Known: Deep Reinforcement Learning은 인형로봇 제어에 강력하지만, 단일 정책이 운동 모방, 속도 추적, 안정성을 동시에 학습해야 하는 복잡성이 있다. Generative Motion Prior 방식이 자연스러운 동작을 제공하지만 직접 추적(direct tracking) 전략의 학습 복잡성이 여전히 높다.
Gap: 기존 DRL 기반 방법들은 motion imitation, velocity tracking, stability maintenance의 세 가지 목표가 충돌하여 성능과 학습 효율성에 트레이드오프가 발생한다. 이를 해결하기 위한 decoupled 구조의 체계적 접근이 부족하다.
Why: 인형로봇이 인간 중심 환경에서 다양한 속도에서 자연스럽고 동적인 보행을 수행할 수 있어야 하며, 특히 보행-달리기 간 매끄러운 전환은 실용적 배포에 필수적이다.
Approach: CMG를 통해 kinematically natural motion prior를 생성하고, 경량의 residual policy가 동역학적 상호작용을 보정하는 방식으로 제어 태스크를 분해한다.
Achievement
Fig. 5: Performance comparison of different algorithms. This figure shows
Decoupled Residual Learning Framework: 운동 제어를 motion prior와 residual correction으로 분리하여 학습 공간을 대폭 축소
Conditional Motion Generator: 인간 모션 데이터셋으로 학습된 autoregressive 생성 모델로 보행-달리기 범위의 자연스러운 운동 생성
광범위한 속도 범위 커버: 0-2.5 m/s 범위에서 안정적이고 자연스러운 보행과 매끄러운 전환 달성
실제 로봇 검증: Unitree G1 인형로봇에서 시뮬레이션과 현실 실험을 통해 state-of-the-art 대비 우수한 성능 입증
학습 효율성 개선: 기존 방법 대비 훨씬 빠른 training 수렴
How
Fig. 2: Overview of the RuN framework. (a) Motion Retargeting: Raw human motions are converted into a kinematically feas
대규모 인간 모션 데이터셋을 motion retargeting을 통해 kinematically feasible 참조 데이터로 변환
변환된 데이터로 autoregressive CMG를 offline으로 학습하여 frozen motion prior 생성
총평: RuN은 humanoid locomotion 제어의 근본적인 복잡성을 elegant하게 해결한 well-motivated 프레임워크로, decoupled residual learning 접근이 학습 효율성과 최종 성능을 모두 개선하며 실제 로봇에서 검증된 강력한 방법론이다.
