RAPT: Model-Predictive Out-of-Distribution Detection and Failure Diagnosis for Sim-to-Real Humanoid Robots

⚠️ 이 페이지의 요약·평가·해설은 생성형 AI(Claude)가 자동 생성한 2차적 분석물입니다. 논문 원문의 저작권은 원저작자에게 있으며, 정확한 내용은 원문(위 DOI·arXiv 등 출처)을 확인하세요.

Essence

🔒 원문 도표는 라이선스(위 표시)상 여기서 재현하지 않습니다 — 원문에서 확인하세요.

Fig. 1: RAPT overview. Real-world out-of-distribution (OOD) scenarios during humanoid deployment. RAPT detects anomalies

RAPT는 시뮬레이션 환경에서 학습한 인간형 로봇 제어 정책의 현실 배포 시 out-of-distribution(OOD) 상태를 감지하고 실패 원인을 진단하는 경량의 자기감독 모니터링 시스템이다.

Motivation

Known: Deep Reinforcement Learning 정책은 시뮬레이션에서는 강건해 보이지만 현실 배포 시 모델링되지 않은 dynamics, 센서 노이즈, 환경 변화로 인한 OOD 상태에서 조용한 실패(silent failure)를 보인다.
Gap: 기존 anomaly detection 방법들은 고주파 제어(50Hz)와 호환되지 않거나, 실제 배포에 필요한 극히 낮은 false-positive rate에서 보정이 잘못되었으며, OOD 감지 이유를 설명하지 못하는 black box로 동작한다.
Why: 인간형 로봇의 안전한 배포를 위해서는 단순한 이진 정지 신호가 아닌 배포 시점의 continuous monitoring과 semantic failure diagnosis가 필수적이며, 이는 hardware damage 위험을 줄이고 Sim-to-Real gap을 체계적으로 분석할 수 있게 한다.
Approach: RAPT는 simulation에서 nominal execution의 probabilistic spatio-temporal manifold를 학습한 후, 배포 시 execution-time predictive deviation을 calibrated per-dimension signal로 평가하고, gradient-based temporal saliency와 LLM 기반 reasoning을 결합하여 zero-shot failure diagnosis를 수행한다.

Achievement

🔒 원문 도표는 라이선스(위 표시)상 여기서 재현하지 않습니다 — 원문에서 확인하세요.

Fig. 1: RAPT overview. Real-world out-of-distribution (OOD) scenarios during humanoid deployment. RAPT detects anomalies

신뢰할 수 있는 OOD 감지: 고정된 episode-level false positive rate(0.5%)에서 baseline 대비 37% TPR 향상을 달성하며, 실제 배포에서 12.5% TPR 개선을 보임
해석 가능한 Sim-to-Real gap 측정: reconstruction likelihood를 continuous measure로 재구성하여 배포 중 domain shift를 시간에 따라 추적할 수 있음
자동화된 근본 원인 분석: 16개의 실제 로봇 실패에 대해 proprioceptive data만으로 75% root-cause classification accuracy를 달성하는 post-hoc diagnostic pipeline 제시

How

🔒 원문 도표는 라이선스(위 표시)상 여기서 재현하지 않습니다 — 원문에서 확인하세요.

Fig. 2: RAPT Method Overview: (A) RAPT OOD-detection architecture. (B) Hierarchical OOD pipeline using three statistical

Recurrent probabilistic model을 사용하여 nominal spatio-temporal behavior를 모델링하고 predictive deviation을 평가
Per-dimension reconstruction error를 개별적으로 calibrate하여 rigid-body constraints를 고려한 coupling 정보 활용
RAPT의 reconstruction objective로부터 gradient-based temporal saliency를 추출하여 어느 joint가 언제 anomaly를 유발했는지 파악
Saliency pattern과 joint kinematics를 multi-modal language model에 입력하여 semantic failure description 생성
Unitree G1 humanoid 로봇의 4개 복잡한 tasks(locomotion, manipulation, mimicry)에서 NVIDIA Isaac Lab 시뮬레이션과 실제 hardware 배포로 검증

Originality

기존의 단순한 likelihood threshold 기반 방식을 벗어나 per-dimension calibration을 통해 input complexity bias 문제 해결
Reconstruction error를 binary stop signal이 아닌 continuous time-series signal로 활용하여 Sim-to-Real gap을 정량적으로 측정
Gradient-based saliency와 LLM을 결합한 zero-shot failure diagnosis는 기존 black-box anomaly detector의 해석 불가능성 문제를 독창적으로 해결
High-frequency humanoid control(50Hz)에 최적화된 lightweight architecture로 기존 방법들의 computational overhead 문제 극복

Limitation & Further Study

16개의 실제 실패 데이터셋이 상대적으로 작으며, LLM 기반 진단의 75% accuracy가 production-level deployment에 충분한지 검증 필요
LSTM-based probabilistic model의 calibration 과정이 task-specific하거나 hyperparameter-sensitive할 가능성에 대한 분석 부족
현재 evaluation은 Unitree G1 단일 플랫폼에만 제한되어 있으며, 다양한 humanoid architecture와 task에 대한 generalization 능력 미검증
후속 연구로 larger-scale real-world failure dataset 구축과 다중 robot platform에서의 transfer learning 가능성 탐색 필요
Saliency-based diagnosis의 신뢰성을 높이기 위해 domain expert와의 validation study 추가 필요

Evaluation

Novelty: 4/5 Technical Soundness: 3/5 Significance: 4/5 Clarity: 4/5 Overall: 4/5

총평: RAPT는 humanoid robot 배포의 실제적 난제인 silent failure 감지와 근본 원인 분석을 동시에 해결하는 실용적이고 혁신적인 방법으로, 50Hz 고주파 제어 호환성과 interpretable diagnosis를 통해 Sim-to-Real gap 문제의 새로운 패러다임을 제시한다.