KAIST 하운드 시속 22km 질주, 장애물에 맞춰 보행을 바꾸는 APT-RL

핵심요약

기사 핵심 요약

KAIST 하운드는 APT-RL로 지형에 따라 걷기·달리기·점프를 바꾸며 장애물이 섞인 야외 험지에서 순간 최고 시속 약 22km를 기록했다.

• 여러 보행 기술을 하나의 제어기로 통합한 APT-RL 구조
• 15.5시간 분량의 동작 데이터를 8분 만에 만든 시뮬레이션 학습
• 고속 주행보다 장거리 자율성·배터리·임무 수행이 남은 상용화 과제

KAIST 하운드는 장애물이 섞인 야외 험지에서 순간 최고 초속 6m, 약 시속 21.6km를 기록했다. 핵심은 평지에서 빠르게 달리는 능력보다 APT-RL 제어기가 지형과 목표 속도에 따라 걷기·달리기·점프와 트롯·바운드를 실시간으로 바꾼다는 점이다. 다만 배터리 지속시간과 장거리 자율이동, 실제 구조·국방 임무 수행 능력은 추가 검증이 필요하다.

KAIST 하운드가 험지에서 시속 22km를 기록한 방식

KAIST 기계공학과 박해원 교수 연구팀은 하운드에 새로운 학습 기반 제어기술인 APT-RL을 적용했다.

연구팀은 계단과 잔디, 경사로가 섞인 도시형 지형뿐 아니라 쓰러진 나무와 노출된 뿌리, 낙엽길이 이어지는 숲에서도 하운드의 이동 성능을 시험했다. 하운드는 장애물이 포함된 험지에서 순간 최고 초속 6m를 기록했다. 이를 시속으로 환산하면 21.6km다.

‘시속 22km’는 장거리 평균속도가 아니라 순간 최고속도다.

성인 일반인의 달리기 속도와 단순 비교해 ‘사람보다 빠르다’고 표현할 수는 있지만, 사람과 로봇의 주행 조건은 같지 않다. 하운드가 일정 시간 동안 동일한 험지를 시속 22km로 계속 이동했다는 뜻도 아니다.

이번 연구에서 더 중요한 수치는 속도 자체보다 속도와 장애물 대응을 한 제어기 안에서 동시에 구현했다는 점이다.

기존 하운드는 이미 평지 고속 주행 성능을 입증했다. 100m를 19.87초에 달려 사족 보행 로봇 기록을 세웠고, 실내 러닝머신에서는 초속 6.5m를 기록했다.

새로운 성과는 여기에 시각 기반 지형 인식과 보행 전환 능력을 결합했다는 데 있다.

APT-RL이 걷기·달리기·점프를 하나로 묶는 원리

APT-RL은 ‘Action Pretrained Transformer based Reinforcement Learning’의 약자다.

연구 프로젝트 공식 설명에 따르면 APT-RL은 트롯과 바운드처럼 성격이 다른 사족 보행 기술을 먼저 학습한 뒤, 복잡한 지형에서 필요한 행동을 선택하고 연결하도록 설계됐다.

트롯은 대각선 방향의 두 다리를 번갈아 움직이는 방식이다. 비교적 안정적이고 다양한 속도에서 활용할 수 있다.

바운드는 앞다리와 뒷다리를 각각 묶어 도약하듯 움직인다. 빠른 속도와 장애물 극복에 유리하지만 착지 충격과 자세 제어가 더 어렵다.

기존 방식에서는 걷기와 달리기, 점프 정책을 따로 만들고 상위 제어기가 상황에 따라 정책을 전환하는 경우가 많았다. 이 구조는 특정 동작에서는 성능이 높아도 예상하지 못한 지형에서 전환이 늦거나 동작 사이가 부자연스러울 수 있다.

APT-RL은 여러 보행 행동을 하나의 행동 표현으로 학습하고, 트랜스포머가 과거 움직임과 센서 입력을 바탕으로 적절한 다음 동작을 선택하도록 한다.

즉, 로봇이 ‘지금부터 점프 모드’처럼 단순히 정해진 프로그램을 호출하는 방식보다 학습된 행동을 연속적으로 조합하는 구조에 가깝다.

이 때문에 하운드는 목표 속도가 높아지면 바운드 비중을 높이고, 불규칙한 지면에서는 안정적인 트롯을 선택하며, 단차나 틈 앞에서는 도약 동작을 연결할 수 있다.

KAIST 하운드가 15.5시간 데이터를 8분 만에 만든 이유

연구팀은 실제 사람이나 동물의 움직임을 장시간 촬영해 학습 데이터로 사용하지 않았다.

대신 컴퓨터 시뮬레이션에서 다양한 보행 기술을 만들어 사전학습 데이터로 활용했다. 연구팀 발표에 따르면 15.5시간 분량의 보행 데이터를 생성하는 데 걸린 시간은 8분이었다.

이는 로봇이 현실 시간보다 빠르게 움직였다는 의미가 아니다.

시뮬레이션에서는 여러 가상 로봇을 병렬로 실행할 수 있다. 한 대의 실제 로봇이 15.5시간 동안 움직여 데이터를 모으는 대신 수많은 가상 하운드가 동시에 다양한 조건을 시험하면 짧은 실제 시간 안에 긴 동작 기록을 만들 수 있다.

모션캡처를 사용하지 않은 점도 중요하다.

사람이나 동물의 동작을 모방하려면 촬영 장비와 마커, 후처리, 로봇 관절 구조에 맞춘 변환이 필요하다. 사람의 다리 길이와 관절 범위는 사족 로봇과 다르기 때문에 그대로 적용할 수도 없다.

APT-RL은 하운드의 하드웨어와 관절 한계에 맞는 행동을 시뮬레이션에서 직접 생성한다. 연구 프로젝트는 이 방식이 고가의 모션캡처 데이터와 작업별 전용 정책에 의존하지 않는다고 설명한다.

다만 시뮬레이션 데이터가 많다고 현실 성능이 자동으로 보장되지는 않는다.

가상환경과 실제 지면의 마찰, 모터 지연, 충격, 센서 노이즈에는 차이가 있다. 연구팀은 이런 차이를 줄이는 학습과 실제 로봇 검증을 거쳐야 한다.

깊이 카메라와 라이다가 KAIST 하운드의 보행을 바꾸는 방식

하운드는 깊이 카메라와 라이다를 결합해 주변 환경을 인식한다.

깊이 카메라는 영상의 각 지점이 로봇에서 얼마나 떨어져 있는지 추정한다. 계단 높이와 장애물 모양, 통과 가능한 공간을 파악하는 데 유리하다.

라이다는 레이저를 발사해 주변 물체까지의 거리를 측정한다. 조명 변화에 대한 영향을 상대적으로 줄이면서 지형의 구조를 확인할 수 있다.

연구팀은 이 센서 정보와 목표 속도를 제어기에 입력해 하운드가 적절한 보행 전략을 선택하도록 했다.

예를 들어 낮은 속도로 울퉁불퉁한 길을 지날 때는 안정적인 트롯을 사용할 수 있다. 앞에 큰 단차가 있고 목표 속도가 높다면 바운드나 점프를 선택할 수 있다.

센서 융합은 하나의 센서가 놓치는 정보를 다른 센서로 보완하는 효과도 있다.

그러나 숲과 재난 현장은 실험장보다 복잡하다. 먼지와 비, 연기, 역광, 반사체, 움직이는 사람, 흔들리는 나뭇가지가 센서 인식을 방해할 수 있다.

카메라와 라이다가 지형을 정확히 인식하지 못하면 고속 주행일수록 회피할 시간이 줄어든다. 실제 임무 적용에서는 속도보다 오인식 상황에서 안전하게 감속하거나 정지하는 기능이 더 중요할 수 있다.

기존 KAIST 하운드와 이번 APT-RL 하운드의 차이

기존 하운드 연구의 중심은 빠른 달리기였다.

KAIST 연구팀은 모터의 최대 토크와 속도 특성을 강화학습에 반영하고, 다리의 출력을 효율적으로 사용할 수 있도록 기계 구조와 제어기를 함께 설계했다. 그 결과 하운드는 100m를 19.87초에 달렸고 실내 러닝머신에서 초속 6.5m를 기록했다.

이번 연구의 중심은 ‘빠른 로봇’에서 ‘빠르면서 지형을 판단하는 로봇’으로 이동했다.

구분	기존 하운드 고속 주행	APT-RL 적용 하운드
핵심 목표	평지에서 최고속도와 100m 기록	복합 지형에서 속도와 안정성 동시 확보
주요 입력	로봇 상태와 목표 주행	로봇 상태·목표 속도·지형 센서
보행 방식	고속 주행에 최적화된 제어	트롯·바운드·점프 실시간 전환
대표 기록	100m 19.87초, 러닝머신 초속 6.5m	험지 순간 최고 초속 6m
시험 환경	육상 트랙·러닝머신	계단·잔디·경사로·숲길·나무뿌리
기술 의미	하드웨어와 모터 출력 활용 극대화	지각과 행동 선택을 결합한 피지컬 AI
남은 과제	실외 적용 범위 확대	장거리 자율성·임무 수행·안전 검증

비교하면 이번 성과는 최고속도 자체의 신기록이라기보다 고속 주행 성능을 비정형 환경까지 확장한 연구다.

KAIST 하운드의 트롯과 바운드 전환이 중요한 이유

동물은 지형과 속도에 따라 걸음걸이를 바꾼다.

천천히 이동할 때와 빠르게 달릴 때 같은 보행을 유지하면 에너지 효율과 안정성이 떨어지기 때문이다. 사족 로봇도 마찬가지다.

트롯은 몸의 흔들림을 줄이고 네 다리의 지지 상태를 안정적으로 유지하기 좋다. 바운드는 지면과 접촉하는 시간이 짧고 도약 거리가 커 빠른 이동과 장애물 극복에 유리하다.

문제는 전환 순간이다.

로봇의 무게중심과 관절 속도, 발의 위치가 맞지 않으면 보행을 바꾸는 순간 넘어질 수 있다. 장애물 바로 앞에서 전환이 늦어도 충돌한다.

APT-RL은 여러 보행 기술을 별개의 프로그램으로 나누기보다 하나의 학습 구조 안에서 연결한다. 연구 프로젝트는 하운드가 트롯과 바운드를 포함한 고속 시각 기반 이동을 복합 지형에서 수행한다고 설명한다.

이 통합은 실제 임무에서 중요하다.

재난 현장에는 평지, 잔해, 계단, 틈, 경사면이 짧은 구간마다 반복될 수 있다. 각 지형 앞에서 멈춰 새로운 제어기를 불러온다면 이동 속도가 느려지고 대응도 늦어진다.

하나의 제어기가 연속적으로 행동을 전환하면 로봇이 이동 흐름을 유지할 수 있다.

KAIST 하운드의 재난 구조 활용 가능성

박해원 교수는 이번 기술이 재난 현장과 산업시설 점검 등 험지 환경에서 피지컬 AI 기반 보행 로봇의 활용 가능성을 넓힐 수 있다고 전망했다.

사족 로봇은 바퀴형 로봇보다 계단과 단차, 잔해를 넘는 데 유리하다.

지진이나 붕괴 현장에서는 통로가 좁고 바닥이 일정하지 않다. 사람이 들어가기 전에 로봇이 카메라와 열화상 센서, 가스 감지기를 탑재해 내부를 확인할 수 있다.

빠른 이동도 가치가 있다.

구조 골든타임이 중요한 상황에서는 로봇이 넓은 구역을 짧은 시간에 탐색해야 한다. 장애물마다 속도를 크게 줄이지 않고 보행을 바꿀 수 있다면 탐색 효율이 높아질 수 있다.

그러나 현재 공개된 실험만으로 재난 구조 능력이 입증됐다고 보기는 어렵다.

실제 붕괴 현장에는 흔들리는 잔해와 날카로운 금속, 먼지, 물, 통신 음영, 좁은 틈이 존재한다. 로봇은 길을 달리는 것뿐 아니라 생존자를 탐지하고 위치를 전송하며 안전한 경로로 복귀해야 한다.

재난용으로 사용하려면 방진·방수, 내충격성, 통신 중계, 배터리 교체, 원격조작 전환, 고장 시 회수 방법까지 검증해야 한다.

KAIST 하운드의 국방 활용 가능성과 위험

사족 로봇은 산악 정찰과 감시, 물자 운반, 위험지역 탐색에 활용될 수 있다.

바퀴 차량이 통과하기 어려운 산길과 계단, 참호, 건물 잔해를 이동할 수 있기 때문이다. 속도와 장애물 대응 능력이 높아지면 부대보다 먼저 경로를 확인하거나 센서를 운반하는 임무에 적합할 수 있다.

하지만 국방 활용은 기술적 성능만으로 판단할 수 없다.

통신이 끊겼을 때 로봇이 어떤 행동을 하는지, 적대적 신호 교란과 사이버 공격에 견딜 수 있는지, 민간인과 장애물을 구분할 수 있는지 검증해야 한다.

자율성이 높아질수록 책임 문제도 커진다.

정찰과 물자 운반처럼 비무장 지원 임무와 무기 탑재 임무는 법적·윤리적 위험이 다르다. 보행기술이 발전했다고 자동으로 무장 플랫폼에 적용해야 하는 것은 아니다.

이번 연구는 이동 제어기술에 관한 성과다. 무기 사용 판단이나 표적 식별 능력을 개발했다는 내용은 확인되지 않았다.

국방 분야에서는 이동 성능과 별도로 인간 통제 원칙과 임무 제한, 기록·감사 체계를 마련해야 한다.

KAIST 하운드가 산업시설 점검에 유리한 이유

산업시설 점검은 재난·국방보다 상용화 가능성을 빠르게 검증할 수 있는 분야다.

발전소와 정유시설, 화학공장, 건설현장에는 계단과 배관, 철제 통로, 자갈길이 섞여 있다. 사람이 반복적으로 순찰하기 어렵거나 유해가스와 고열 위험이 있는 구역도 있다.

하운드에 열화상 카메라와 음향센서, 가스 감지기를 탑재하면 설비의 과열과 누출, 이상 진동을 확인할 수 있다.

빠른 보행보다 더 중요한 것은 반복성이다.

같은 경로를 정해진 시간에 이동하고 같은 위치에서 같은 각도로 데이터를 수집해야 설비 상태의 변화를 비교할 수 있다. APT-RL의 지형 대응 능력이 안정적인 반복 순찰로 연결된다면 산업적 가치가 생긴다.

반대로 지나치게 역동적인 달리기와 점프는 정밀 점검에는 불필요할 수 있다.

산업시설에서는 설비와 충돌하지 않는 저속 안정주행, 좁은 통로 통과, 배터리 자동충전, 원격 관제 시스템 연동이 더 중요하다.

따라서 상용 제품은 연구용 하운드의 최고속도를 그대로 사용하는 것이 아니라 임무에 맞춰 속도와 안전 한계를 낮출 가능성이 크다.

KAIST 하운드 상용화 전에 필요한 장거리 자율이동

박해원 교수는 실제 임무에 적용하려면 더 긴 거리를 자율적으로 이동할 수 있는 기술이 필요하다고 밝혔다.

현재 공개된 성과는 복합 지형에서의 보행 제어 능력에 초점이 맞춰져 있다.

장거리 자율이동은 다른 문제다.

로봇은 목적지까지 경로를 계획하고, 막힌 길을 만나면 우회하며, 배터리 잔량을 계산해 복귀 여부를 결정해야 한다. 지도에 없는 장애물과 움직이는 사람, 차량도 처리해야 한다.

보행 제어기는 발을 어디에 놓고 어떤 걸음걸이를 선택할지 결정한다. 자율주행 시스템은 수십m 또는 수백m 앞의 경로와 임무 순서를 판단한다.

두 시스템이 결합돼야 실제 임무가 가능하다.

고속 이동은 에너지 소비와 발열도 늘릴 수 있다. 배터리 지속시간과 로봇의 최대 주행거리, 충전시간이 공개되지 않은 만큼 시속 22km만으로 현장 운용성을 판단할 수 없다.

실제 제품에서는 최고속도보다 한 번 충전으로 얼마나 멀리 이동하고, 센서를 탑재한 상태에서 얼마나 오래 임무를 수행하는지가 더 중요하다.

KAIST 하운드와 기존 사족 로봇 연구 비교

구분	고속 주행형 로봇	험지 적응형 로봇	APT-RL 하운드
최우선 목표	평지 최고속도	저속 안정성과 복잡한 지형 통과	고속 이동과 지형 적응 결합
보행 제어	속도에 최적화된 단일 정책	지형별 보행 또는 반사 제어	사전학습 행동을 실시간 조합
센서 의존도	비교적 낮음	카메라·라이다·관절센서 활용	깊이 카메라와 라이다 결합
장점	단순 지형에서 빠름	험지에서 안정적	속도와 장애물 대응의 균형
한계	복합 지형 적응 부족	이동 속도가 낮을 수 있음	배터리·장거리 자율성 미공개
적합 분야	경주·고속 이동 연구	탐사·점검	재난·국방·산업 점검 후보

이번 연구는 빠른 사족 로봇과 험지 적응형 사족 로봇 사이의 간격을 줄이려는 시도다. 최고속도 하나보다 서로 다른 보행 기술을 지각 정보와 연결했다는 점이 핵심이다.

국내 피지컬 AI 연구에서 KAIST 하운드가 갖는 의미

KAIST 하운드는 하드웨어와 제어 알고리즘을 국내 연구진이 함께 설계한 로봇 플랫폼이다.

하운드의 기존 연구에서는 모터 토크와 속도 한계를 학습 환경에 반영하고, 기어와 다리 구조를 고속 주행에 맞게 설계했다. 이번 연구에서는 같은 플랫폼에 시각 기반 보행 전환 제어를 결합했다.

피지컬 AI 경쟁에서는 AI 모델만큼 로봇 하드웨어가 중요하다.

시뮬레이션에서 좋은 정책을 학습해도 모터 출력이 부족하거나 기어 내구성이 낮으면 실제 로봇에서 구현할 수 없다. 반대로 하드웨어가 뛰어나도 상황에 맞는 행동을 선택하지 못하면 복잡한 환경에서 활용하기 어렵다.

하운드는 두 영역을 동시에 개선하는 연구 플랫폼이라는 점에서 의미가 있다.

국내 상용화로 이어지려면 연구실 시제품과 제품 사이의 간격을 줄여야 한다. 부품 공급망과 유지보수, 양산원가, 안전인증, 장시간 신뢰성 시험이 필요하다.

특히 재난과 국방, 산업점검은 고장 비용이 큰 분야다. 수차례 성공한 시연보다 수백시간 반복운용에서의 고장률과 평균복구시간이 더 중요한 평가 기준이 된다.

KAIST 하운드가 사람보다 빠르다는 표현의 한계

‘사람보다 빠른 로봇개’라는 표현은 관심을 끌지만 정확한 비교는 아니다.

하운드의 시속 약 22km는 장애물이 포함된 실험에서 측정된 순간 최고속도다. 일반 성인의 지속 달리기 속도보다 빠를 수 있지만 단거리 육상선수의 최고속도보다는 낮다.

또한 사람은 로봇과 다른 방식으로 지형을 판단하고 균형을 잡는다.

사람은 낯선 장애물과 움직이는 대상, 미끄러운 표면을 시각과 촉각으로 종합해 대응한다. 넘어졌을 때 몸을 보호하고 경로를 즉시 바꾸는 능력도 갖고 있다.

하운드는 정해진 센서 범위와 학습된 조건 안에서 성능을 검증했다. 실험에 포함되지 않은 지형이나 센서 오류 상황에서 같은 안정성을 유지하는지는 추가 시험이 필요하다.

따라서 이번 성과는 ‘인간을 넘어선 범용 이동능력’보다 ‘사족 로봇이 비정형 지형에서 고속 보행 전환을 구현했다’고 평가하는 편이 정확하다.

속도 경쟁은 연구 성과를 직관적으로 보여주지만 실제 임무 가치를 판단하는 기준은 아니다.

KAIST 하운드에서 눈에 띄는 속도보다 보행 전환 능력

이번 연구에서 눈에 띄는 점은 초속 6m라는 숫자보다 로봇이 이동 중에 보행 방식을 바꾼다는 사실이다.

기존 하운드는 이미 육상 트랙과 러닝머신에서 빠른 로봇이었다. 이번 APT-RL은 그 속도를 숲길과 계단, 경사로, 나무뿌리가 섞인 환경으로 옮기려는 기술이다.

시뮬레이션으로 행동을 빠르게 만들고, 트랜스포머로 여러 동작을 연결하며, 깊이 카메라와 라이다로 지형을 인식하는 구조는 피지컬 AI의 핵심 요소를 보여준다.

다만 현장 적용의 판단 기준은 달라야 한다.

재난 로봇이라면 배터리가 얼마나 오래가는지, 통신이 끊겨도 돌아오는지, 넘어졌을 때 다시 일어나는지가 중요하다. 산업점검 로봇이라면 같은 경로를 반복하고 정확한 센서 데이터를 수집하는 능력이 우선이다.

KAIST 하운드는 험지 고속이동 기술의 수준을 높였다. 상용화 여부는 이 제어기를 장거리 자율주행과 내구성, 임무 장비, 안전제어에 연결할 수 있는지에 달려 있다.

자주 묻는 질문

KAIST 하운드는 실제로 시속 22km로 달렸나?

하운드는 장애물이 포함된 험지에서 순간 최고 초속 6m를 기록했다. 시속으로 환산하면 21.6km이며 장거리 평균속도를 의미하지는 않는다.

KAIST 하운드의 APT-RL은 어떤 기술인가?

APT-RL은 여러 보행 동작을 사전학습하고 트랜스포머와 강화학습을 이용해 지형과 속도에 맞는 걷기·달리기·점프를 선택하는 제어기술이다.

KAIST 하운드는 장애물을 어떻게 인식하나?

연구팀은 깊이 카메라와 라이다를 결합해 주변 지형과 장애물, 목표 속도를 인식하고 적합한 트롯·바운드·점프 동작을 선택하도록 했다.

15.5시간 학습 데이터를 8분 만에 만들었다는 뜻은 무엇인가?

여러 가상 로봇을 시뮬레이션에서 동시에 실행해 실제 시간보다 빠르게 동작 데이터를 생성했다는 의미다. 실제 하운드가 8분 동안 15.5시간을 움직인 것은 아니다.

KAIST 하운드는 재난 구조 현장에 바로 투입할 수 있나?

아직 바로 투입할 단계로 보기는 어렵다. 장거리 자율이동과 배터리, 통신, 방진·방수, 센서 탑재, 고장 복구 능력의 추가 검증이 필요하다.