The Role of Domain Randomization in Training Diffusion Policies for Whole-Body Humanoid Control

Motivation

• Known: Diffusion Policies는 로봇 조작에서 인상적인 결과를 보였으며, AMP와 같은 모방학습 방법이 humanoid 제어에 효과적임이 알려져 있다. Domain Randomization은 시뮬레이션-실제 간극 해결에 중요한 역할을 한다.
• Gap: Diffusion Policies의 보행 및 전신 humanoid 제어 적용성은 충분히 탐색되지 않았으며, 특히 데이터셋 특성(크기, 다양성)이 DP 훈련에 미치는 영향에 대한 체계적인 ablation 연구가 부족하다.
• Why: Humanoid 로봇이 인간 환경을 위한 이상적인 구현체로 주목받고 있으며, 풍부한 모션 캡처 데이터를 활용할 수 있으나 효과적인 정책 학습 방법이 필요하다. 데이터셋 특성의 영향을 이해하면 더 효율적인 humanoid 제어 정책 개발이 가능하다.
• Approach: IsaacGym 시뮬레이션 환경에서 다양한 Domain Randomization 조건 하에 AMP 에이전트를 훈련하여 합성 시연을 생성하고, 서로 다른 크기와 다양성의 데이터셋으로 훈련된 Diffusion Policies의 성능을 비교한다.

Achievement

Figure 2: Evaluation of Diffusion Policies in a non-randomized target environment. Top: A plot dis-

• Domain Randomization의 필수성: DR 없이는 데이터셋 규모가 크더라도 비무작위화 환경에 일반화하지 못하며, DR의 다양한 유형(perturbations, dynamic variations, terrain changes)의 효과를 입증
• 데이터셋 크기-다양성 상호작용: 조작 작업과 달리 전신 보행 제어는 안정적 성능을 위해 매우 큰 규모와 높은 다양성의 데이터셋이 필요함을 정량적으로 증명
• Humanoid 제어의 특수성: 높은 자유도와 균형 요구사항으로 인해 humanoid 보행이 조작 작업보다 데이터 효율성이 현저히 낮음을 처음 체계적으로 분석

How

Figure 1: Proposed method. First, a robust and stable RL policy is trained using AMP under ex-

• AMP 알고리즘을 사용하여 AMASS 모션 캡처 데이터(10개 시퀀스)와 목표 조건부 RL을 결합한 강건한 RL 정책 훈련
• 8가지 서로 다른 환경 설정과 3가지 데이터셋 크기로 총 24개의 구별된 데이터셋 생성
• 각 데이터셋으로 개별 및 집합적으로 Diffusion Policies 훈련
• 비무작위화 평탄 표면과 무작위화된 복잡한 지형의 두 가지 평가 설정으로 성능 검증
• 정규화 보상(Table 1)과 포괄적 Domain Randomization(Table 2) 적용

Originality

• 첫 ablation 연구: Humanoid 제어를 위한 데이터셋 생성 시 Domain Randomization의 영향에 대한 첫 체계적인 ablation 연구 제시
• 다층적 DR 분석: Perturbations, dynamic variations, terrain changes 등 다양한 DR 유형과 novel approach를 포함한 포괄적 분석
• 조작-보행 성능 격차 정량화: 동일 프레임워크 내에서 조작 작업과 전신 보행 제어의 데이터 요구사항 차이를 직접 비교
• 실제 로봇 기반 데이터: AMASS 모션 캡처 데이터와 Unitree H1 humanoid를 기반으로 현실성 높은 연구 수행

Limitation & Further Study

• 시뮬레이션 환경 국한: IsaacGym 시뮬레이션만 사용하였으며 실제 humanoid 로봇에서의 검증이 부재하므로 sim-to-real 성능 격차 미파악
• 제한된 작업 범위: 보행과 관련된 기본 작업(방향 이동, 회전)만 평가하였으며 더 복잡한 조작과 보행 통합 작업 미포함
• 계산 비용 분석 부재: 다양한 DR 설정과 데이터셋 크기에 대한 훈련 시간 및 계산 복잡도 비교 분석 미제시
• 후속 연구: 실제 humanoid 로봇에서의 sim-to-real 전이 검증, 더 복잡한 다중 작업 환경에서의 성능 평가, 온라인 학습과 결합한 적응적 정책 개선 방법 개발

Evaluation

총평: 본 논문은 humanoid 제어를 위한 Diffusion Policies의 데이터 요구사항에 대한 첫 체계적 ablation 연구로서, Domain Randomization의 중요성을 명확히 입증하고 조작-보행 작업 간의 근본적 차이를 정량화한다. 다만 실제 로봇 검증과 복잡한 작업으로의 확장이 필요하다.