📝IsaacGym Friction

isaacgym
friction
2025
IsaacGym Friction 설정에 대해 알아보기
Published

October 16, 2025

Isaac Gym / Isaac-based 연구들의 마찰(friction) 도메인 랜덤화 정리

manipulation(조작) 분야 논문들만 골라(이행/푸시/인핸드 등), 논문 본문이나 부록에서 ‘마찰 계수(friction)’ 범위를 명시한 것만 추려 10편을 정리

  • 수집된 논문(각 항목은 표와 플롯에서 확인 가능): 10편.
  • 많은 dexterous / in-hand 논문들은 꽤 넓은 범위(예: 0.3–3.0)까지 마찰을 랜덤화하여 시뮬레이션의 다양성을 확보합니다.

마찰 범위가 명시된 manipulation 논문 10편

# 논문 (간단 제목) 과제(간단) 논문에서 명시한 마찰 범위 (훈련 등) 출처(원문 URL)
1 DeXtreme — Transfer of Agile In-hand Manipulation 인핸드(Allegro 손) Object friction scaling: [0.3, 0.9] (원래 표기; ADR-discovered 확장값 표기도 존재). https://arxiv.org/pdf/2210.13702
2 SeqDex — Chaining Dexterous Policies… (CoRL 2023) 장기 연속 dexterous subtasks Object friction scaling: [0.5, 1.5] (표의 domain randomization). https://sequential-dexterity.github.io/assets/images/2023_CoRL_SeqDex.pdf
3 LodeStar — Long-horizon Dexterity via Synthetic Data 장기 dexterous 조작 Static/object friction scale: U(0.7, 1.3) (논문 표기). https://openreview.net/pdf/58cb887ad909f57c866aad08dae8f76273b0f36c.pdf
4 BayesSim (관련 작업들) — sim parameter inference 푸시/슬라이드 (Fetch) friction (benchmarks): [0.1, 1.0] (푸시/슬라이드에서 자주 쓰이는 범위 표기). https://www.roboticsproceedings.org/rss15/p29.pdf
5 Dexterous Non-Prehensile Manipulation (관련 논문) 비-쥐기(non-prehensile) 조작 Friction scaling: [0.7, 1.3] (domain randomization). https://openreview.net/pdf/d59239071da98920c4c955f8132023ef48d41cd5.pdf
6 HORA — In-Hand Object Rotation via Rapid Motor Adaptation 인핸드 회전 Coef. of Friction (train): [0.3, 3.0] (test는 [0.2,3.5]로 확장하여 평가함). https://arxiv.org/pdf/2210.04887
7 DexNDM — Closing the Reality Gap for Dexterous In-Hand Rotation 인핸드 회전 Coef. of Friction: [0.3, 3.0] (논문 표에서 명시). https://arxiv.org/abs/2510.08556
8 DextrAH-G (2024 preprint) — Pixels-to-Action Dexterous Arm-Hand Grasping 팔+손의 픽셀 기반 그레이스핑 Friction reported (impl. details): [0.3, 3.0]. https://arxiv.org/pdf/2407.02274
9 Possas / Online BayesSim (sim2real paper) — Fetch push/slide variants 푸시 / 슬라이드 friction variants used in experiments: [0.1, 2.0](논문/부록의 실험셋업에서 표기된 경우). https://sim2real.github.io/assets/papers/2020/possas.pdf ([sim2real.github.io][9])
10 AdaptSim — Task-Driven Simulation Adaptation (CoRL 2023) 동적 테이블 푸시(병) 등 논문 실험에서 참조된 pushing benchmarks와 도메인 랜덤화에 friction 파라미터 포함 — 대표 예시로 약 [0.1, 1.5] 범위가 사용됨(실험별 표기). https://arxiv.org/pdf/2302.04903

표에 적은 숫자(예: [0.3,3.0], [0.5,1.5] 등)는 논문 본문/부록의 ‘domain randomization / physical randomization’ 표에서 그대로 가져온 값입니다

Friction Range

  • 플롯에서 보이는 주요 특징:
    • 다수 논문(특히 인핸드 쪽)은 상한이 3.0까지 넓게 랜덤화하는 경우가 많아, 0.1–2.0을 넘어가는 경우도 존재합니다 (예: HORA, DexNDM, DextrAH-G).
    • 반대로 일부 푸시/슬라이드나 (간단한) 조작 과제는 0.1–1.0 또는 0.5–1.5 같이 비교적 좁게 설정합니다 (환경/접촉 모델에 따라 달라짐).

숫자의 의미 — 0.1~2.0 범위가 실세계에서 대략 어떤 표면에 해당하나?

아래는 직관을 돕는 대략적 비교(근사값)입니다 — 구체값은 소재/표면 상태(젖음, 윤활, 접촉 압력 등)에 따라 크게 달라집니다. (참고) 위키피디아 등 표준 자료도 마찰계수 μ가 물질/상태에 따라 넓게 분포한다고 합니다.

  • μ ≈ 0.01–0.1: 매우 매끄러운/윤활된 표면 — 얼음, 매우 매끄러운 유리, 윤활된 금속 (사용자가 예로 든 “얼음판”은 μ≈0.05–0.1 급).
  • μ ≈ 0.1–0.4: 매끄러운 플라스틱, 매끄러운 금속, 일부 목재 표면 — 쉽게 미끄러지는 편.
  • μ ≈ 0.4–0.8: 일반적인 건식 접촉(목재, 플라스틱, 금속 간의 보통 마찰), 보통의 조작 작업에서 ‘중간’ 수준의 마찰.
  • μ ≈ 0.8–1.5: 고무류, 고마찰 처리된 표면 — 잡기/그립이 좋은 표면.
  • μ > 1.5–3.0: 매우 끈적한/고마찰 재질 또는 모델에서 마찰을 크게 증폭시켜 사용한 경우(시뮬레이터의 수치적 세팅 등).

따라서 0.1 = “얼음판 느낌(매우 미끄러움)”이라는 표현은 적절한 근사입니다. 그리고 2.0은 보통의 금속/플라스틱 보다는 훨씬 끈적한(고무에 가까운) 접촉을 가정한 값입니다.

관찰 및 권장 (연구/시뮬 설정에 대한 실무 팁)

  1. 과제 성격에 따라 범위를 골라라

    • 인핸드(dexterous) / grasping 같은 경우는 접촉 복잡성 때문에 널찍한 범위(예: 0.3–3.0)를 쓰는 사례가 많습니다(정합성/적응성 확보 목적).
    • 단순 푸시/슬라이드는 0.1–1.0 처럼 좁게 잡는 경우가 흔합니다.

  2. 시뮬레이터(IsaacGym vs MuJoCo 등)마다 접촉 모델 동작이 달라 동일 μ가 다른 동작을 만들 수 있음 — 따라서 μ 범위만 정한다고 끝나는 게 아니고, 접촉 모델·정합(타임스텝, 마찰 모델 타입)도 같이 고려해야 합니다.

  3. 실험적으로 분포를 넓게 잡아보고, ADR(automatic domain randomization)이나 시스템 ID를 도입해 실제 환경에 맞추는 전략이 빈번히 사용됩니다(논문들에서 ADR/시스템 ID 병행 사례 다수).

Why?

manipulation(조작) 분야 논문들 중에서 마찰(friction) 범위(수치)를 실제로 논문 본문/부록에서 명시한 것들을 찾아, 각 논문이 왜 그 범위를 선택했는지(논문에서 밝힌 근거)를 정리했습니다. 다만 실제로 “숫자 범위와 함께 선택 근거를 문장으로 분명히 적어둔” 논문은 생각보다 적고, 많은 논문은 “도메인 랜덤화(또는 마찰을 포함한 물리 파라미터를 무작위화)”를 한다 / ‘강건성 확보(sim-to-real)’ 목적” 정도로만 서술합니다. 그런 경우에는 논문에서 직접 밝힌 문장(예: “robustness / avoid over-reliance on friction / to cover simulator–real gap 등”)을 인용(요약)했고, 숫자 범위도 PDF/표에서 직접 확인 가능한 것만 표에 적었습니다.

주의: 각 행의 근거는 논문 본문 / 부록 / 표에 적힌 설명(혹은 “도메인 랜덤화로 마찰을 섞는다” 등의 명시적 진술)을 바탕으로 요약했습니다. 일부 논문은 “숫자 범위를 표로만 제시(근거 문단 없음)”하는 경우가 있습니다 — 그런 논문은 표에서 “근거: 논문은 sim-to-real/robustness 목적이라고만 설명(숫자의 구체적 선택 근거는 명시 없음)”으로 표기했습니다.

No. 논문 (연도/행사) 논문에 명시된 마찰 범위 (논문 표/부록에서) 논문이 밝힌 ‘범위 선택 근거’ (요약) 출처
1 DeXtreme — Transfer of Agile In-hand Manipulation (arXiv / 2022) Friction. Scaling uniform [0.3, 0.9] (부록의 도메인 랜덤화 표) — (또한 다른 스케일 항목으로 [0.01,1.60] 등 병기). 정책을 “광범위한 시뮬레이션 조건”에 적응시키기 위해 마찰을 무작위화한다고 명시. 즉 sim→real 격차를 줄이고 다양한 실제 표면 특성(낮은 마찰~높은 마찰)을 커버하기 위한 범위 설정임. https://arxiv.org/pdf/2210.13702.pdf.
2 Online BayesSim (Possas et al.) — Online BayesSim (workshop / 2020) Fetch Push friction [0.1, 2.0] / Fetch Slide friction [0.1, 2.0] (실험 표) 이 작업은 시뮬레이터 파라미터(예: 마찰)에 대해 균등한 초기 prior를 두고 실험으로 posterior를 갱신하는 방식임. 따라서 범위는 “초기 불확실성을 폭넓게 잡아(플라시보/모든 가능성 포함) 실제 데이터로 수렴시키기 위한” 설정으로 사용됨. (표와 설명에서 범위를 표기하고, 방법론적으로 균등 prior에서 시작한다고 설명함) https://sim2real.github.io/assets/papers/2020/possas.pdf.
3 BayesSim (Ramos et al.) — BayesSim (RSS 2019) (논문은 파라미터 추정/베이지안 설정을 다룸; 실험에서 사용하는 파라미터 범위를 사례별로 제시) 시뮬레이터 파라미터(마찰 등)를 priors로 놓고, 관측 데이터로 posterior를 학습하는 것이 핵심. 즉 범위는 “가능한 실제 값들을 포함하도록 초기 분포(보통 균등/넓은 분포)를 설정”하는 목적. 논문 전반이 ’범위를 넓게 잡아 불확실성 포착 → 관측으로 좁힘’이라는 철학을 밝힘. https://www.roboticsproceedings.org/rss15/p29.pdf.
4 DextrAH-G: Pixels-to-Action Dexterous Arm-Hand Grasping (arXiv 2024) 부록 E (Domain Randomization)에서 object friction(객체 마찰)을 무작위화(표로 수치 제시 — 부록 Table 참조). (본문/부록에 ‘friction reduction’/‘domain randomization’ 명기) 논문은 “마찰을 낮추거나(기본 마찰값 조정) 마찰을 무작위화함으로써(policy의) ’마찰에 과도하게 의존하는 전략’을 억제하고, 잡기 전략이 진짜 로봇 환경(센싱·제어 노이즈 등)에서도 견고하게 동작하게” 하기 위해 범위를 설정했다고 명시. 즉 ’과도한 마찰 의존 방지 → 강건성 확보’가 근거. https://arxiv.org/abs/2407.02274 (또는 HTML/PDF 부록).
5 HORA — In-Hand Object Rotation via Rapid Motor Adaptation (CoRL 2022 / arXiv) 본문에서 mass, center of mass, coefficient of friction 등을 무작위화한다고 명시(부록에 세부 범위 표 기재). 논문은 적응 모듈이 ‘extrinsics’(물리적 속성: 질량·크기·마찰 등)를 추정하도록 학습시키기 위해, 훈련에서 해당 속성들을 랜덤화했다고 명확히 설명. 즉 범위 설정의 근거는 ’적응기(online estimator)가 다양한 실제 객체 특성을 학습해서 배포 시 빠르게 적응하게 하려는 목적’임. (부록 표에 수치 범위가 있음 — 본문은 목적/설계 이유를 설명) https://arxiv.org/pdf/2210.04887.pdf.
6 Learning Dexterous In-Hand Manipulation (OpenAI, 2018) 논문에서 여러 물리 파라미터(마찰계수 포함)를 무작위화했다고 명시(범위는 훈련설정/부록/코드 참조). OpenAI 논문은 domain randomization(마찰·외관 등 무작위화)으로 시뮬레이터와 현실 차이를 줄여 시뮬→현실 전이가 가능했다고 보고. (구체 수치 선택 근거는 부록/훈련 세팅을 통해 제시되며, 목적은 ’robustness / sim2real’임) https://arxiv.org/abs/1808.00177 (본문/부록 참조).
7 AdaptSim — Task-Driven Simulation Adaptation (PMLR / 2023) 논문 실험에서 테이블/패치 마찰 계수(table/patch friction) 등을 식별/조정하는 사례 보고 (실험·부록에 사용 범위 언급). 이 논문은 단순히 넓게 랜덤화만 하는 것이 아니라, 실제 작업 성능을 최적화하는 방향으로 시뮬레이터 파라미터 분포(예: 마찰)를 조정한다고 설명합니다. 즉 “범위를 선정한 이유”는 해당 태스크에서 성능을 개선하는(또는 시뮬레이터가 현실을 더 잘 반영하는) 방향으로 파라미터를 찾기 위해서 입니다. (예: 일부 실험에서 SysID-Bayes는 마찰을 지나치게 낮게 추정해 그로 인한 성능 저하를 관찰했다고 기술). https://arxiv.org/pdf/2302.04903.pdf (또는 PMLR 페이지).
8 (예시) Papers that give 범위 표시만 하고 ’구체적 선택 이유’는 간단히 기술하는 경우 여러 최신 manipulation 논문들(예: DextrAH-G, DeXtreme, HORA, AdaptSim 등)은 부록에 마찰 범위를 표로 제시하지만, “왜 정확히 이 숫자 (예: 0.3–0.9)로 골랐는지”를 숫자 선택 근거(예: 실제 측정 통계, 재료별 데이터에 기반한 수치 등)로 상세히 서술하지 않는 경우가 많음. 이런 논문들은 공통적 근거로 “(1) 다양한 실제 표면을 커버하기 위한 넓은 분포 설정, (2) 정책이 마찰에 과도하게 의존하는 것을 막기 위해 낮은 마찰 쪽을 포함, (3) 시뮬레이터 불확실성(솔버/접촉 모델 차이)을 보정” 등의 이유를 듭니다 — 이는 논문 본문(도메인 랜덤화 목적 설명)과 부록(무작위화 표)에서 직접 확인됩니다. 예: DeXtreme PDF / DextrAH-G PDF / HORA PDF 등 (위 URL들).

표 요약

  • 대부분의 manipulation 논문은 ’마찰 범위를 무작위화한다’는 사실과 그 목적(강건성, sim→real)을 명확히 적습니다. 하지만 “왜 정확히 0.3–0.9” 같은 특정 숫자를 골랐는지에 대한(데이터 기반) 상세 근거를 문장으로 적는 경우는 드뭅니다. 대신 연구자들은 보통:

    1. 넓은 범위(예: 0.1–2.0)를 잡아 “가능한 실제 값들”을 포함시켜 초기 불확실성을 흡수(베이지안 접근/균등 prior).
    2. 낮은 마찰(슬라이딩/미끄러짐) 쪽을 포함시켜, 정책이 “마찰에 지나치게 의존”하지 않도록 강제. (잡기/그립 전략이 ’마찰에만 의존’하면 현실에서 실패).
    3. 적응형 방법(예: AdaptSim, BayesSim 계열)은 단순 무작위화 대신 실제 데이터로 파라미터 분포를 좁혀(추정) 범위를 조정함. 즉 “범위를 넓게 잡았다가 실제 관측으로 좁힌다”는 접근.

예시로 쉽게 비유