LEGO: Latent-space Exploration for Geometry-aware Optimization of Humanoid Kinematic Design

Motivation

• Known: 로봇 형태 및 kinematic 설계는 전통적으로 인간 직관에 의존하며, 최근 motion-design co-optimization 연구들은 graph VAE나 voxel 표현을 사용하여 latent space 최적화를 수행하고 있다.
• Gap: 기존 접근법들은 수작업으로 정의된 합성 데이터셋에 의존하고 수동으로 loss function을 설계해야 하며, 시뮬레이션 기반으로만 검증되어 실제 제조 가능성과 인간 행동 패턴 반영이 제한적이다.
• Why: 로봇 설계 자동화는 설계 비용과 시간을 단축하고 인간 직관을 넘어선 새로운 설계 발견을 가능하게 하며, 특정 모션 과제에 최적화된 kinematic 구조를 체계적으로 찾을 수 있기 때문에 중요하다.
• Approach: Screw theory로 joint axis를 (ω, q) 벡터로 표현하고, 기존 로봇 설계 데이터로부터 isometric autoencoder를 학습하여 geometry를 보존하는 latent space를 구성한다. 인간 모션 데이터를 motion retargeting과 Procrustes analysis로 robot kinematic에 맞게 변환하여 loss function을 자동 정의하고, VOO (Voronoi Optimistic Optimization)로 latent space에서 최적화를 수행한다.

Achievement

Fig. 4: Hardware prototypes generated by our design frame-

• Screw theory 기반 표현: Joint를 6D 벡터 (ω, q)로 통일적이고 직관적으로 인코딩하여 다양한 구조의 humanoid 설계를 R^(6N) 공간에서 스케일러블하게 표현
• 데이터 기반 search space 설계: 기존 로봇 설계 데이터로부터 isometric autoencoder를 통해 task-agnostic하면서도 geometry를 보존하는 compact latent space 자동 학습
• 자동화된 loss function 정의: 인간 모션 데이터에서 motion retargeting과 Procrustes analysis를 통해 별도의 휴리스틱 없이 robot-friendly loss function 자동 구성
• 실제 하드웨어 검증: 시뮬레이션 기반 선행 연구들과 달리 실제 3D 프린팅된 로봇 프로토타입을 제작하여 설계의 실현 가능성과 타당성 입증
• 통합 최적화 파이프라인: Screw representation, isometric autoencoder, motion retargeting, VOO를 결합한 일관성 있는 end-to-end 프레임워크 구현

How

Fig. 1: Total pipeline for humanoid kinematic structure optimization. First, a dataset of robots is converted to a unifi

• Screw theory 기반 representation: 각 joint의 회전축을 단위벡터 ω와 축 위의 한 점 q로 표현하여 6D 스크루 좌표 (ω, q)로 통일. h=0 인 pure rotation 케이스를 사용하여 compact geometric representation 달성
• Isometric autoencoder 학습: 기존 로봇 설계 데이터를 encoder-decoder 구조로 학습하되, isometry regularization 항 L_iso = E_z[Tr((J_g^T J_g)^2)] / E_z[Tr(J_g^T J_g)]^2 를 추가하여 latent space의 geometry distortion 최소화
• Motion retargeting 기반 loss 정의: 인간 모션 데이터(skeletal structure)를 최적화 중인 robot kinematic으로 retarget하고, Procrustes analysis를 통해 두 구조 간의 pose alignment를 측정하여 loss function 자동 구성
• Voronoi Optimistic Optimization (VOO) 수행: Latent space에서 gradient-free optimization 알고리즘 VOO를 적용하여 인간 모션을 잘 재현하는 최적 kinematic 구조 탐색
• 데이터셋 기반 prior 활용: 기존 로봇 설계들(약 30개 정도의 제한된 데이터)로부터 학습한 latent space manifold가 realistic하고 제조 가능한 설계 영역을 자동으로 제약

Originality

• Screw theory 기반 표현의 신선함: 기존의 graph VAE, voxel, 또는 parametric 표현과 달리 screw theory를 활용하여 joint 구조를 기하학적으로 직관적이고 uniform하게 표현
• 실제 로봇 설계 데이터 활용: 합성 데이터셋이 아닌 실제 기존 로봇 설계들로부터 search space를 학습함으로써 실현 가능성과 실용성 향상
• 자동화된 loss function 설계: 수동으로 정의된 reward/loss 대신 인간 모션 데이터 기반 motion retargeting과 Procrustes analysis로 task-specific loss를 자동 구성
• Isometric regularization의 통합: Geometry를 보존하는 latent space 학습으로 smooth manifold 구성 및 최적화 안정성 향상
• 실제 하드웨어 프로토타입 제시: 시뮬레이션 중심의 기존 연구들과 달리 실제 물리 로봇 제작으로 설계의 실용성 증명

Limitation & Further Study

• 제한된 학습 데이터: 약 30개 정도의 기존 로봇 설계 데이터만 사용하여 manifold 학습 시 데이터 부족 가능성. 더 많은 diverse한 설계 데이터 수집의 어려움
• Humanoid upper body 중심: 현재 humanoid의 상체(upper body) 설계에만 국한되어 있으며, 전신 또는 다른 morphology로의 확장성 미제시
• Motion retargeting의 한계: 인간 골격 구조와 로봇 구조 간의 fundamental difference로 인해 완벽한 retargeting이 어려울 수 있으며, 특정 작업 특성(예: 강도, 정밀도)이 충분히 반영되지 않을 가능성
• Gradient-free optimization의 샘플 효율성: VOO 기반 최적화는 샘플 효율성이 낮을 수 있으며, 매우 복잡한 task에 대해서는 탐색 시간이 증가할 수 있음
• Isometric regularization 계산 복잡도: Jacobian 기반 isometry 계산이 computationally expensive할 수 있어 더 큰 latent dimension으로의 확장 시 challenge 예상
• 후속 연구 방향: (1) 더 큰 규모의 로봇 설계 데이터셋 구축, (2) 다양한 morphology와 작업으로의 일반화, (3) Differentiable design 접근법과의 결합, (4) Sim-to-real transfer 성능 향상

Evaluation

총평: 본 논문은 screw theory, isometric manifold learning, motion retargeting을 통합한 혁신적인 data-driven 로봇 설계 프레임워크를 제시하며, 실제 하드웨어 프로토타입 검증으로 실용성을 입증한 의미 있는 연구이다. 다만 제한된 학습 데이터와 특정 morphology에의 국한이 일반화 관점에서의 한계이나, 로봇 설계 자동화 분야에 중요한 기여를 제공한다.