Whole-Body Control Foundation Model
어질리티 로보틱스🇺🇸 미국Agility Motor Cortex 계열
전신 제어 (RL)발표일 2025.08가중치 비공개
Digit을 위한 1M 미만 파라미터의 소형 전신 제어 파운데이션 모델('운동 피질'). Isaac Lab 대규모 병렬 강화학습(RL)로 학습 후 MuJoCo로 교차 검증해 GXO·Schaeffler 현장에 배포. 플릿 관리는 클라우드 플랫폼 Arc가 담당.
- 파라미터
- 0공식
- 제어 빈도
- —값 없음 (미공개이거나 아직 확인하지 못함)
- 적용 로봇
- 1대
- 벤치마크 결과
- —
B (10억 개)
Hz · 행동 출력 빈도
윙치키에 연결된 로봇
수록된 점수
공식 자료프로젝트 페이지 agilityrobotics.com
한눈에 읽기
무엇인가
- 전신 제어 (RL) — 상위 모델에서 받은 동작 목표를 넘어지지 않게 온몸의 관절에 맞춰 실행하는 모델. 시뮬레이션에서 강화학습(RL)으로 익히는 경우가 많고, 모델 예측 제어(MPC) 같은 계산 방식도 써요.
- 발표일 2025-08
- 가중치 비공개 — 설명·결과만 공개됨
- 이 모델을 쓰는 로봇 1대
확인된 정보
- 사양 9개 항목 중 5개에 값이 있음
- 공식 공식 5개: 구조, 파라미터 (B), 학습용 데이터셋, 적용 로봇 형태, 추론 하드웨어
- 값 확인일 2025-08 – 2025-09 · 값마다 출처는 아래 '구조와 학습' 표
확인이 필요한 정보
- 값 없는 기본 사양 (공개 자료에서 찾지 못함): 입력, 제어 빈도 (Hz)
어떤 모델인가
Agility Robotics가 휴머노이드 Digit용으로 만든 전신 제어 (RL) 기반 모델이다. 회사는 이 모델을 사람 뇌의 운동 피질처럼 상위 명령을 실제 움직임으로 바꾸면서 균형을 지키는 '항상 켜진' 안전 계층이라고 설명한다. 파라미터가 100만 개 미만인 작은 LSTM 신경망으로, 팔과 몸통의 위치·자세 목표를 관절 각도가 아닌 작업 공간 좌표로 받아 걷기와 물건 다루기 중 전신을 제어한다.
보행 목표도 속도가 아니라 도달할 위치로 받는다. 목표값은 상태 머신 플래너, 원격조작자, LLM, Gemini 연구 프리뷰 등 다양한 상위 계층에서 줄 수 있다. 학습은 NVIDIA Isaac Sim 시뮬레이션에서 강화학습으로 했으며, 수십 년 분량의 시뮬레이션 시간을 3~4일 만에 돌렸다.
모션캡처 데이터 대신 작업 공간에서 무작위로 뽑은 목표를 썼고, 손 자세 오차를 줄이도록 보상을 설계했다. 회사는 이 정책이 추가 학습 없이 실제 로봇으로 zero-shot 이전되고, 매우 무거운 물체를 집을 때도 안정적이라고 밝혔다. 2025년 3월 NVIDIA GTC의 장보기 시연에 쓰였으며, 가중치 공개는 언급되지 않았다.
회사 공식 페이지와 논문을 바탕으로 정리했어요. 성공률·최초 같은 표현은 회사 발표예요.
구조와 학습
| 구조 | 소형 신경망 전신 제어 모델(운동 피질 역할); 상위 계층(작업 계획)에서 목표 입력공식 |
|---|---|
| 파라미터 (B) | 0공식 |
| 학습용 데이터셋 | Isaac Lab 수백만 병렬 시뮬레이션 강화학습(RL) 에피소드, MuJoCo 교차 검증(sim-to-real)공식 |
| 적용 로봇 형태 | Agility Digit공식 |
| 추론 하드웨어 | Digit 온보드 컴퓨터공식 |
적용 로봇
- Digit 5 어질리티 로보틱스