Michal Ciebielski와 동료들이 낸 FARO를 정리했어요. 휴머노이드가 걸으면서 물체를 다루는 로코매니퓰레이션에서, 어떤 접촉 순서로 갈지를 빠르게 찾는 방법이에요. 계층 제어의 최적성 손실을 단일수준 축약으로 계산한 Bilevel MPC이 문제를 층으로 쪼갤 때 치르는 대가를 따졌다면, 이 논문은 층을 쪼개되 층 사이에 포함 관계를 두어 그 대가를 줄이려 해요.
되는지 물어보는 데만 1분이 걸려요
휴머노이드 로코매니퓰레이션은 차원이 높고, 접촉이 붙었다 떨어지는 하이브리드 문제이고, 부족구동이에요. 그래서 “왼손으로 선반을 짚고 오른손으로 상자를 든다” 같은 접촉 순서 하나를 놓고 이게 실제로 가능한지 확인하려면 전체 궤적 최적화를 풀어야 해요.
문제는 그 한 번이 평균 64.7초가 걸린다는 거예요. 접촉 순서의 경우의 수는 조합적으로 불어나는데 후보 하나 검사에 1분이 넘으면 탐색이 사실상 멈춰요. 시간 예산을 다 써도 몇 개 못 열어봐요.
검사를 세 단계로 쪼개요
FARO는 검사 자체를 계층으로 나눠요. 아래로 갈수록 싸고 느슨하고, 위로 갈수록 비싸고 엄격해요.
가장 아래는 모드와 전이 단위 검사예요. 접촉 조건과 충돌, 관절 한계를 만족하는 자세가 하나라도 있는지를 역기구학으로 풀어요. 그 위는 기구학적 순서 최적화로, 순서 전체에 걸쳐 K+1개 자세를 찾으면서 전이 사이의 접촉 기하와 미끄러지지 않는 조건을 함께 걸어요. 맨 위가 궤적 최적화인데, 여기서만 로봇과 물체의 동역학, 접촉력, 구동기 한계까지 봐요.
가운데 단계인 기구학적 순서 최적화가 이 설계의 핵심이에요. 결정 변수가 궤적 최적화의 74.8분의 1인데 제약의 70.0%를 담아요. 그래서 평균 0.60초에 끝나요. 64.7초와 견주면 두 자릿수 배 빨라요. 변수를 75분의 1로 줄이면서 제약은 70%를 남긴다는 조합이 이 단계가 쓸모 있는 이유예요. 너무 많이 버리면 필터가 의미를 잃고, 너무 적게 버리면 싸지지 않으니까요. 빠지는 나머지는 동역학 쪽 제약이에요. 모드 전이마다 자세 하나만 최적화하고 궤적 전체를 잘게 이산화하지 않으니, 힘이나 가속도가 개입할 자리가 애초에 없어요.
필터는 잘 거르는 것보다 안 버리는 게 중요해요
싼 검사를 앞에 세우는 발상 자체는 흔해요. 관건은 그 필터가 얼마나 믿을 만하냐인데, 논문이 낸 두 수치의 비대칭이 흥미로워요.
위음성률이 네 장면 중 셋에서 0.0%이고 나머지 한 장면이 1.3%예요. 동역학까지 통과할 수 있는 계획을 기구학 검사가 잘못 걸러낸 경우가 사실상 없다는 뜻이에요. 반면 위양성률은 장면에 따라 4.2%에서 41.4%까지 흔들려요. 기구학은 통과했는데 동역학에서 떨어지는 경우가 많게는 열에 넷이에요.
이 방향이 맞는 비대칭이에요. 위양성은 뒤에 오는 궤적 최적화가 어차피 잡아내니까 시간만 조금 더 쓰면 돼요. 하지만 위음성은 되돌릴 수 없어요. 한 번 걸러진 후보는 다시 검토되지 않으니 좋은 해가 영영 사라져요. 위양성률이 저렇게 크게 흔들리는데도 이 설계가 성립하는 이유가 여기 있어요. 필터의 값어치는 얼마나 깨끗하게 거르느냐가 아니라 맞는 걸 얼마나 안 버리느냐로 재야 해요.
실제 이득으로는 기구학 검사를 앞에 세웠을 때 전체 속도가 장면에 따라 2.4배에서 15.5배까지 빨라졌어요. 네 장면 모두에서 이득이 났고, 같은 장면의 어려운 변형일수록 폭이 컸어요.
어려운 과제에서 격차가 벌어져요
탐색은 접촉 모드에 대한 몬테카를로 트리 탐색이에요. 비용 기반 UCT에 점진적 확장을 얹어 활용과 탐험을 조절하고, 필터는 처음 실패한 지점에서 바로 멈추고 결과를 캐싱해요. 어느 검사를 어디까지 쓸지에 따라 네 가지 구성을 만들어 두 시간 예산으로 다섯 번씩 돌려 비교했어요.
쉬운 상자 옮기기 과제에서는 궤적 최적화만 쓰는 기준선도 두 시간 안에 20.0±5.0개를 찾아요. 갈리는 건 어려운 과제예요. 기준선은 두 시간 동안 한 개도 못 찾는데, 모드와 전이와 기구학 검사를 앞세운 구성은 26.4±9.7개를 찾아요. 열어본 노드 수가 814.6±78.9 대 12.8±2.2라 63배가 넘게 벌어져요. 싼 검사를 캐싱하면서 탐색 폭 자체가 달라진 거예요.
여기서 짚어둘 게 있어요. 탐색 중에 궤적 최적화를 필터로 쓰지 않는 구성이라도, 목표에 도달한 순서는 해로 세기 전에 전체 궤적 최적화를 한 번 통과시켜요. 그래서 26.4개와 0개는 같은 자격의 해를 센 값이에요. 싼 검사는 어디를 파볼지 고르는 데만 쓰이고, 최종 판정은 어느 구성에서든 동역학이 내려요.
다만 첫 해가 나오기까지 2763±1549초가 걸렸다는 점, 그리고 표준편차가 평균의 절반을 넘나드는 실행 편차는 함께 읽어야 해요. 다섯 번 돌린 결과라 편차가 이 정도면 한 번의 실행 결과로 판단하기 어려워요.
접촉 순서는 LLM이 제안해요
후보를 어디서 가져오느냐도 다뤄요. GPT-5.5에 장면 기하와 목표를 주고 장면당 접촉 계획 100개를 생성시켜요. 언어모델이 낸 계획은 그대로 믿지 않고 기구학 검사로 먼저 거른 뒤 통과한 것만 궤적 최적화로 보내요.
수율은 낮아요. 100개 중 동역학까지 통과한 게 장면에 따라 8.8개, 0.4개, 10.2개, 2.8개였어요. 그리고 언어모델이 낸 계획이 무작위 후보보다 나은지를 비교한 실험은 논문에 없어요. 언어모델의 기여분은 아직 수치로 뒷받침되지 않은 셈이에요.
남는 것
저자들이 밝힌 제약이 있어요. 접촉면을 평면으로 가정하고 있어서, 더 복잡한 형상을 다루려면 미분 가능한 부호거리 표현 같은 걸로 확장해야 해요. 더 긴 지평의 과제로 가려면 상위 수준의 과제·동작 계획과 결합해야 조합 폭발을 감당할 수 있다고도 적었어요.
이 방법의 전제 자체가 아직 증명되지 않았다는 점도 저자들이 인정해요. 계층은 아래 단계의 가능 집합이 위 단계의 가능 집합을 포함한다는 가정 위에 서 있는데, 그 포함 관계에 대한 형식 증명은 향후 과제로 남겼어요. 위음성률 0.3%는 그 가정이 실험적으로 대체로 성립한다는 증거이지 보장은 아니에요. 실기 실행은 기존 연구의 강화학습 추종 제어기를 가져다 썼고, 어떤 로봇을 썼는지는 이 논문에 적혀 있지 않아요.