MOMO: 로봇 스킬 학습을 위한 통합 인터랙티브 프레임워크

산업용 로봇은 다양한 작업과 환경에 맞춰 유연하게 적응할 수 있어야 합니다. 기존 시스템의 한계를 극복하기 위해, 본 연구는 세 가지 상호 보완적인 모달리티를 결합한 'MOMO'라는 인터랙티브 프레임워크를 제안합니다.

이 프레임워크는 첫째, 정밀한 공간 수정을 위한 **물리적 접촉(Kinesthetic touch)**을 활용하며, 둘째, 고수준의 의미론적 변경을 위해 자연어 명령어를 사용합니다. 셋째, 웹 인터페이스를 통해 기하학적 관계 시각화, 매개변수 조정, 드래그앤드롭 방식의 경로 편집이 가능합니다.

MOMO는 다섯 가지 핵심 구성 요소로 이루어져 있습니다. 여기에는 에너지 기반 인간 의도 감지, 안전한 자연어 적응을 위한 도구 기반 LLM (Tool-based LLM) 아키텍처가 포함됩니다. 이 LLM은 코드를 직접 생성하기보다 미리 정의된 함수를 선택하고 매개변수화하는 방식을 사용합니다. 또한, 모션 인코딩을 위해 Kernelized Movement Primitives (KMPs)와 가이드 시연 기록을 위한 확률적 Virtual Fixtures가 적용되며, 표면 마감(surface finishing)에는 에르고딕 제어(ergodic control)를 활용합니다.

연구 결과, 이 도구 기반 LLM 아키텍처는 KMPs부터 에르고딕 제어까지 스킬 적응 범위를 일반화하며, 음성 명령만으로도 표면 마감 작업을 수행할 수 있음을 입증했습니다. 실제 Automatica 2025 무역 박람회에서 7-DoF 토크 제어 로봇을 이용한 검증은 MOMO의 산업 현장 적용 가능성을 보여줍니다.