불완전한 인간 동작 데이터로부터 운동형 휴머노이드 테니스 스킬 학습

Source: Hacker News

초록

인간 선수들은 고속 테니스 공을 가지고 경쟁적인 랠리를 성공적으로 진행하기 위해 다재다능하고 매우 역동적인 테니스 기술을 보여줍니다. 그러나 인간형 로봇에서 이러한 행동을 재현하는 것은 어려운데, 이는 부분적으로 완벽한 인간형 행동 데이터나 테니스 상황에서의 인간 운동학 데이터가 참조용으로 부족하기 때문입니다. 본 연구에서는 LATENT라는 시스템을 제안합니다. 이는 Learns Athletic humanoid Tennis skills from Imperfect Human Motion Data의 약자입니다.

불완전한 인간 운동 데이터는 실제 경기에서의 완전하고 정밀한 인간‑테니스 동작 시퀀스가 아니라 테니스를 할 때 사용되는 기본 기술을 포착한 동작 조각들만을 포함하므로 데이터 수집의 난이도를 크게 낮춥니다. 우리의 핵심 통찰은, 비록 불완전하지만 이러한 준실제 데이터가 테니스 상황에서 인간의 기본 기술에 대한 사전 정보를 제공한다는 점입니다. 추가적인 보정 및 조합을 통해 우리는 다양한 조건 하에서 들어오는 공을 일관되게 치고 목표 위치로 되돌려 보내면서도 자연스러운 움직임 스타일을 유지하는 인간형 정책을 학습합니다.

또한 견고한 시뮬‑실 전이(design)를 위한 일련의 설계를 제안하고, Unitree G1 인간형 로봇에 정책을 배포했습니다. 우리의 방법은 실제 세계에서 놀라운 결과를 달성했으며 인간 플레이어와의 다중 샷 랠리를 안정적으로 지속할 수 있습니다.

다중 샷 랠리

랠리 1

랠리 2

랠리 3

랠리 4

반응형 풋워크

풋워크 1

풋워크 2

풋워크 3

풋워크 4

다양한 인간 플레이어와의 대결 시도

인간 플레이어 1

인간 플레이어 2

인간 플레이어 3

셀프‑플레이 (시뮬레이션)

인간 플레이어 3