휴머노이드 로봇을 위한 행동 기반 모델 스케일링
Scaling Behavior Foundation Model for Humanoid Robots
휴머노이드 제어는 자연스러운 전신 협응, 제어 신호에 대한 정밀한 실시간 응답, 다양한 환경 맥락에 걸친 강건한 일반화를 요구하므로 범용 체화(embodied) 에이전트의 핵심 기반이 된다. 행동 기반 모델(BFM)은 최근 대규모 행동 데이터를 활용하여 뛰어난 표현력, 범용성 및 일반화를 달성함으로써 이러한 과제들을 해결하는 유망한 방법으로 부상했다. 그러나 BFM을 스케일링하여 역량을 더욱 향상시키려는 관심이 커지고 있음에도, 학습 패러다임, 행동 데이터, 모델 아키텍처를 포함한 핵심 요인들을 어떻게 조율해야 효과적인 스케일링을 가능하게 하는지는 여전히 불분명하다. 본 연구에서는 BFM의 스케일링 레시피를 재검토하고, 다음 세 가지 핵심 구성 요소의 조율을 통해 상당한 성능 향상을 달성할 수 있음을 보인다: 1) 다양한 휴머노이드 제어 문제를 전역 좌표계에서 통합된 전신 행동의 재현으로 재정식화하는 모션 추적(motion tracking)의 학습 패러다임; 2) 온-정책 롤아웃 수량과 참조 모션(reference motion) 다양성 간의 전략적 시너지; 3) 구조화된 행동 표현의 자연스러운 창발을 촉진하는 Humanoid 트랜스포머라고 명명된 표현력 있고 확장 가능한 모델 아키텍처. 시뮬레이션과 실제 배포 모두에서 광범위한 실험을 통해, 본 접근법이 제어 충실도와 과제 일반화에서 상당한 개선을 가져오며, 기존 휴머노이드 컨트롤러 대비 테스트 세트에서 local mode에서 Mean Per-Keypoint Position Error(MPKPE)를 10% 이상, global mode에서 82% 줄였음을 보인다. 이러한 결과는 BFM이 확장 가능하고 범용적인 휴머노이드 제어를 위한 원칙적이고 효과적인 기반임을 확립한다.