PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12114v1cs.RO

GaitSpan: 보행에서 달리기로 확장되는 휴머노이드 이동

GaitSpan: Growing Humanoid Locomotion from Walking to Running

보행할 수 있는 휴머노이드가 조깅이나 달리기를 위해 이동 능력을 처음부터 다시 학습할 필요는 없다. 그러나 현재 접근법들은 종종 보행 일정을 규정하거나, 동작 클립을 모방하거나, 전문가들을 학습시켜 전환하거나, 여러 기술을 하나의 정책으로 증류하는 방식으로 보행 다양성을 얻는다. 이러한 전략은 인상적인 행동을 만들어낼 수 있지만, 연속적인 속도 명령, 지형, 형태에 걸친 유연성은 제한적이다. 우리는 사전학습된 기본 보행 정책을 더 빠른 이동으로 확장하는 프레임워크인 GaitSpan을 통해 기술 성장(skill growth)을 연구한다. GaitSpan은 보행을 시드 기술(seed skill)로 취급한다. 즉, 균형, 지지, 신체 조율, 접촉 전환을 위한 재사용 가능한 운동 구조로서, 새로운 리듬에서 재생성되고, 더 길고 높은 보폭으로 확장되며, 잔차 적응(residual adaptation)으로 보정될 수 있다. 이 확장은 세 가지 측면으로 구성된다. 1) 리듬 생성(rhythm generation)은 여러 내부 클럭으로 고정된 보행 정책을 변조하고, 그 결과로 나온 표준 동작(canonical actions)의 명령 조건화 조합을 학습한다. 2) 보폭 형성(stride shaping)은 스프링-로드 반전 진자(spring-loaded inverted pendulum) 동역학에서 영감을 받은 물리적으로 근거 있는 목표함수를 사용하여, 더 높은 명령 속도에 적합한 동적 이동 패턴에 보상을 부여한다. 3) 잔차 적응은 리듬 생성이나 보폭 형성으로 설명되지 않는 동작 세부를 포착한다. GaitSpan은 보행, 조깅, 달리기와 유사한 영역을 포괄하는 연속 속도 범위에 걸쳐 단일 명령 조건화 휴머노이드 정책을 제공하는 최초의 방법으로, 형태 간 전이가 가능하고, 보지 못한 sim-to-sim 및 실제 지형에 제로샷(zero-shot)으로 배치된다. 다중 전문가(multi-experts)로 학습하거나 인간 모방으로 학습한 베이스라인과 비교했을 때, 더 빠르게 학습하고 더 강한 보행 성능을 달성한다.