로봇 움직이기 101 (2/3) — 고전적 제어에서 학습 정책까지
모션 플래닝·임피던스 제어부터 ACT·Diffusion·RL까지
고전적 플래닝·접촉 제어에서 시범학습·생성 정책·선택적 RL까지 잇는 실전 튜토리얼
First published: 2026-07-15 | Last updated: 2026-07-15
Planner에서 Motor Loop까지
정책·플래너·IK·저수준 제어·실시간 인터페이스의 책임과 실패 경계를 한 장에 연결한다.
시범에서 학습 정책까지
텔레오퍼레이션 데이터에서 BC·ACT·Diffusion·Flow 정책으로 가는 검증 가능한 경로를 만든다.
고전적 기반을 남기는 배포
RL과 학습 정책을 제약 투영·접촉 제어·watchdog·fallback 안에 배치하고 단계별 승격 게이트로 평가한다.
Part I: 먼저 확실하게 움직인다 — 고전적 플래닝과 제어
로봇 정책은 어디에서 실행되는가 — Planner에서 Motor Loop까지
Task intent부터 skill policy, motion generation, 저수준 제어, 실시간 인터페이스와 안전 supervisor까지 전체 실행 계층을 그린다.
→ 02고정된 작업의 기본값 — IK, Motion Planning, Trajectory Generation
구조화된 작업에서 고전적 방법이 우선인 이유와 FK·IK·충돌 회피·시간 매개화·궤적 최적화의 역할을 구분한다.
→ 03접촉을 안정화하는 마지막 1미터 — Impedance, Admittance, Force Control
Position·velocity·torque와 impedance·admittance·force 제어를 에너지·지연·접촉 안정성 관점에서 선택하고 검증한다.
→Part II: 시범에서 정책으로 간다 — Teleoperation, BC, ACT, Generative Policy
학습의 원료를 만든다 — Teleoperation과 Dataset Engineering
동기화·보정 provenance·실패·개입을 보존하는 episode schema와 독립적인 split·replay·dataset QA를 설계한다.
→ 05가장 단순한 학습 정책 — Behavior Cloning에서 ACT까지
BC의 covariate shift와 error accumulation부터 action chunking·temporal ensembling·control latency까지 ACT를 기준점으로 설명한다.
→ 06여러 가능한 행동을 생성한다 — Diffusion Policy와 Flow Matching
Multimodal demonstration에서 action trajectory를 생성·조건화하고 receding horizon으로 실행하는 diffusion과 flow 정책을 비교한다.
→Part III: 필요한 곳만 학습으로 보완한다 — RL, Hybrid Stack, Deployment
RL은 어디에 끼어드는가 — Reward, Residual, Fine-tuning
Simulation skill learning, residual policy, gain·trajectory adaptation, imitation fine-tuning과 offline/online RL의 도입 gate를 제시한다.
→ 08한 방법만 고집하지 않는다 — Classical + Learned Hybrid Architecture
학습 policy와 planner·IK·constraint projection·contact controller·fallback을 결합하고 향후 VLA가 따라야 할 interface를 정의한다.
→ 09한 단계씩 학습 스택을 올린다 — Baseline-to-Policy 실험 Runbook
하나의 tabletop assembly를 고전적 baseline에서 dataset·ACT·generative policy·선택적 RL·bounded real trial까지 단계적으로 구현하고 비교한다.
→