피지컬 AI RESEARCH TREND

이미 학습한 걸 새 로봇에 옮긴다 — TRON1로 검증한 정책 전이 강화학습

보행 로봇을 강화학습으로 훈련시킬 때 가장 큰 부담은 매번 처음부터 학습해야 한다는 점입니다. 로봇이나 지형이 조금만 바뀌어도 학습을 새로 하려면 시간과 비용이 많이 듭니다. PTRL(Prior Transfer Deep Reinforcement Learning) 연구는 이미 학습한 보행 정책(prior)을 새로운 로봇으로 전이해, 학습 속도와 안정성을 끌어올리는 방법을 제안합니다.

이 연구는 시뮬레이션에 머무르지 않고 TRON1을 실제 로봇으로 사용해 실물 실험을 진행했습니다. 평지와 잔디 등 서로 다른 지형에서 보행을 검증하며, 전이된 정책이 실제 환경에서도 안정적으로 동작함을 입증했습니다.

TRON1은 이처럼 최신 강화학습·정책 전이 연구가 실제로 구동되고 검증되는 연구 플랫폼으로 활용되고 있습니다. 시뮬레이션에서 실제 로봇으로 이어지는(sim-to-real) 연구에 곧바로 투입할 수 있는 하드웨어입니다.

#강화학습 보행 #정책 전이 #sim-to-real

출처: "PTRL: Prior Transfer Deep Reinforcement Learning," arXiv:2504.05629 (2025)

피지컬 AI RESEARCH TREND

스스로 지형을 읽고 적응한다 — TRON1로 검증한 자기지도 지형 적응 보행

다리로 걷는 로봇이 실제 환경에서 쓰이려면 평지뿐 아니라 다양한 지형에 스스로 적응해야 합니다. 하지만 지형마다 일일이 정답 데이터를 만들어 학습시키는 건 한계가 있습니다. BarlowWalk 연구는 사람이 정답을 붙이지 않아도 로봇이 스스로 특징을 학습하는 자기지도학습(self-supervised learning)을 보행에 적용해, 지형 적응 능력을 높이는 방법을 제안합니다.

이 연구는 TRON1을 솔(sole) 모드로 사용해 6종의 서로 다른 지형에서 보행을 검증했습니다. 로봇이 지형의 특성을 스스로 파악하고 그에 맞춰 걷는 능력을 실제 하드웨어에서 입증한 것입니다.

TRON1은 이처럼 다양한 지형 적응 보행 연구가 실제로 이뤄지는 플랫폼으로, 험지·비정형 환경을 다루는 최신 로보틱스 연구에 폭넓게 활용되고 있습니다.

#자기지도학습 #지형 적응 보행 #다지형 보행

출처: "BarlowWalk: Self-supervised Representation Learning for Legged Robot Terrain-adaptive Locomotion," arXiv:2508.00939 (2025)

 

3가지 발끝 모드 — 1대로 멀티모달

가장 단순

Point-Foot

가장 단순한 다리 형태로 제어가 쉬워, 보행 제어 알고리즘 입문에 적합합니다.

휴머노이드형

Sole

휴머노이드형 발바닥으로, 사람처럼 서고 걷는 2족보행 동작을 구현합니다.

전지형 이동

Wheeled

휠 모드로 최대 3m/s의 전지형 고속 이동 잠재력을 발휘합니다.