RPL: Learning Robust Humanoid Perceptive Locomotion on Challenging Terrains

Motivation

• Known: 인형로봇 보행 분야에서는 forward 카메라 기반 단일 방향 이동이 주로 연구되었으며, 전통적인 LiDAR 기반 매핑 방식은 상태 추정의 노이즈와 지연 문제를 야기한다.
• Gap: 비대칭적 다중 카메라 입력 조건에서의 다방향 보행 및 보행과 조작을 동시에 수행하면서 payload 견고성을 유지하는 연구가 미흡하며, 다중 depth 렌더링의 계산 효율성도 제한적이다.
• Why: 인형로봇이 실제 환경에서 다양한 지형을 효율적으로 횡단하면서 물품을 운반하는 능력은 일상 작업 수행의 필수 요소이기 때문이다.
• Approach: Stage 1에서 privileged height map을 사용한 terrain-specific 전문가 정책들을 학습하고, Stage 2에서 이들을 multi-view depth 입력 기반의 통합 transformer 정책으로 증류하며, 증류 과정에서 depth feature scaling based on velocity commands(DFSV)와 random side masking(RSM) 기법을 적용한다.

Achievement

Fig. 1.

• 효율적 다중 depth 렌더링 시스템: dynamic robot mesh와 static terrain mesh에 대해 ray-casting을 수행하면서 현실적인 센서 지연, 노이즈, dropout을 모델링하여 기존 시뮬레이터 대비 5배 속도 향상 달성
• 견고한 다방향 보행: DFSV와 RSM 기법을 통해 비대칭 depth 관측과 미학습 지형 너비에서도 안정적인 양방향 보행 실현
• 실제 로봇 검증: Unitree G1 인형로봇에서 20° 경사면, 22-30cm 다양한 계단, 60cm 간격 stepping stones 등 복잡한 지형에서 2kg payload 탑재 상태의 안정적 보행 입증
• decoupled 제어 구조: FALCON 프레임워크 기반으로 lower-body 보행 정책과 upper-body 조작 정책을 분리하여 전체 신체 제어의 효율성 및 성능 향상

How

Fig. 2.

• Stage 1: Terrain-specific 전문가 정책 학습 - 각 지형 유형(경사면, 계단 상행/하행, stepping stones)별로 privileged height-map 관측을 사용하여 end-effector force perturbation 하에서 decoupled locomotion과 manipulation 기술 습득
• Stage 2: Knowledge distillation - 전문가 정책들을 front/back dual depth cameras 입력을 받는 unified transformer 정책으로 압축
• Depth feature scaling based on velocity commands (DFSV): 명령된 속도에 따라 지각 특성을 적응적으로 조절하여 비대칭 시각 입력 간의 분포 편이(distribution shift) 감소
• Random side masking (RSM): 깊이 이미지의 양측 지형 영역을 변동하는 너비로 랜덤하게 마스킹하여 미학습 지형 너비에 대한 견고성 향상
• Multi-depth rendering 최적화: NVIDIA Warp 기반의 병렬 ray-casting으로 dynamic mesh(자기 폐색 처리)와 static mesh 동시 처리, 현실적 센서 특성 모델링

Originality

• 비대칭 다중 카메라 입력 처리의 체계적 접근 - DFSV와 RSM을 통해 서로 다른 카메라가 보는 지형 구조의 차이를 정책 학습 단계에서 명시적으로 처리
• Dynamic mesh를 포함한 확장된 depth 렌더링 - 로코-조작(loco-manipulation) 중 발생하는 자기 폐색을 시뮬레이션에서 정확히 모델링
• Privileged information 활용의 효과적 설계 - Stage 1에서만 height map을 사용하고 Stage 2에서는 일반화 가능한 depth 기반 정책으로 전환하는 이원적 학습 구조
• 실제 로봇 검증의 포괄성 - 다양한 terrain width 및 payload 조건에서의 견고성 평가

Limitation & Further Study

• Depth camera 기반 정책의 본질적 한계 - 희소하고 불연속적인 footholds(stepping stones)에 대해 제한된 전방 시야(lookahead)로 인한 잠재적 실패 케이스 존재 가능
• Sim-to-real gap 해소의 완전성 - 시뮬레이션에서 모델링한 센서 노이즈와 현실의 실제 depth 센서 오류 간 불일치 가능성
• 확장성 제약 - 현재 Unitree G1 로봇 플랫폼 중심으로 검증되었으므로 다른 인형로봇 모델로의 일반화 정도 미정
• 후속 연구 방향: (1) LiDAR 등 추가 센서 modality와의 결합, (2) 더 극단적 지형(암벽, 비정형 지형)으로의 확장, (3) 더 무거운 payload 조건에서의 견고성 개선

Evaluation

총평: 본 논문은 다단계 학습과 효율적 시뮬레이션을 통해 인형로봇의 복잡 지형 다방향 보행 문제를 체계적으로 해결하며, 특히 비대칭 다중 센서 입력 처리 기법과 payload 견고성 검증에서 실질적 기여를 제시한다.