The Duke Humanoid: Design and Control For Energy Efficient Bipedal Locomotion Using Passive Dynamics

Motivation

• Known: 상용 인형로봇은 폐쇄형 시스템이고 일부 오픈소스 로봇은 동적 보행 능력이 제한적이다. 패시브 다이내믹스는 전통적 제어에서 에너지 효율 향상에 성공했으나, end-to-end learning 프레임워크에서는 아직 충분히 탐색되지 않았다.
• Gap: 오픈소스 하드웨어와 소프트웨어를 모두 갖추면서 동적 보행이 가능한 인형로봇 플랫폼의 부족, 그리고 reinforcement learning 기반 제어에서 패시브 다이내믹스를 명시적으로 활용하는 방법의 미흡함.
• Why: 에너지 효율적인 보행은 실제 배포 시 충전 빈도를 줄여 운영 비용을 감소시키며, 오픈소스 플랫폼은 연구자들의 커스터마이제이션과 저수준 시스템 접근을 가능하게 한다.
• Approach: 인간의 골격 비율을 모방한 대칭적 엉덩이 배치와 직선 무릎 설계로 패시브 워킹을 가능하게 하고, joint torque를 명시적으로 modulate하여 패시브와 액티브 제어 간 전환을 유도하는 reinforcement learning 알고리즘을 개발했다.

Achievement

Fig. 2: Mechanical Design Overview: a) Major dimensions

• 오픈소스 플랫폼 구현: 하드웨어와 소프트웨어 모두 오픈소스화되어 연구자의 커스터마이제이션과 저수준 접근을 지원하는 인형로봇 플랫폼 제공
• Zero-shot 정책 배포: 시뮬레이션에서 학습한 reinforcement learning 정책을 실제 하드웨어에 파인튜닝 없이 직접 배포 가능
• 에너지 효율 개선: 패시브 정책이 저속 보행(<0.5m/s)에서 시뮬레이션 기준 50%, 실제 로봇에서 31%의 운송 비용(cost of transport) 감소 달성
• 경쟁력 있는 토크 성능: 유사 크기의 다른 인형로봇 대비 HFE와 KFE 조인트의 최대 토크가 우수함(각각 264 N·m, 238 N·m)

How

Fig. 2: Mechanical Design Overview: a) Major dimensions

• 인간의 femur, tibia, foot length 및 stance width 비율을 참고하여 기계적 설계 수행
• 대칭적 엉덩이 배치와 직선 무릎으로 정적 안정성 확보
• Joint torque modulation을 통해 passive 및 active 제어 간 명시적 전환을 학습하도록 reinforcement learning 프레임워크 설계
• 병렬 linkage 구조로 knee와 ankle joint 구현하여 무게와 관성 감소
• 시뮬레이션 환경에서 RL 정책 학습 후 zero-shot 배포 검증

Originality

• Reinforcement learning 프레임워크 내에서 패시브 다이내믹스를 명시적으로 활용하는 접근은 기존의 전통적 제어 기반 패시브 워킹 연구와 차별화됨
• Human physiology를 모방하는 설계 원칙(대칭 엉덩이, 직선 무릎)을 동적 보행 가능한 오픈소스 플랫폼에 통합한 시도
• Hardware와 control을 동시에 최적화하는 co-design 접근으로 기존 폐쇄형 상용 로봇과 기능 제한적 오픈소스 로봇의 간극 해소

Limitation & Further Study

• 속도 범위 제한: 에너지 효율 개선이 저속 보행(<0.5m/s)에서 주로 달성되므로 고속 보행 시 효과 검증 필요
• 안정성 분석 부족: 실제 로봇 실험에서 안정성 마진이나 외란에 대한 강건성 분석이 제시되지 않음
• 페이로드 적응성: 페이로드 추가 시 패시브 정책의 일반화 능력에 대한 평가 부재
• 비교 기준 제한: 동일 하드웨어 기반 baseline RL 정책과의 비교만 있고, 다른 에너지 효율화 제어 방법과의 직접 비교 부족
• 후속 연구: 고속 보행 조건에서의 패시브 다이내믹스 활용 방안, 불규칙한 지형에서의 적응 능력 개선, 페이로드 변화에 대한 강건성 향상 필요

Evaluation

총평: 이 논문은 오픈소스 인형로봇 플랫폼과 패시브 다이내믹스 기반 에너지 효율 개선을 결합하여 humanoid 보행 연구에 실질적 기여를 한다. 특히 reinforcement learning 내 passive dynamics의 명시적 활용과 zero-shot 배포 검증은 학술적·실용적 가치가 높으나, 속도 범위와 일반화 능력의 검증이 더 필요하다.