UTRAINER — 디지털 트윈에서 로봇 행동 평가하기

이해해야 할 공간에서 시작하기

로봇이 건물에 들어가기 전에 먼저 물어볼 만한 질문은 그 공간의 어느 부분부터 평가해야 하는가입니다. 계단, 좁은 통로, 높이가 달라지는 구간은 로봇의 능력에 관한 막연한 논의를 구체적으로 만들어 줍니다. UTRAINER는 이 질문을 공간 모델, 지원되는 로봇과 정책, 물리 시뮬레이션 실행, 가상 관측과 함께 다룰 수 있는 작업 공간을 제공합니다.

여기서 디지털 트윈이 유용해지려면 팀이 눈으로 보는 것과 시뮬레이터가 계산하는 것을 구분할 수 있어야 합니다. 정교한 시각 모델이 그럴듯해 보여도 충돌 형상에서는 예상치 못한 접촉이 발생할 수 있습니다. 계획한 경로가 두 지점을 연결하더라도 로봇이 그 경로를 따라가지 못할 수 있습니다. 이러한 차이를 명확히 드러내면 고객과 엔지니어가 결과가 실제로 무엇을 입증하는지에 대해 공통된 이해를 갖는 데 도움이 됩니다.

아래 작업 흐름은 범위를 한정한 시험으로 시작해 조건을 기록하고, 범위를 넓히기 전에 증거를 다시 검토합니다. 도서관 계단 사례도 이 순서를 따릅니다. 시설 관리팀에는 통과하기 어려운 구간을 논의할 공통의 기준이 됩니다. 로봇 개발팀에는 선택한 정책, 접촉 모델, 관측 기록을 결과와 함께 유지하는 방법이 됩니다. 두 팀은 동일한 실행 기록을 검토한 뒤 다음에 무엇을 바꾸거나 측정할지 결정할 수 있습니다.

개념도: 공간과 지원되는 로봇·정책 조합을 정하고, 시험을 설정·실행한 뒤 증거를 검토합니다. 애플리케이션 스크린샷이 아닌 설명용 도식입니다.

작업 공간 둘러보기

회전과 확대·축소로 도서관을 살펴보고, 장면 객체와 B2를 선택하며 로봇 카탈로그를 탐색합니다. 이 시연에서는 위치 편집과 기즈모 조작도 보여 줍니다. 임시 편집 내용은 실행 전에 취소합니다. 이어서 로봇·정책, 경로, 센서, 형상 표시 패널을 통해 준비 과정을 확인할 수 있습니다.

조건을 명확히 한 시험 구성하기

첫 단계는 공간을 준비하고 축척, 좌표, 층, 충돌 형상을 확인하는 것입니다. 다음으로 실행 가능한 로봇·정책 조합을 선택합니다. 정책은 지원되는 관측을 로봇의 행동으로 변환하는 모델입니다. 파일 형식이 같다는 이유만으로 호환성이 보장되지는 않습니다. 로봇 구조, 관측값의 의미, 행동값의 스케일, 실행 환경의 요구사항도 일치해야 합니다.

정책 라이브러리는 이 선택을 암묵적으로 남겨 두지 않고 실험의 명시적인 일부로 만듭니다. 이어서 시작점과 목표점, 지원되는 경유점, 센서 배치로 과제를 정의합니다. 경로 준비는 로봇이 어디로 가도록 의도했는지를 설명합니다. 선택한 조건에서 실제로 그곳에 도착하는지 확인하려면 물리 시뮬레이션을 실행해야 합니다.

UTRAINER 정책 라이브러리의 실제 인터페이스. 로봇과 정책의 선택이 지원되는 실행 경로를 결정하며, 한국어 UI를 유지했습니다. 실제 경로 설정 인터페이스. 시작점, 목표점, 경로 조건을 통해 실행 전에 시험 의도를 명확히 합니다.

가상 RGB와 레이캐스팅 LiDAR는 모델링한 장면을 서로 보완하는 관점으로 보여 줍니다. 관측 범위를 평가할 때는 센서의 위치와 방향이 중요합니다. 열화상 시각화는 설정된 온도와 방사율을 사용하며, 실제 열화상 측정이나 열전달 시뮬레이션을 입증하지는 않습니다. 따라서 유용한 검토를 위해서는 장면에서 무엇이 보이는지뿐 아니라 어떤 센서 가정으로 그 화면이 만들어졌는지도 살펴봐야 합니다. 아래 LiDAR 오버레이는 모델에 대한 가상 관측입니다.

가상 LiDAR를 겹쳐 표시한 실제 시뮬레이션 화면. 점들은 모델링된 장면을 레이캐스팅으로 관측한 결과이며, 물리 센서의 실측값이 아닙니다.

움직임과 가상 LiDAR 관찰하기

환경 모델을 숨긴 상태에서도 가상 LiDAR와 RGB 미리보기가 계속 갱신되는 동안 B2가 움직이는 모습을 살펴봅니다. 추적 시점과 자유 카메라 시점, 일시정지·재개 기능, 독립적인 로봇 표시 제어를 통해 장면을 자세히 확인할 수 있습니다. 점들을 지우면 이후 다시 생성되는 과정을 볼 수 있습니다. 점군은 최근 최대 10초의 시뮬레이션 시간에 해당하는 관측만 순환 보관하며, 영구 지도나 SLAM 결과가 아닙니다. 이 발췌 영상은 목표 도착 전에 일시정지한 상태로 끝납니다.

특정 계단에 집중한 B2 시험

기록된 시험은 도서관 모델에 있는 특정 14단 계단을 대상으로 합니다. Unitree 공식 B2 로봇 모델과 연구자가 공개한 B2/Piper 보행 정책을 조합했습니다. 이 정책을 제조사가 제공한 보행 정책으로 소개하는 것은 아닙니다. 비교 전 과정에서 동일한 공개 ONNX 정책을 수정 없이 사용했으며, 추가 강화학습은 수행하지 않았습니다.

이 실행 경로에서는 MuJoCo 3.3.6, 1ms 물리 적분 시간 간격, 200Hz PD 제어, 50Hz 정책 추론을 사용했습니다. 결과가 모델, 정책, 제어기, 물리적 표현의 특정 조합에 해당한다는 점에서 이러한 세부 조건은 중요합니다.

얇은 프리즘 형태의 계단 충돌 형상을 사용한 최초 오르기 시험은 시뮬레이션 시간 8.30초에 실패했습니다. 이후 선택적으로 활성화하는 보정 기능을 통해 파생된 물리 충돌 형상에 계단의 꽉 찬 부피를 복원했습니다. 원래 시각 형상과 RGB·LiDAR에 사용하는 형상은 유지했습니다. 따라서 이 비교에는 접촉 표현의 변경이 포함됩니다. 이를 추가 학습이나 물리 조건이 바뀌지 않은 시험으로 설명해서는 안 됩니다.

개념도: 기록된 기준 시험과 파생 계단 충돌 형상을 명시적으로 변경한 뒤의 실행 결과를 비교하고, 도착 여부와 경고를 함께 검토합니다.

모든 시간은 시뮬레이션 내부의 진행 시간을 뜻하며, 워크스테이션에서 실제로 경과한 시간이나 현장 운용 성능을 뜻하지 않습니다. 다음 영상은 내려가기 과정의 일부를 보여 주며, 함께 제시한 스크린샷에는 녹화한 캔버스 바깥의 상태 정보가 담겨 있습니다.

실제 내려가기 결과: 시뮬레이션 시간 30.38초에 목표 도착이 기록됐으며 관절 속도 경고는 남아 있습니다. 증거로서 한국어 UI를 유지했습니다.

도착 여부와 경고를 함께 읽기

보정 후에는 두 방향 모두 설정된 목표 영역에 도착했습니다. 목표점까지의 수평 거리는 오르기에서 약 0.313m, 내려가기에서 약 0.290m로, 모두 목표 반경 0.35m 이내였습니다. 원래 표면을 기준으로 네 발의 착지도 확인했습니다. 일반 제어기는 도착을 판정할 때 1초의 안정화 조건을 적용했습니다. 이 설정 조건은 표본 프레임에서 관찰할 수 있는 시간과는 별개입니다. 해당 프레임들을 정확히 1초를 측정한 자료로 바꿔 표기해서는 안 됩니다.

목표에 도착했다고 해서 관절 속도 경고가 사라진 것은 아닙니다. 기록된 최고값은 오르기에서 오른쪽 뒷다리 종아리 관절의 33.6616rad/s, 내려가기에서 왼쪽 앞다리 종아리 관절의 16.1326rad/s였습니다. 이 값들은 학습 관련 관절 속도 기준을 초과했습니다. 내비게이션 상태가 도착으로 표시되더라도 이 경고는 여전히 검토해야 합니다.

실제 오르기 결과: 시뮬레이션 시간 23.96초에 목표 도착이 기록됐으며 관절 속도 경고가 함께 남아 있습니다. 위의 내려가기 결과와 함께 해석해야 합니다.

평가팀에 실질적으로 유용한 결론은 더 좁고 구체적입니다. 이 로봇·정책·실행 환경 조합은 기록된 조건에서 해당 계단의 목표점에 도착했지만, 운동 기준 하나는 여전히 주의가 필요합니다. 표본으로 남긴 시각적 증거만으로는 모든 내부 제어 주기의 최고값을 재구성할 수 없습니다. 후속 시험에서는 영상과 함께 제어기 진단 기록을 보관하고, 도착·안정화·접촉·관절 속도 기준을 어떻게 판정할지 미리 정해야 합니다.

작업 공간이 지원하는 범위 이해하기

UTRAINER에는 적용 범위가 서로 다른 여러 실행·학습 경로가 있습니다. 차동 구동 과제에는 PPO 학습 경로가 있습니다. 지원되는 GO2 과제에는 목표점 실행 또는 수동 속도 명령 실행과 경로 평가가 포함되며, 제한적인 이어 학습 시범 기능은 고정된 체크포인트 계보와 학습 절차에만 적용됩니다. 별도로 공개된 GO2 MoE-CTS 정책은 추가 학습 파이프라인 없이 추론용으로 사용할 수 있습니다. 이 사례의 B2 지원 범위는 추론뿐입니다.

이러한 구분은 카탈로그 항목을 곧바로 학습 가능한 로봇으로 오해하지 않도록 합니다. 일반 자산은 탐색하고 시각적으로 배치할 수 있지만, 물리·제어·학습 기능까지 자동으로 통합된다는 뜻은 아닙니다. 마찬가지로 정책을 가져왔다고 해서 임의의 로봇·정책 조합이 올바르게 실행됨을 입증하는 것은 아닙니다.

개념도: 시각 자산 배치, 지원되는 과제 실행, 적용 범위가 명확히 한정된 학습 경로를 구분합니다. 지원 범위는 로봇, 정책, 과제에 따라 달라집니다.

이 작업 공간은 팀이 지원되는 출발점을 선택하고 그 동작을 살펴보도록 돕습니다. 하드웨어 배포, 범용적인 정책 호환성, 화재 대응 적격성, 안전 인증에는 이번 시뮬레이션 기록을 넘어서는 별도의 증거가 필요합니다.

다음 고객 평가 정의하기

고객 개념 검증은 하나의 공간과 하나의 질문에서 시작할 수 있습니다. 지원되는 로봇·정책 조합이 합의한 평가 기준을 만족하면서 선택한 경로를 통과할 수 있는가입니다. 초기 범위를 작게 유지하면 모델 문제, 정책의 한계, 관측에 대한 가정을 구분하기 쉬워집니다.

이는 제안하는 산출물이며 고객 사례에 맞게 합의해야 합니다. 계단 시험 결과는 이러한 논의를 체계화하는 방법을 제공할 뿐, 다른 건물에서의 성능을 약속하지 않습니다. 후속 시험에서는 무엇을 변경했는지 명확한 기록을 유지하면서 시작 위치, 경로, 접촉 가정을 바꿔 볼 수 있습니다.

제안하는 고객 평가: 범위를 넓히기 전에 공간, 지원되는 로봇·정책 조합, 시험 조건, 증거, 수용 기준을 합의합니다. 이 도식은 제안 단계의 개념 검증을 설명하며, 기존 고객에게 실제 배포한 사례가 아닙니다.

다음 논의에서는 사용할 수 있는 모델, 지원되는 로봇과 정책, 먼저 시험할 가치가 있는 경로를 정해야 합니다. 이후 검토를 통해 어떤 질문은 시뮬레이션에서 답할 수 있고, 어떤 질문은 통제된 실제 시험으로 넘어가야 하는지 결정할 수 있습니다. 일정, 사업 범위, 운영상 이익은 모두 별도로 합의한 평가에서 다뤄야 합니다. 유용한 인수인계에는 선택한 설정, 해당 기준을 충족한 결과, 결론의 범위를 제한하는 미해결 관측 사항이 포함됩니다. 그러면 원래 결과의 조건을 잃지 않으면서 고객 관계자에게는 구체적인 검토 자료를, 엔지니어링팀에는 다음 실험의 명확한 출발점을 제공할 수 있습니다.

출처: UTRAINER 프로젝트 문서 및 기록된 시뮬레이션 증거, 2026년 11월 4일 검토. 공식 로봇 모델 출처: Unitree MuJoCo. 연구자 정책 출처: B2/Piper 보행 정책 체크포인트. 모델과 정책의 출처는 구분해야 합니다.

건물 경로 점검과 B2 반복 시험 — NVIDIA Isaac과의 비교

UTRAINER 개발 버전에서 검증한 도서관 경로와 Unitree B2·MuJoCo 조합을 기준으로 비교했습니다.

도서관 계단의 오르기 세 조건 중 한 조건에서 목표에 도착했고, 그 실행에서도 관절 속도 경고가 남았습니다. 내려가기는 세 조건 모두 도착했고 한 조건이 관절 속도 기준도 충족했습니다. 이 수치는 해당 시뮬레이션 조건에서 얻은 결과입니다.

NVIDIA 공식 자료 · Isaac Sim · Isaac Lab-Arena