[논문 리뷰] Robots that redesign themselves through kinematic self-destruction

Cheng Yu, Sam Kriegman|arXiv (Cornell University)|2026. 03. 12.

Modular Robots and Swarm Intelligence인용 수 0

한 줄 요약

본 논문은 로봇 몸체의 중복 모듈을 자체 파괴하도록 학습하는 변환기 기반의 보편 컨트롤러를 제시하며, 이를 통해 개선된 보행을 위해 스스로 재설계하고, 시뮬레이션에서 실제 로봇으로의 이전 및 보이지 않는 형태에도 일반화하는 것을 다룬다.

ABSTRACT

Every robot built to date was predesigned by an external process, prior to deployment. Here we show a robot that actively participates in its own design during its lifetime. Starting from a randomly assembled body, and using only proprioceptive feedback, the robot dynamically ``sculpts'' itself into a new design through kinematic self-destruction: identifying redundant links within its body that inhibit its locomotion, and then thrashing those links against the surface until they break at the joint and fall off the body. It does so using a single autoregressive sequence model, a universal controller that learns in simulation when and how to simplify a robot's body through self-destruction and then adaptively controls the reduced morphology. The optimized policy successfully transfers to reality and generalizes to previously unseen kinematic trees, generating forward locomotion that is more effective than otherwise equivalent policies that randomly remove links or cannot remove any. This suggests that self-designing robots may be more successful than predesigned robots in some cases, and that kinematic self-destruction, though reductive and irreversible, could provide a general adaptive strategy for a wide range of robots.

연구 동기 및 목표

• 배포 중 낡거나 중복된 신체 부위를 제거하여 로봇이 스스로 설계할 수 있는 능력을 동기 부여한다.
• 자이로/고유감각 피드백만을 사용하여 다양한 형태에서도 작동하는 보편 컨트롤러를 개발한다.
• 시뮬레이션에서 현실로의 엔드투엔드 전이 및 분포 밖 신체 설계로의 일반화를 입증한다.
• 비파괴 또는 무작위 파괴 기준선에 비해 성능 향상을 평가한다.
• 제어된 운동학적 자기파괴가 로봇의 적응성 및 수명 연장에 이점이 있음을 보인다.

제안 방법

• 자기파괴와 보행을 일련의 모델링 문제로 공식화하고, 수작업으로 설계된 형태에서 강화학습으로 전문가 정책을 훈련한다.
• 전문가 궤적을 인과적 트랜스포머로 증류하여 모듈 분리와 로봇의 이동 모두를 위한 행동을 출력하게 한다.
• 이동 거리, 궤적 효율성, 활성 연결의 보존을 매 시간 보상으로 균형하여 학습을 지도한다.
• 분포 밖 상태를 만났을 때 악화된 루프를 방지하기 위해 Prompt Reset을 도입한다.
• 실세계 롤아웃으로 학습을 보강하여 시뮬레이션-실제 간 격차를 줄인다(실제의 오픈 루프 궤적을 학습에 주입).
• MuJoCo에서 토크 기반 모듈 제거로 분리 동작을 모델링하고, 도메인 변이를 위한 분리 토크를 무작위화한다.

실험 결과

연구 질문

• RQ1 단일 보편 트랜스포머 컨트롤러가 다양한 형태에 걸쳐 모듈의 자기파괴와 이후의 보행을 모두 학습할 수 있는가?
• RQ2 운동학적 자기파괴가 보행 성능을 향상시키는가, 특히 미지의(out-of-distribution) 형태에서 파괴 없이 또는 무작위 파괴 대비에 대해?
• RQ3 학습된 정책이 시뮬레이션에서 실제 로봇으로, 그리고 out-of-distribution 설계까지 얼마나 잘 transfer되는가?
• RQ4 제안된 Prompt Reset 메커니즘이 새로운 신체를 만났을 때 악화된 행동을 완화하는가?
• RQ5 실세계 궤적을 학습에 포함시키는 것이 시뮬레이션-실제 성능에 미치는 영향은 무엇인가?

주요 결과

• 트랜스포머 컨트롤러가 자율적으로 분리할 모듈을 선택하고 파괴 후 앞으로의 보행을 달성한다.
• 동분포에서 자기파괴가 무작위 파괴보다 보행을 향상시킨다(p = 0.033).
• 시뮬레이션에서 분포 밖 100개의 형태에서 자기파괴가 평균 속도 μ=0.168 m/s, σ=0.105를 내 baseline μ=0.080, σ=0.058보다 높다(p<0.001).
• Prompt Reset은 악성 루프를 줄이고 적응성을 향상시킨다(무시 실험에서 Prompt Reset 없이 속도가 느려짐, p<0.01).
• 시뮬레이션-실제 전이: 두 대의 분포 내 물리 로봇이 100% 재설계 및 보행 성공; 분포 밖 실제 형태에서도 성공했고, 자기파괴가 더 방향지향적이고 때로는 더 빠른 보행을 보였다(기준선 대비).
• 현실 세계 결과는 미지의 형태에서 자기파괴된 설계가 더 안정적인 보행 궤적을 낳음을 시사한다.