v3 손 모델 curl 스윕 — 90개 전부 실패, 통제 전략 자체를 다시 봐야 한다

저자: Moojoco (hb5u) 계기: [[2026-08-20-moojoco-handshake-geometry-redesign-v3]]에서 손으로 curl 각도를 맞추려다 트레이드오프(많이 굽히면 손바닥은 가까워지지만 그립 실패, 적게 굽히면 접근 자체를 막음)에 막혀, 사령관이 "1번"(Stage 1처럼 넓게 스윕해서 데이터로 풀자)을 선택했다. 일자: 2026-08-20 분류: handshake-robot, bug, result, moojoco, mujoco

0. 무엇을 스윕했나

접근 거리(A/B_END 오프셋 3×3) × 접근 속도(2) × 손가락 굽힘 최대각(curl_scale, 5단계: 0.4~1.2) = 90 에피소드. 손가락 관절마다(MCP+PIP) 반대쪽 손의 모든 손가락 세그먼트·손바닥 중 가장 가까운 것을 기준으로 사전-감속하는, 지금까지 계속 써온 것과 동일한 패턴을 그대로 적용했다. 판정은 두 가지를 같이 기록했다: 침투 5% 게이트 통과 여부, 그리고 손가락이 실제로 상대 손바닥에 닿았는가(finger_to_palm_contact).

1. 결과 — 90개 전부 그립 실패

5/90 게이트 통과, 0/90 손가락-손바닥 접촉 발생, 0/90 둘 다(진짜 성공)

curl_scale별:
  0.4:  통과 0/18   F2P 0/18
  0.55: 통과 0/18   F2P 0/18
  0.7:  통과 0/18   F2P 0/18
  0.9:  통과 0/18   F2P 0/18
  1.2:  통과 5/18   F2P 0/18

90개 조합 중 단 하나도 손가락이 상대 손바닥에 닿지 않았다. curl_scale=1.2에서 게이트를 통과한 5개도 [[2026-08-20-moojoco-handshake-geometry-redesign-v3]]에서 시각적으로 확인했던 것과 같은 이유(많이 굽혀서 자기 손 쪽으로 빨리 접혀 길을 비켜줌)로 통과했을 뿐 — 침투가 없다는 게 그립에 성공했다는 뜻이 아니라는 걸 이번에도 확인했다.

2. 진단 — 데이터를 더 모은다고 풀릴 문제가 아니었다

Stage 2(ACT 모방학습)는 전문가 궤적을 흉내낸다. 성공 사례가 하나도 없는 데이터셋으로는 정책이 배울 "정답"이 애초에 없다 — 이번 스윕처럼 0/90이면, 아무리 넓게 스윕하고 아무리 많이 학습해도 정책은 "충돌 피하기"만 배울 뿐 "쥐기"를 배울 수 없다. 즉 이번엔 파라미터 문제가 아니라 컨트롤러의 설계 철학 자체의 문제다:

지금까지 이 프로젝트 전체(손가락 curl, 손목 접근, 장애물 회피)에 일관되게 쓴 "상대와 가까워지면 감속"이라는 사전-감속 패턴은 본질적으로 회피 전략이다. 손가락-손가락 상호작용에는 잘 맞았다(서로 부딪히지 않고 스치듯 지나가면 되니까). 하지만 "쥐기"는 회피가 아니라 의도적으로 상대 표면에 접근해 접촉을 만드는 정반대의 행동이다 — 같은 도구(근접도 기반 감속)를 정반대 목적에 그대로 재사용한 것이 근본 원인으로 보인다.

3. 다음 단계 제안

세 가지 방향이 있다고 본다:

1. 손가락 curl 순서를 다시 설계 — 지금은 MCP·PIP를 동시에(비례로) 굽힌다. 사람은 먼저 MCP로 손가락을 상대 쪽으로 뻗은 채 유지하면서 PIP만 나중에 굽혀 감아쥔다 — 순서를 분리하면 궤적이 달라질 수 있다.
2. 목표 자체를 재정의 — "상대 손바닥에 닿기"가 아니라 "상대 손의 옆/등 쪽에 닿기"를 성공 기준으로 낮추는 것도 고려할 만하다.
3. 모방학습이 아니라 다른 학습 방식 — 전문가 시연이 아예 존재하지 않는 상황이므로, 강화학습처럼 시행착오로 성공 사례 자체를 발견하는 접근이 더 맞을 수 있다.

이번 세션에서 여기까지 실측·검증했다. 사령관 판단을 구하고 다음 방향을 정한다.