Learning with pyCub: A Simulation and Exercise Framework for Humanoid Robotics

Motivation

• Known: iCub SIM과 iCub Gazebo 같은 기존 시뮬레이터들이 존재하지만, C++ 코드와 YARP 미들웨어를 요구하여 초보자 진입 장벽이 높다. Python 기반의 접근 가능한 robotics 학습 프레임워크에 대한 수요가 있다.
• Gap: 기존 iCub 시뮬레이터들은 설정이 복잡하고 초보자 친화적이지 않아 학생들의 실습 만족도가 낮다. Python만으로 전체 humanoid robot 시뮬레이션과 교육 자료를 통합 제공하는 솔루션이 부재하다.
• Why: Humanoid robotics 교육에서 시뮬레이션 접근성이 높으면 더 많은 학생들이 로봇공학의 핵심 개념(kinematics, grasping, gaze control, tactile sensing)을 실습할 수 있다. 오픈소스 프레임워크는 전 세계 교육 기관에서 재사용 가능하다.
• Approach: PyBullet physics engine을 기반으로 iCub의 전체 articulation, 4000개의 tactile sensor, 양쪽 카메라를 Python으로 구현했다. 난이도별 연습 문제와 .yaml 설정 파일을 통한 환경 커스터마이제이션을 제공한다.

Achievement

Fig. 1. An example of the simulation environment showing the iCub humanoid robot,

• 완전한 iCub 시뮬레이션: 53개의 DoF, 4000개의 tactile receptor, 양쪽 eye camera를 포함한 완전한 humanoid robot 모델 구현
• Python 친화적 설계: YARP 미들웨어 제거하고 순수 Python으로 제어 가능하여 프로그래밍 경험이 적은 사용자도 접근 가능
• 확장성 있는 교육 자료: velocity, joint, Cartesian space 제어부터 gazing, grasping, reactive control까지 다양한 난이도의 연습 문제 제공
• 실시간 성능: 평균 노트북에서 full model + GUI + skin 활성화 시 0.95의 real-time factor 달성
• 완전한 공개: 시뮬레이션, 연습 문제, 문서, Docker 이미지, 예제 영상 등을 GitHub에 공개
• 실제 교육 검증: 2번의 humanoid robotics 과정 운영을 통해 프레임워크 평가 및 개선

How

Fig. 2. Schematic of the simulation package and interconnections between individual

• PyBullet engine을 physics backbone으로 사용하여 multi-platform, open-source, 저 리소스 요구 달성
• Open3D library를 이용한 커스터마이징 가능한 GUI 개발 (PyBullet 내장 GUI의 단점 극복)
• .yaml 설정 파일을 통해 GUI, skin, eye-camera, logging, self-collision 등을 쉽게 활성화/비활성화
• Manual simulation step 방식으로 computation과 visualization 사이에 충분한 시간 확보
• 고성능 워크스테이션에서 parallel computation을 위해 여러 시뮬레이션 인스턴스 동시 실행 가능
• Proprioceptive, visual, tactile sensor에 대한 high-level interface 제공

Originality

• YARP 없이 순수 Python으로 전체 iCub humanoid robot을 시뮬레이션한 최초의 프레임워크
• 4000개의 tactile sensor를 포함한 완전한 artificial skin 시뮬레이션을 Python에서 구현
• Open3D 기반의 커스터마이징 가능한 시각화 인터페이스 개발로 기존 PyBullet GUI의 한계 극복
• 초보자부터 고급 사용자까지 확장 가능한 난이도별 연습 문제 세트 설계
• 실제 교육 과정 피드백을 반영하여 접근성 중심의 교육용 로봇 시뮬레이터 개발

Limitation & Further Study

• 기술적 한계: 현재 single-core 기반으로 reinforcement learning 같은 대규모 병렬 계산이 제한적 (향후 multi-core 최적화 필요)
• 시뮬레이션 정확도: 근 수준(muscle-level)의 정교한 생역학 모델은 포함되지 않음 (joint-level만 구현)
• 실제 iCub 전이: 시뮬레이션의 dynamics가 실제 하드웨어와 완벽히 일치하지 않을 수 있어 sim-to-real transfer에 한계 (Table 1에서 'Transferable to real iCub' = No)", '후속 연구 방향: 고정밀 dynamics 모델 개선, GPU 기반 가속화, reinforcement learning 대규모 학습 환경 확장, sim-to-real transfer learning 방법론 개발

Evaluation

총평: pyCub는 humanoid robotics 교육 접근성의 실질적 장벽을 Python과 단순화된 아키텍처로 제거한 가치 있는 오픈소스 프레임워크이며, 실제 교육 과정 검증과 완전한 공개를 통해 학술 커뮤니티에 즉시 활용 가능한 자원을 제공한다.