Physical AI Notes
EN

다리 강의

넘어지지 않게 보행하고, 현재 위치를 추정하고, 충돌 없는 경로로 목표 지점까지 이동하는 부위. 보행 정책, LiDAR·SLAM, Nav2를 다룬다

로봇 부위

아직 공개한 강의가 없습니다. 준비 중인 주제는 아래와 같습니다.

개요

목표 좌표에서 관절 토크까지의 계층별 작동 주기, 바퀴와 다리의 차이, odom과 map이라는 두 가지 '현재 위치'

  1. 목표 좌표에서 관절 토크까지: 계층별 작동 주기와 바퀴·다리의 차이공개 예정

    목표가 경로, cmd_vel, 관절 목표각, 토크로 차례로 바뀌는 계층과 계층별 주기, 그리고 바퀴와 다리의 차이.

  2. 로봇에게는 '현재 위치'가 두 개 있다: odom과 map공개 예정

    드리프트가 쌓이는 오도메트리와 가끔 값이 튀는 지도 좌표를 따로 두는 이유.

기본

시뮬레이터에서 G1 보행 정책 실행하기, IMU와 LiDAR 데이터 처리, slam_toolbox로 2D 지도 만들기, Nav2로 목표 지점까지 이동하기

  1. 시뮬레이터에서 G1 보행 정책 실행하기: 관측값, 관절 목표각, PD 제어, decimation공개 예정

    정책이 20 ms마다 받는 관측값과 내보내는 관절 목표각, 한 줄짜리 PD 제어식, decimation.

  2. 이동에 쓰는 센서 데이터 처리: IMU와 LiDAR공개 예정

    자이로 드리프트, 상보 필터, 3D LiDAR 점군과 deskew.

  3. slam_toolbox로 2D 지도 만들고 저장하기: 점유 격자와 지도 파일 구성공개 예정

    점유 격자, 지도 파일의 필드 구성, Cartographer와의 비교.

  4. Nav2로 목표 지점까지 이동하기: AMCL, costmap, 플래너와 컨트롤러공개 예정

    AMCL, costmap, 플래너와 컨트롤러, 행동 트리, 액션의 피드백·취소.

심화

보행 정책의 강화학습과 sim2real, IMU와 다리 기구학을 융합하는 상태추정, SLAM과 Nav2의 내부 구조

  1. 보행 정책은 어떻게 학습되나: 보상, 커리큘럼, 병렬 시뮬레이션공개 예정

    시뮬레이터 기본 편에서 만든 기준 보행 정책으로 보상 항을 하나씩 꺼 보는 실험.

  2. 시뮬레이션에서 걷던 로봇이 실물에서 넘어지는 이유공개 예정

    목표각을 가상 스프링의 평형점으로 보는 해석, 그리고 게인·지연·노이즈·마찰이 만드는 한계.

  3. 다리 로봇의 상태추정: IMU와 다리 기구학을 융합하는 EKF공개 예정

    디딤발 속도가 0이라는 가정과 EKF, 발이 미끄러질 때 추정이 무너지는 모습.

  4. SLAM의 내부 구조: 스캔 매칭, 포즈 그래프, 루프 클로저공개 예정

    프런트엔드·백엔드 구조, LiDAR-관성 오도메트리, 시각 SLAM과 비교.

  5. Nav2의 내부 구조: costmap, 플래너와 컨트롤러의 역할 분담, 행동 트리공개 예정

    inflation 비용 함수, DWB·RPP·MPPI, BT로 재계획 주기 바꾸기.

실전

지도 편집과 위치 추정 실패 진단, 도착 판정과 팔 작업으로 전환, 실물 다리 로봇에 보행 정책과 Nav2 적용하기

  1. 지도와 현실이 어긋날 때: 지도 편집, 금지 구역, 위치 추정 실패공개 예정

    지도를 고칠 때와 keepout·speed 필터를 쓸 때의 구분, AMCL 위치 추정 실패 진단(단층 지도 기준의 일반 원칙).

  2. 도착 판정 기준: 목표 허용오차, 정지 후 재인식, 팔 작업으로 전환공개 예정

    도착 위치의 오차 예산, 정지 후 재인식, 정밀 접근 단계가 필요한지 판단하는 법.

  3. 실물 다리 로봇에 보행 정책과 Nav2 적용하기공개 예정

    관절 매핑 검증, 로봇을 매단 채 하는 시험, 속도 추종 한계에 맞춘 Nav2 설정, collision_monitor(실물이 없으면 시뮬레이터로 대체).