휴머노이드 기사를 따라가다 보면 디즈니가 만든 걷는 눈사람 로봇 올라프를 보게 됩니다. 이 글은 디즈니 연구진의 논문과 공식 발표만으로 올라프가 무엇으로 만들어졌고 어떻게 학습했는지 정리하고, 같은 기술을 휴머노이드나 서비스 로봇에 쓸 때 무엇을 가져갈 수 있는지 설명합니다.
올라프 로봇의 공개 사양
디즈니는 2025년 11월 24일 Walt Disney Imagineering 발표에서 영화 「겨울왕국」의 올라프를 실제로 걷고 말하는 로봇으로 공개했습니다. 기구와 제어의 세부 수치는 같은 해 12월 arXiv에 올라온 디즈니 연구진의 논문에 있습니다. 논문이 밝힌 값은 다음과 같습니다.
| 항목 | 값 |
|---|---|
| 키 (머리카락 제외) | 88.7cm |
| 무게 | 14.9kg |
| 자유도 | 25 (다리 6×2, 어깨 2×2, 목 3, 턱 1, 눈썹 1, 눈 4) |
| 액추에이터 | Unitree, Dynamixel 제품 |
| 온보드 컴퓨터 | 3대 |
| 제어 주기 | 정책 50Hz → 600Hz로 보간, 37.5Hz 저역 통과 필터 |
출처: arXiv:2512.16705
자유도 25개 중 12개가 다리에 있고 나머지 13개는 어깨, 목, 얼굴 표정에 쓰입니다. 얼굴 표정(턱·눈썹·눈)에만 6개 자유도를 배정했다는 점이 작업용 로봇과 가장 다릅니다.
무엇을 잘하는 로봇인가: 휴머노이드와 다른 평가 기준
작업용 휴머노이드는 가반하중, 작업 시간, 성공률로 평가합니다. 캐릭터 로봇의 목표는 관객이 원작 캐릭터라고 믿게 만드는 것이라 설계 우선순위가 바뀝니다. 논문 초록도 결과를 “의상을 입은 로봇 캐릭터로서 전례 없는 수준의 그럴듯함"이라고 요약합니다.
| 기준 | 작업용 휴머노이드 | 캐릭터 로봇 (올라프) |
|---|---|---|
| 목표 | 물건을 옮기고 조작 | 원작 애니메이션과 같은 움직임과 표정 |
| 외형 | 기구에 맞춰 외형을 설계 | 원작 외형이 먼저 정해지고 기구가 그 안에 들어감 |
| 다리 | 사람과 같은 좌우 대칭 | 치마 속 공간에 맞춘 비대칭 다리 |
| 학습 목표 | 작업 성공, 보행 안정성 | 애니메이션 동작을 얼마나 닮게 따라 하는가 |
| 체감 품질 | 속도, 정확도 | 발소리, 떨림, 자연스러운 표정 |
휴머노이드의 구동기 선택은 회전형·선형 액추에이터 비교에서 다룬 출력과 역구동성 기준을 따릅니다. 올라프는 같은 부품을 쓰더라도 정해진 외형 안에 들어가는지가 먼저입니다.
다리를 치마 속에 숨긴 기구 설계
올라프의 몸통 아래에는 다리가 들어갈 자리가 거의 없습니다. 연구진은 논문에서 한쪽 다리를 거꾸로 뒤집어 단 6자유도 다리를 새로 설계했고, 두 다리를 폴리우레탄(PU) 폼으로 만든 유연한 치마로 가렸습니다. 관객에게는 다리가 보이지 않고 눈뭉치 같은 발만 보입니다.
팔과 얼굴도 같은 원칙입니다.
- 어깨: 액추에이터를 몸통 안에 두고 구면 5절 링크로 어깨를 움직인다.
- 입: 액추에이터 하나가 위턱과 아래턱을 함께 움직인다.
- 눈: 좌우 회전은 직접 구동하고, 상하 회전과 눈꺼풀은 4절 링크로 떨어진 곳에서 구동한다.
모터를 움직일 부위에 직접 달 수 없을 때 링크로 힘을 전달하는 방식은 로봇 손 구동 방식 비교에서 다룬 연동 링크 구조와 같은 발상입니다.
애니메이션을 따라 하도록 학습하는 방법
디즈니 발표에 따르면 로봇이 아티스트가 만든 동작을 시뮬레이션에서 강화학습으로 모방하는 방식이 디즈니 캐릭터 플랫폼의 핵심 기술입니다. 논문이 밝힌 학습 설정을 설정 파일 형태로 옮기면 다음과 같습니다.
# arXiv:2512.16705에 보고된 값을 정리한 것 (공식 설정 파일 아님)
simulator: Isaac Sim
algorithm: PPO
parallel_envs: 8192 # RTX 4090 1장
iterations: 100000 # 약 2일
network: {actor: MLP 3x512, critic: MLP 3x512}
observation: [joint_pos, joint_vel, prev_actions_x2, actuator_temperature, gait_phase]
action: pd_position_targets # 관절 PD 제어기의 목표 위치
policy_rate_hz: 50 # 600Hz로 보간 후 37.5Hz 저역 통과 필터
gait_phase는 걷기 정책에만 들어갑니다. 정책이 토크를 직접 내지 않고 pd_position_targets를 내는 구조라, 실제 관절 추종은 하드웨어의 PD 제어기가 맡습니다. 논문은 5분간 측정한 관절 추종 오차를 서 있을 때 3.87°±2.40°, 걸을 때 4.02°±2.01°로 보고합니다.
학습 환경은 논문 기준 Isaac Sim입니다. 디즈니 발표는 별도로, NVIDIA·Google DeepMind와 함께 만드는 오픈소스 물리 엔진 Newton에 복잡한 로봇을 강화학습하기 위한 시뮬레이터 Kamino를 기여했다고 밝힙니다. 시뮬레이터 선택지는 로봇 물리 시뮬레이터 비교에, 시뮬레이션에서 학습한 정책을 실제 로봇으로 옮길 때의 문제는 Sim-to-Real 격차에 정리해 두었습니다.
작은 목이 큰 머리를 받칠 때: 발열을 정책에 넣는 법
올라프는 머리가 크고 목이 가늘어, 목 안의 작은 액추에이터가 무거운 머리를 계속 받쳐야 합니다. 토크가 크면 모터 온도가 빠르게 오릅니다. 논문은 이 문제를 하드웨어가 아니라 정책으로 풀었습니다.
- 토크의 제곱으로 온도 변화를 예측하는 1차 온도 모델을 만들고, 실제 10분 주행 기록과 비교해 평균 절대 오차 1.87°C를 확인한다.
- 액추에이터 온도를 정책 입력에 넣는다. 입력값은 70~85°C 범위로 자른다.
- 온도 상한 80°C를 넘지 않도록 제어 장벽 함수(CBF) 조건을 보상의 벌점으로 바꿔 학습한다.
논문에 따르면 이 보상 없이 학습한 정책은 목 피치 액추에이터를 40초 만에 100°C까지 올렸습니다. 연속 토크와 피크 토크를 나눠 보는 이유가 여기에 있습니다. 관절에 필요한 토크와 모터의 연속·피크 토크는 액추에이터 토크 계산기로 먼저 비교할 수 있습니다.
발소리까지 줄이는 보상
강화학습으로 걷는 로봇은 발을 바닥에 세게 내딛는 경우가 많습니다. 작업용 로봇이라면 문제가 되지 않지만, 관객 앞의 캐릭터에게 쿵쿵 울리는 발소리는 몰입을 깨뜨립니다. 연구진은 발이 닿을 때의 충격을 줄이는 보상(가중치 2.5×10⁻³)을 추가했고, 5분간 하드웨어로 측정한 결과 평균 음량이 13.5dB 낮아졌다고 논문에 보고합니다.
관절 한계도 같은 방식으로 다룹니다. 관절 각도가 한계에서 0.1rad 이내로 다가가면 CBF 조건이 작동하도록 해서, 원작 동작을 흉내 내다 관절 끝에 부딪히지 않게 합니다.
휴머노이드 개발에 가져갈 수 있는 세 가지
올라프의 기법은 캐릭터 로봇에만 쓰이지 않습니다. 작은 모터로 무거운 부위를 받치는 구조는 휴머노이드의 손목과 목에도 있습니다.
- 하드웨어 상태를 관측값에 넣기: 온도처럼 천천히 변하는 상태를 정책이 보게 하면, 같은 하드웨어로 더 오래 동작한다.
- 사람이 느끼는 품질을 보상으로 만들기: 소음, 충격, 떨림은 측정할 수 있고 보상으로 바꿀 수 있다.
- 정책 주기와 제어 주기를 나누기: 50Hz 정책과 600Hz 관절 제어처럼 역할을 나누면, 학습된 정책이 느려도 관절 추종은 매끄럽다.
보행 정책 자체의 구조는 휴머노이드 이족보행 제어에서 이어서 볼 수 있습니다.