MP3D, 300회 | 0.680 / 0.523 | 0.627 / 0.431 |
| 교차 데이터셋 전이, 300회 | 0.597 / 0.465 | 0.523 / 0.349 |
| 실제 주행 성공, 장면별 10회 | 복도 10/10 · 아파트 10/10 · 연구실 8/10 | |
자료: STORIUM 정리
실제 환경 평가는 장면 세 곳에서 각 10회씩 진행한 PointGoal 시험이다. 병원이나 가정에서 장기간 운용한 결과로 넓혀 읽기는 어렵다. HM3D 구성요소 제거 실험에서도 안전 항을 빼면 SR이 0.690, 효율 항을 빼면 SPL이 0.468, 거리 정합 항을 빼면 SR이 0.633으로 내려갔다. 적응형 이격 선택의 효과가 더 다양한 로봇과 장기 운용에서도 유지되는지는 후속 검증이 필요하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
