SafeFlow: Real-Time Text-Driven Humanoid Whole-Body Control via Physics-Guided Rectified Flow and Selective Safety Gating

Motivation

• Known: 최근 텍스트 기반 모션 생성 기술이 발전하여 실시간 대화형 로봇 제어가 가능해졌으나, 기하학적 생성기는 joint limit 위반, self-collision, 불안정한 균형 등 물리적 hallucination을 생성하는 문제가 있다.
• Gap: 기존 대화형 텍스트 제어 시스템은 생성 단계에서 physics-aware 목표 함수가 부족하고, 배포 시점에 out-of-distribution 입력에 대한 안전성 검증 메커니즘이 없다.
• Why: 휴머노이드 로봇의 실시간 제어에서 물리적 실행 불가능성과 OOD 입력으로 인한 안전성 문제를 해결하여 실제 로봇 배포의 신뢰성과 강건성을 높이는 것이 중요하다.
• Approach: Physics-Guided Rectified Flow Matching을 VAE latent space에서 수행하여 실행 가능한 모션을 생성하고, Reflow 증류로 실시간 추론을 가능하게 하며, Mahalanobis score, directional sensitivity discrepancy, kinematic constraint 기반의 3단계 safety gate를 도입한다.

Achievement

Fig. 2.

• Physics-Guided Motion Generation: VAE latent space에서 physics-aware objectives(joint feasibility, self-collision avoidance, stability, smoothness)를 포함한 rectified flow matching으로 물리적으로 실현 가능한 모션 생성
• Real-Time Acceleration: Reflow 증류를 통해 function evaluation 수를 대폭 감소시켜 실시간 제어 가능 (NFE=1)
• Hierarchical Safety Gating: 의미적 OOD 탐지(Mahalanobis score), 생성 불안정성 필터링(directional sensitivity discrepancy), 하드 kinematic constraint 적용으로 안전성 보장
• Superior Performance: Unitree G1에서 success rate, physical compliance, inference speed 모두 기존 diffusion 기반 방법 대비 우수하면서 표현력 유지

How

Fig. 2.

• VAE를 통해 고차원 모션을 저차원 latent space로 인코딩
• Physics-guided rectified flow matching으로 latent space에서 physics constraint를 고려한 샘플링 수행
• Reflow 증류를 적용하여 physics guidance를 모델에 internalize하고 sampling step 최소화
• Text embedding space에서 Mahalanobis distance를 이용한 semantic OOD 검출
• 생성된 모션의 directional flow sensitivity를 측정하여 구조적 불안정성 필터링
• Joint limit, velocity limit 등 hard kinematic constraint 적용으로 최종 검증
• 거부된 경우 safe fallback 메커니즘 트리거

Originality

• Physics-Guided Rectified Flow의 실시간 로봇 제어 적용: 기존 character animation 영역의 physics-guided sampling을 실시간 텍스트 기반 휴머노이드 제어로 처음 확장
• Reflow를 통한 실시간성 확보: Physics guidance를 유지하면서 NFE=1로 축소하여 streaming control 가능하게 함
• Training-Free 3-Stage Safety Gate: 의미적, 생성 품질, 운동학적 세 단계의 explicit risk indicator 기반 hierarchical filtering으로 OOD 입력에 대한 robust한 rejection mechanism 제시

Limitation & Further Study

• VAE latent space에서의 motion generation은 original space의 정보 손실 가능성 존재
• 3단계 safety gate의 threshold 설정이 경험적/휴리스틱 기반일 수 있어 다양한 로봇 플랫폼으로의 일반화 가능성 미확인
• OOD 검출의 Mahalanobis score는 training data의 distribution 형태에 크게 의존
• 실제 물리 시뮬레이션과 sim-to-real gap에 대한 논의 부족
• 후속 연구: 적응적 threshold learning, 다중 로봇 플랫폼 검증, 더욱 정교한 physics simulator integration

Evaluation

총평: SafeFlow는 physics-guided generation과 hierarchical safety gating을 효과적으로 결합하여 텍스트 기반 휴머노이드 제어의 안전성과 실행 가능성을 동시에 달성한 실질적으로 중요한 연구이며, Unitree G1에서의 광범위한 실험 검증으로 실제 로봇 배포의 가능성을 보여준다.