휴머노이드 학습용 고정밀 HiPHI 데이터셋 공개

주장휴머노이드 로봇이 복잡한 환경에서 균형을 잡고 물체와 상호작용하기 위해서는 기존의 인터넷 영상이나 제한적인 모션 캡처 데이터보다 정밀한 데이터가 필요합니다. HiPHI 데이터셋은 이러한 데이터 격차를 해소하여 체화된 인공지능과 물리 인공지능의 발전을 가속화합니다.

팩트HiPHI는 총 617.5시간 분량의 전신 인간 동작 데이터셋으로, 광학 모션 캡처 기술을 사용하여 서브 밀리미터 단위의 정확도를 확보했습니다. 이 데이터셋에는 245.7시간의 인간-물체 상호작용 데이터가 포함되며, 물체의 궤적과 메쉬 정보가 동기화되어 있습니다.

팩트데이터의 체계적인 구성을 위해 인간 행동을 언어학적으로 분류하는 프레임넷 프레임워크를 도입했습니다. 이를 통해 로봇은 운반, 밀기, 당기기 등 실생활에 필요한 다양한 동작을 학습합니다.

교차검증기존의 인터넷 영상 데이터는 다양한 행동을 보여주지만 물리적 상태를 정밀하게 측정하는 데 한계가 있습니다. 반면 실험실 환경의 모션 캡처는 정확도가 높지만 다루는 동작의 범위가 좁습니다.

팩트연구진은 이 데이터셋을 활용하여 강화학습 정책을 훈련했으며, 이를 유니트리 G1 휴머노이드 로봇에 적용하여 시뮬레이션에서 실제 환경으로의 전이 성능을 검증했습니다. 데이터의 규모가 커질수록 로봇의 동작 제어 정책 성능이 향상됩니다.

주장이번 연구는 로봇이 인간의 동작을 모방하고 상호작용하는 방식을 개선할 수 있는 기반을 제공합니다. 특히 물체와의 상호작용 데이터가 포함되어 있어 로봇의 실용적인 작업 수행 능력을 높입니다.

팩트본 프로젝트는 노이톰 로보틱스가 후원하고 미국전기전자학회 스펙트럼이 파트너로 참여하여 진행되었습니다. 노이톰 로보틱스는 인간 중심의 데이터 모달리티넷을 구축하여 물리 세계를 인공지능이 학습하도록 지원합니다.

교차검증로봇 학습의 핵심은 시뮬레이션 환경에서 학습한 정책이 실제 물리적 로봇에서 정확하게 작동하는가에 달려 있습니다. HiPHI 데이터셋은 이러한 시뮬레이션-실제 전이 과정을 최적화하기 위한 벤치마크 도구로 활용됩니다.

주장로봇 공학 분야에서 고정밀 모션 데이터의 확보는 로봇의 지능화 수준을 결정짓는 핵심 요소입니다. HiPHI와 같은 대규모 벤치마크는 로봇이 인간과 유사한 유연한 동작을 수행하도록 만드는 필수적인 자산입니다.

출처와일리 사이언스 앤 엔지니어링 콘텐츠 허브(https://content.knowledgehub.wiley.com/hiphi-a-large-scale-benchmark-for-high-precision-human-motion-and-object-interaction/) 및 미국전기전자학회 스펙트럼(https://spectrum.ieee.org)의 보도를 교차 검증했습니다.