데이터셋·하드웨어

여러 로봇 데이터셋을 한 폴더에 합쳐도 학습기가 보는 비율은 자동으로 공정해지지 않습니다. 에피소드 수가 많은 로봇, 긴 작업, 반복 촬영된 쉬운 성공이 gradient를 차지하면 전체 손실은 내려가면서 드문 작업과 새 로봇 성능은 오히려 떨어질 수 있습니다. 혼합 비율은 파일 개수가 아니라 학습 중 샘플링 확률과 최악 도메인 성능을 설계하는 문제입니다.

Human-in-the-Loop 데이터는 처음부터 사람이 조종한 시범과 다릅니다. 로봇이 자율 실행하다 실패 직전 사람이 takeover한 순간에는 정책이 어떤 상태까지 스스로 갔고, 왜 개입했으며, 어떤 교정으로 다시 자율 상태에 돌아왔는지가 들어 있습니다. 이 경계를 보존해야 사람 개입이 단순 성공 시범이 아니라 실패 예측과 복구 학습 자료가 됩니다.

로봇 데이터의 action 열 이름이 같아도 실제 명령의 좌표계, 단위, 제어 주기와 그리퍼 의미가 다르면 한 모델이 같은 값으로 전혀 다른 움직임을 배웁니다. 행동 공간 정규화는 차원을 맞추는 작업이 아니라 원래 명령을 공통 표현으로 바꾸고 다시 각 로봇 명령으로 정확히 되돌리는 계약입니다.

LeRobotDataset v3는 로봇의 상태·행동 같은 표 형식 신호를 Parquet에, 카메라 영상을 MP4에 저장하고, 여러 에피소드가 공유 파일 안에서 어디에 있는지를 메타데이터로 연결합니다. 파일 수를 줄이는 대신 오프셋과 시간축의 정확성이 더 중요해졌습니다. 이 글은 디렉터리 구조, 에피소드 복원, 기록 종료와 마이그레이션 검증을 설명합니다.

계단과 경사로는 단순히 평지 보행의 발 높이를 올리는 문제가 아닙니다. 단 높이·단 깊이·경사각을 미리 읽고, 스윙 발의 여유와 실제 접촉 높이를 확인하며, 평지에서 지형으로 넘어가는 경계에서 보행 모드를 부드럽게 바꿔야 합니다. 이 글은 인지·발걸음·접촉·회복을 하나의 검증 흐름으로 묶습니다.

ISO 18646-5:2026은 다리형 서비스 로봇의 이동 성능을 명시하고 평가하는 방법을 다루는 국제표준입니다. 그러나 표준을 봤다는 사실만으로 안전 인증이나 현장 성능이 증명되지는 않습니다. 이 글은 적용 범위, 시험체 상태, 조건, 지표, 반복성과 안전 경계를 중심으로 시험성적서를 읽는 방법을 설명합니다.

휴머노이드의 모든 흔들림을 회복할 수 있는 것은 아닙니다. 낙상이 불가피해진 시점을 너무 늦게 판단하면 보호 동작을 만들 시간이 사라지고, 너무 일찍 판단하면 정상 회복 기회를 버립니다. 이 글은 회복 가능성 판정, 충격 부위 선택, 에너지 분산, 보호 동작 검증을 하나의 낙상 관리 흐름으로 정리합니다.

발이 바닥에 붙어 있다고 믿은 제어기와 달리 실제 지지발이 움직이기 시작하면, 상태 추정과 균형 제어가 동시에 틀어집니다. 이 글은 마찰 한계 접근을 미리 알아채는 신호, 이미 시작된 미끄럼을 구분하는 방법, 보폭·접촉력·몸통을 조정해 넘어짐을 피하는 회복 순서를 설명합니다.

휴머노이드 발 센서는 단순히 발이 닿았는지 확인하는 스위치가 아닙니다. 수직·전단 지면반력과 모멘트, 발바닥 압력 분포로 하중 중심과 접촉 상태를 추정하지만 센서 배치·좌표·영점·포화가 틀리면 CoP도 잘못됩니다. 센서 유형, 계산식의 유효 조건, 교정과 고장 시험을 정리합니다.

휴머노이드의 경로는 몸통 중심선 하나로 끝나지 않습니다. 어느 발을 어디에 어떤 방향으로 놓을지, 보폭과 회전·지면 기울기·장애물·안정성·다음 걸음 가능성을 함께 만족해야 합니다. 발 pose 탐색에서 전신 궤적 생성, 온라인 재계획과 실행 검증까지 연결합니다.