[Paper] 인지형 휴머노이드 파쿠르: 모션 매칭을 통한 동적 인간 기술 연쇄

Source: arXiv - 2602.15827v1

번역을 진행하려면 번역하고자 하는 본문(초록, 본문, 섹션 등)을 제공해 주세요.
코드 블록이나 URL은 그대로 유지하고, 텍스트만 한국어로 번역해 드리겠습니다.

개요

이 논문은 Perceptive Humanoid Parkour (PHP) 를 소개한다. 이는 인간형 로봇이 시각 기반 인식과 동적인 인간 유래 동작 라이브러리를 활용하여 복잡한 장애물 코스를 자율적으로 탐색할 수 있게 하는 모듈식 시스템이다. 모션 매칭 기반 스킬 체이닝과 강화 학습(RL) 정책 증류를 결합함으로써, 저자들은 실제 Unitree G1 로봇에서 파쿠르 수준의 민첩성을 달성했으며, 이는 이전에 단순 보행이나 오프라인 사전 계획된 동작에만 국한되었던 것이다.

주요 기여

• 모션‑매칭 스킬 컴포저: 인간이 만든 원자적 파쿠르 스킬을 특징 공간의 점으로 정의하고, 최근접 이웃 검색을 통해 이를 연결하여 부드러운 장기 운동학 궤적을 생성합니다.
• RL 전문가 정책 훈련 및 증류: 각 구성된 궤적에 대해 별도의 모션 추적 RL 전문가를 훈련한 뒤, 하이브리드 DAgger + RL 파이프라인을 사용해 단일 깊이 센서 기반 학생 정책으로 증류합니다.
• 인식 기반 의사결정 모듈: 온보드 깊이 이미지와 2‑D 속도 명령만을 이용해 이산 행동(스텝‑오버, 클라임, 볼트, 롤) 중 선택하며, 폐쇄‑루프의 상황 인식 파쿠르를 가능하게 합니다.
• 하드웨어 휴머노이드 로봇을 통한 실세계 검증: 로봇 높이의 약 96 %에 해당하는 1.25 m 높이의 장애물을 등반하고, 교란에 대한 실시간 적응을 포함한 견고한 다중 장애물 통과를 보여줍니다.
• 오픈‑소스 준비된 모듈형 파이프라인: 프레임워크는 인식, 스킬 구성, 제어를 분리하여 새로운 스킬이나 센서 모달리티에 쉽게 확장할 수 있습니다.

방법론

1. 데이터 수집 및 재타깃팅

   • 모션 캡처를 사용하여 다양한 인간 파쿠르 동작(예: 바운트, 등반, 롤)을 포착합니다.
   • 이러한 동작을 로봇의 운동학 모델에 재타깃팅하여 동역학을 보존하고 관절 제한을 준수합니다.

2. 특징 기반 모션 매칭

   • 각 원자 스킬을 고차원 특징 벡터(관절 속도, 접촉 상태, 무게 중심 궤적)로 인코딩합니다.
   • 실행 시, 이 특징 공간에서 최근접 이웃 검색을 수행하여 현재 궤적을 가장 자연스럽게 이어주는 다음 스킬을 선택하고 부드러운 전환을 보장합니다.

3. 전문가 RL 정책

   • 각 구성된 궤적에 대해, 운동학 참조를 따르면서 모델 불확실성 및 접촉 동역학을 처리하는 모션 트래킹 RL 정책(예: PPO)을 학습시킵니다.

4. 정책 증류

   • DAgger(데이터셋 집계)를 사용하여 학생이 환경과 상호작용하는 동안 전문가로부터 상태‑행동 쌍을 수집합니다.
   • RL 보상(안정성, 에너지 효율, 장애물 회피)을 이용해 학생을 미세 조정하여 성능 격차를 메웁니다.

5. 지각 및 의사결정

   • 단일 깊이 프레임을 처리하여 즉각적인 환경의 2‑D 높이 맵을 추출합니다.
   • 경량 분류기가 높이 맵과 원하는 속도를 결합해 이산 스킬 명령으로 매핑하고, 이는 모션 매칭 체인에서 적절한 구간을 트리거합니다.

결과 및 발견

실험 결과, 로봇이 이동하거나 새로 도입된 장애물에 실시간으로 적응하여 균형을 유지하고 외부 개입 없이 코스를 완주할 수 있음을 보여준다.

실용적 함의

• Robotics developers는 이제 각 전이를 수작업으로 만들 필요 없이 민첩한 인간형 행동을 프로토타이핑할 수 있으며, motion‑matching 라이브러리가 원활한 체이닝을 처리합니다.
• Game‑engine and simulation pipelines는 동일한 feature‑based 매칭을 채택하여 동적 환경에 실시간으로 반응하는 현실적인 인간형 아바타를 생성할 수 있습니다.
• Industrial inspection or disaster‑response robots는 perception‑driven 스킬 선택기를 활용하여 잔해를 탐색하고, 사다리를 오르며, 저고도 통로를 최소한의 재프로그래밍으로 통과할 수 있습니다.
• Edge‑AI hardware는 저지연 깊이 처리와 정책 추론에 충분함을 입증했으며, 이를 통해 유사한 파이프라인이 기존 로봇 플랫폼(예: Boston Dynamics Spot, Agility Robotics Cassie)에서도 실행될 수 있음을 시사합니다.

제한 사항 및 향후 연구

• 스킬 라이브러리 크기: 시스템의 민첩성은 사전 녹화된 인간 동작의 다양성에 의해 제한됩니다; 새로운 스킬을 추가하려면 여전히 모션 캡처와 리타게팅이 필요합니다.
• 깊이 전용 인식: 깊이 정보만을 의존하면 질감이나 의미를 이해하는 데 한계가 있습니다(예: 깨지기 쉬운 유리 판과 견고한 벽을 구분).
• 보지 못한 지형에 대한 일반화: 이 방법은 장애물 변동에 적응하지만, 극단적인 지형 변동(예: 미끄러운 표면)은 평가되지 않았습니다.
• 최근접 이웃 검색의 확장성: 스킬 데이터베이스가 커짐에 따라 계층적 클러스터링이나 학습된 임베딩과 같은 보다 효율적인 인덱싱이 필요합니다.

향후 연구 방향으로는 생성적 동작 합성을 통한 스킬 레퍼토리 확장, 멀티모달 인식(RGB, 촉각) 통합, 그리고 협업 파쿠르나 건설 작업을 위한 다중 로봇 협조에 이 프레임워크를 적용하는 것이 포함됩니다.

저자

• Zhen Wu
• Xiaoyu Huang
• Lujie Yang
• Yuanhang Zhang
• Koushil Sreenath
• Xi Chen
• Pieter Abbeel
• Rocky Duan
• Angjoo Kanazawa
• Carmelo Sferrazza
• Guanya Shi
• C. Karen Liu

논문 정보

• arXiv ID: 2602.15827v1
• 카테고리: cs.RO, cs.AI, cs.LG, eess.SY
• 출판일: 2026년 2월 17일
• PDF: Download PDF