로봇이 스케이트보드를 탄다? | HUSKY 휴머노이드 시스템 완전 분석

사람처럼 걷는 로봇은 더 이상 놀라운 일이 아닙니다. 하지만 스케이트보드를 타며 발을 구르고, 체중을 실어 코너링을 하고, 심지어 킥플립까지 시도하는 로봇이 있다면 어떨까요? 2026년 2월, 중국 과학자들이 개발한 HUSKY(Humanoid Skateboarding System via Physics-Aware Whole-Body Control) 시스템이 Unitree G1 휴머노이드 로봇으로 이 불가능해 보이는 도전을 현실로 만들었습니다.

스케이트보드는 인간에게도 높은 난이도의 스포츠입니다. 불안정한 바퀴 위에서 균형을 잡고, 체중 이동만으로 방향을 바꾸며, 순간적인 판단으로 속도를 조절해야 합니다. 로봇 공학에서 이는 하이브리드 접촉 동역학(Hybrid Contact Dynamics), 비홀로노믹 제약조건(Non-holonomic Constraints), 언더액츄에이티드 시스템(Underactuated System) 등 복잡한 물리 법칙이 얽힌 극한의 제어 문제입니다. HUSKY는 이를 물리 기반 모델링과 강화학습을 결합하여 해결했습니다.

이 글에서는 HUSKY 시스템의 핵심 원리부터 Unitree G1 로봇의 사양, 트럭 조향 메커니즘의 수학적 모델, AMP 기반 학습 프레임워크, 실제 실험 결과, 그리고 휴머노이드 로봇 기술의 미래까지 10회 이상의 최신 정보 조사를 통해 검증된 데이터만 담았습니다. 로봇이 인간의 영역에 한 걸음 더 다가선 이 혁신적인 기술을 상세히 분석합니다.

논문 웹사이트 - https://husky-humanoid.github.io/

1

HUSKY 시스템 핵심 원리

HUSKY의 가장 독창적인 부분은 스케이트보드와 휴머노이드의 커플링 관계를 수학적으로 모델링한 것입니다. 일반적인 로봇 제어는 로봇 자체의 동역학만 고려하지만, 스케이트보드 위에 서 있는 로봇은 보드의 기울기가 바퀴 조향각에 영향을 주는 특수한 시스템입니다.

연구팀은 스케이트보드의 트럭 기하학(Truck Geometry)을 분석하여 다음 등식 제약조건을 도출했습니다.

여기서 는 스케이트보드의 고정된 레이크 각도(Rake Angle), 는 보드의 기울기 각도, 는 결과적인 트럭 조향각입니다. 이 공식은 보드를 기울이면 자동으로 바퀴가 회전하여 방향이 바뀐다는 물리적 원리를 수식으로 표현한 것입니다. 예를 들어 오른쪽으로 체중을 실으면 보드가 오른쪽으로 기울고( 증가), 트럭 메커니즘에 의해 바퀴가 오른쪽으로 회전하여( 증가) 자연스럽게 우회전이 이루어집니다.

이 커플링 관계를 시뮬레이션에 반영하지 않으면 로봇은 직진만 할 수 있고 회전이 거의 불가능합니다. 실험에서 이 제약조건을 제거한 버전은 도달 가능한 방향 범위가 극히 좁았지만, HUSKY는 부드러운 회전 궤적과 넓은 방향 제어 범위를 달성했습니다.

HUSKY는 스케이트보드 타기를 세 단계로 나누어 각각 최적화합니다.

1단계: 푸싱(Pushing) - 전진 추진력 생성

로봇은 한쪽 발로 보드에 서고, 다른 발로 지면을 차서 가속합니다. 이 단계에서 Adversarial Motion Priors(AMP) 기법을 사용하여 사람의 푸싱 동작을 학습합니다. AMP는 모션 캡처 데이터를 활용하여 로봇이 인간처럼 자연스럽게 움직이도록 유도하는 강화학습 방법입니다. 실제 스케이트보더의 발 구름 패턴, 상체 균형, 팔 스윙 등을 모방하여 효율적인 추진력을 생성합니다.

HUSKY는 0.5m/s와 1.0m/s 두 가지 속도로 안정적인 푸싱을 수행할 수 있습니다. 느린 속도는 정밀한 제어가 필요한 실내 환경에 적합하고, 빠른 속도는 야외 주행에 활용됩니다.

2단계: 스티어링(Steering) - 물리 기반 회전 제어

보드 위에 두 발을 모두 올린 상태에서 체중 이동으로 방향을 조절합니다. HUSKY는 물리 기반 기울기 참조값(Physics-Guided Tilt Reference)을 사용하여 목표 방향으로 회전합니다. 로봇의 제어 시스템은 목표 헤딩(Heading)과 현재 헤딩의 차이를 계산하고, 이를 달성하기 위한 최적의 보드 기울기를 역산합니다.

실험 결과, 왼쪽 회전과 오른쪽 회전 모두 부드럽고 정확하게 수행되었습니다. 급격한 방향 전환보다는 점진적인 체중 이동을 통해 안정성을 유지하면서 회전합니다.

3단계: 트랜지션(Transition) - 단계 간 전환

푸싱에서 스티어링으로, 또는 스티어링에서 푸싱으로 전환하는 과정은 가장 어려운 부분입니다. 발의 접촉 상태가 급격히 변하고, 무게 중심 이동이 필요하며, 보드의 흔들림을 제어해야 합니다. HUSKY는 궤적 가이드 메커니즘(Trajectory-Guided Mechanism)을 사용하여 부드러운 전환을 실현합니다.

이 메커니즘 없이는 로봇이 에피소드 길이는 늘어나지만 올바른 접촉 패턴을 찾지 못해 로컬 옵티멈(Local Optimum)에 빠집니다. HUSKY는 중간 학습 단계에서 올바른 접촉 패턴을 발견하고, 발을 보드에 올리는 전환을 성공적으로 학습하여 더 높은 보상을 달성했습니다. 실제 실험에서 푸싱에서 스티어링으로 전환할 때 발이 지면을 차고, 들어 올려지고, 보드에 안착하며, 몸을 회전시켜 보드와 수직으로 정렬하는 일련의 동작이 매끄럽게 이어졌습니다.

2

Unitree G1 휴머노이드 로봇

HUSKY 시스템이 탑재된 Unitree G1은 중국 유니트리 로보틱스(Unitree Robotics)가 개발한 소형 휴머노이드 로봇입니다. 2024년 출시된 G1은 16,000달러(약 2,100만 원)의 파격적인 가격으로 업계를 놀라게 했습니다. 기존 H1 모델이 90,000달러인 것과 비교하면 약 82% 가격 인하를 달성했습니다.

G1의 가장 큰 장점은 43개 자유도까지 확장 가능하다는 점입니다. 기본 버전은 23개지만, EDU 버전은 손가락 관절, 추가 손목 자유도 등을 지원하여 섬세한 조작 작업이 가능합니다. 각 관절은 저관성 고속 영구자석 동기 모터(PMSM)를 사용하여 빠른 응답 속도와 정밀한 제어를 실현합니다.

G1이 스케이트보드 제어에 적합한 이유는 여러 가지입니다.

컴팩트한 크기와 가벼운 무게: 127cm 신장과 35kg 무게는 실제 인간 청소년과 유사합니다. 무게 중심이 낮아 보드 위에서 균형을 잡기 유리하며, 가벼워서 보드가 과도하게 가라앉지 않습니다.

높은 관절 토크: 무릎 관절의 120 Nm 토크는 푸싱 시 강한 추진력을 생성하고, 스티어링 시 빠른 체중 이동을 가능하게 합니다. 스케이트보드는 순간적인 힘 조절이 중요하므로 높은 토크는 필수적입니다.

360도 감지 센서: 3D LiDAR와 깊이 카메라는 주변 환경을 실시간으로 인식하여 장애물 회피, 경로 계획, 자세 추정에 활용됩니다. 실외 실험에서 G1은 울퉁불퉁한 지면, 경사로, 좁은 통로 등 다양한 환경에서 안정적으로 스케이트보드를 탔습니다.

힘-위치 하이브리드 제어: G1의 제어 시스템은 위치 제어(정확한 자세)와 힘 제어(접촉력 조절)를 동시에 수행합니다. 스케이트보드는 보드와 발 사이의 접촉력이 계속 변하므로, 이 하이브리드 제어가 안정성 유지에 핵심적입니다.

3

AMP 기반 학습 프레임워크

Adversarial Motion Priors(AMP)는 SIGGRAPH 2021에서 발표된 혁신적인 강화학습 기법입니다. 기존 강화학습은 보상 함수(Reward Function)를 설계하는 것이 매우 어려웠습니다. 특히 "자연스러운 움직임"처럼 주관적인 목표는 수학적으로 정의하기 힘듭니다.

AMP는 이 문제를 적대적 학습(Adversarial Learning)으로 해결합니다. 실제 인간의 모션 캡처 데이터를 "진짜" 샘플로, 로봇의 생성 동작을 "가짜" 샘플로 간주하여 판별기(Discriminator)가 구분하도록 학습시킵니다. 로봇은 판별기를 속이기 위해 점점 더 인간과 유사한 동작을 생성하게 됩니다.

HUSKY에서 AMP는 푸싱 단계에 적용되었습니다. 실제 스케이트보더의 발 구름 동작 데이터를 학습하여, G1 로봇이 사람처럼 리듬감 있게 발을 구르고, 상체를 앞으로 기울이며, 팔을 자연스럽게 흔드는 동작을 구현했습니다. 결과적으로 로봇의 푸싱 동작은 사람과 거의 구별이 불가능할 정도로 자연스럽습니다.

HUSKY의 학습 파이프라인은 mjlab이라는 커스텀 프레임워크를 사용합니다. mjlab은 MuJoCo의 고품질 물리 시뮬레이션과 Isaac Lab의 확장 가능한 강화학습 API를 통합한 하이브리드 시스템입니다.

MuJoCo(Multi-Joint dynamics with Contact)는 Google DeepMind가 개발한 물리 엔진으로, 정확한 접촉 동역학과 빠른 시뮬레이션 속도로 유명합니다. 하지만 단일 환경에서만 작동하여 병렬 학습이 어려웠습니다.

Isaac Lab은 NVIDIA가 개발한 로봇 학습 프레임워크로, GPU 가속을 통해 수천 개의 환경을 동시에 시뮬레이션할 수 있습니다. 하지만 물리 정확도는 MuJoCo보다 낮다는 평가를 받았습니다.

mjlab은 MuJoCo Warp(GPU 가속 MuJoCo)와 Isaac Lab의 API를 결합하여 두 장점을 모두 취했습니다. 연구팀은 이 프레임워크로 수만 번의 시행착오를 거쳐 최적의 스케이트보드 제어 정책을 학습했습니다. 학습 과정에서 로봇은 수없이 넘어지고 균형을 잃었지만, 점차 안정적인 패턴을 발견하고 보상을 극대화하는 방향으로 진화했습니다.

4

실제 실험 결과 및 성능

HUSKY의 실내 실험은 통제된 환경에서 시스템의 기본 성능을 검증했습니다. G1 로봇은 평평한 바닥에서 좌회전, 우회전, 푸싱-스티어링 전환, 스티어링-푸싱 전환 등 모든 기본 동작을 성공적으로 수행했습니다.

특히 인상적인 부분은 여러 종류의 스케이트보드에 대한 적응력입니다. 연구팀은 강성(Stiffness)이 다른 세 종류의 보드로 실험했습니다. 유연한 보드는 체중 이동 시 더 많이 휘어지고, 딱딱한 보드는 거의 변형되지 않습니다. HUSKY는 시스템 식별(System Identification)을 통해 각 보드의 물리적 특성을 파악하고, 제어 파라미터를 자동으로 조정했습니다.

실험에서 유연한 보드용 파라미터를 딱딱한 보드에 적용하면 로봇이 보드 위에 발을 올리려다 실패했습니다. 시뮬레이션은 보드가 휘어지는 것을 가정했지만, 실제 보드는 거의 변형되지 않아 가정이 깨졌기 때문입니다. 반대로 딱딱한 보드용 파라미터를 유연한 보드에 적용하면 과도한 기울임으로 균형을 잃었습니다. 이는 각 보드에 맞는 정확한 모델링이 필수임을 보여줍니다.

실외 실험은 진정한 도전이었습니다. 울퉁불퉁한 아스팔트, 미끄러운 타일, 경사진 언덕, 좁은 보도 등 예측 불가능한 환경에서 G1은 놀라운 적응력을 보였습니다.

야외 씬 1: 평평하지 않은 공원 산책로에서 로봇은 지면의 작은 돌과 균열에도 불구하고 안정적으로 주행했습니다. 3D LiDAR가 지형을 실시간으로 스캔하고, 제어 시스템이 미세한 자세 조정을 수행했습니다.

야외 씬 2: 경사로 오르기와 내리기를 시도했습니다. 오르막에서는 더 강한 푸싱 힘이 필요했고, 내리막에서는 속도 제어가 관건이었습니다. G1은 경사도를 감지하고 푸싱 주기를 조절하여 과속을 방지했습니다.

야외 씬 3: 복잡한 도시 환경에서 보행자를 피하고 좁은 통로를 통과했습니다. 로봇은 실시간으로 경로를 재계획하고, 급정거와 재가속을 반복하며 목표 지점에 도달했습니다.

전체 실외 실험에서 로봇은 수백 미터를 넘어지지 않고 주행했습니다. 가끔 보드가 흔들리거나 예상치 못한 장애물을 만났지만, 빠른 회복 동작으로 균형을 되찾았습니다. 이는 HUSKY의 강건성(Robustness)이 실험실 수준을 넘어 실용화 가능한 단계임을 증명합니다.

연구팀은 HUSKY의 성능을 여러 지표로 측정했습니다.

데이터는 HUSKY의 각 구성 요소가 필수적임을 보여줍니다. 커플링 제약이 없으면 에피소드 길이가 반으로 줄고, 넘어짐이 9배 증가합니다. 궤적 가이드가 없으면 전환 성공률이 70% 이상 감소합니다. 모든 구성 요소가 조화롭게 작동해야만 안정적인 스케이트보드 제어가 가능합니다.

5

휴머노이드 로봇의 미래

HUSKY는 휴머노이드 로봇의 동작 학습이 새로운 단계로 접어들었음을 보여줍니다. 과거 로봇은 프로그래밍된 동작만 수행했지만, 현대 로봇은 모방학습(Imitation Learning)과 강화학습(Reinforcement Learning)을 통해 스스로 배웁니다.

모방학습은 사람의 동작을 관찰하고 재현합니다. 예를 들어 사람이 컵을 드는 동작을 보면, 로봇은 팔의 궤적, 손가락의 힘, 손목의 각도 등을 학습합니다. 하지만 모방만으로는 새로운 상황에 대응하기 어렵습니다.

강화학습은 시행착오를 통해 최적의 행동을 찾습니다. 로봇은 환경과 상호작용하며 실패와 성공을 경험하고, 점차 더 나은 전략을 개발합니다. HUSKY는 AMP로 초기 동작을 모방하고, 강화학습으로 불안정한 보드 위에서의 균형을 스스로 터득했습니다.

향후 휴머노이드는 신체화 AI(Embodied AI) 개념으로 발전할 것입니다. 단순히 물리적 작업을 수행하는 것을 넘어, 환경을 이해하고, 상황을 판단하며, 장기적 목표를 계획하는 지능형 에이전트가 될 것입니다. Google의 RT-2, Tesla의 Optimus, Figure AI의 Figure 03 등 주요 기업들이 이 방향으로 연구를 진행하고 있습니다.

HUSKY의 기술은 스케이트보드에만 국한되지 않습니다. 불안정한 플랫폼 위에서의 균형 제어, 동적 환경에서의 적응, 복잡한 전신 협응 등 핵심 기술은 다양한 분야에 적용 가능합니다.

물류 및 창고 자동화: 움직이는 컨베이어 벨트나 불안정한 팔레트 위에서 작업해야 하는 경우, HUSKY의 균형 제어 기술이 유용합니다. 로봇이 흔들리는 플랫폼 위에서도 안정적으로 물건을 집고 옮길 수 있습니다.

재난 구조: 지진이나 붕괴 현장은 지면이 매우 불안정합니다. HUSKY처럼 동적으로 균형을 잡는 로봇은 이런 환경에서 사람보다 안전하게 수색 및 구조 작업을 수행할 수 있습니다.

엔터테인먼트 및 스포츠: 로봇 올림픽이나 로봇 스포츠 대회에서 스케이트보드, 서핑, 스키 등 극한 스포츠를 수행하는 로봇이 등장할 수 있습니다. 이는 단순한 쇼를 넘어 로봇 기술의 한계를 시험하는 벤치마크가 될 것입니다.

개인 이동 수단: 전동 스케이트보드나 호버보드 위에서 균형을 잡는 기술은 개인용 이동 로봇 개발에 영감을 줄 수 있습니다. 사람을 태우고 안전하게 이동하는 자율주행 이동 수단으로 발전할 가능성이 있습니다.

2026년 기준, 휴머노이드 로봇 시장은 급성장하고 있습니다. Unitree G1의 16,000달러 가격은 연구소와 대학뿐만 아니라 중소기업과 개인 개발자도 접근할 수 있는 수준입니다. Tesla의 Optimus, Boston Dynamics의 Atlas(전기 버전), Figure AI의 Figure 03 등 경쟁이 치열해지면서 기술 혁신 속도도 빨라지고 있습니다.

앞으로 5년 내에 휴머노이드 로봇은 공장, 병원, 가정에서 실제로 일하는 모습을 볼 수 있을 것입니다. 단순 반복 작업부터 시작하여 점차 복잡한 인지 작업까지 수행 범위가 확대될 것입니다. HUSKY와 같은 연구는 로봇이 인간의 신체 능력에 점점 더 가까워지고 있음을 보여주는 이정표입니다.

HUSKY 프로젝트는 휴머노이드 로봇이 더 이상 실험실의 시제품이 아니라, 실제 세계에서 복잡한 작업을 수행할 수 있는 실용적인 시스템으로 진화하고 있음을 증명했습니다. 물리 법칙을 깊이 이해하고, 강화학습으로 스스로 배우며, 다양한 환경에 적응하는 로봇의 시대가 열리고 있습니다. 스케이트보드를 타는 로봇은 단순한 기술 시연이 아니라, 로봇이 인간의 신체적 영역에 진입하는 상징적인 순간입니다.