CMR: Contractive Mapping Embeddings for Robust Humanoid Locomotion on Unstructured Terrains

Motivation

Known: deep RL을 통한 휴머노이드 보행이 복잡한 지형에서 가능하나, 센서 노이즈와 sim-to-real gap으로 인해 정책이 불안정해진다. 기존 Lipschitz 제약 방법(LCP)은 단순한 보행에만 제한된다.
Gap: 복잡한 휴머노이드 보행에서 관찰 노이즈에 대한 체계적 robustness 분석과 이론적 보장이 부족하다. 기존 low-pass filter나 smoothness reward는 튜닝 오버헤드와 탐색 제한 문제가 있다.
Why: 미구조화된 지형에서 휴머노이드 로봇의 배포 시 센서 노이즈는 불가피하며, 이를 견디는 강건한 제어기는 실세계 응용에 필수적이다.
Approach: CMR은 관찰 값을 contractive mapping을 통해 latent space로 인코딩하여 local perturbation이 시간에 따라 감소하도록 유도하고, contraction mapping theorem을 적용하여 return gap에 대한 이론적 경계를 제시한다.

Achievement

Fig. 1: The left panel illustrates diverse types of challenging

이론적 기여: contraction mapping theorem을 learning-based 휴머노이드 보행에 처음 적용하여 observation noise 하에서 return gap의 엄밀한 상한을 도출
실험적 성능: 다양한 지형(stairs, stepping stones, balance beams 등)에서 CMR이 기존 알고리즘 대비 노이즈 증가 시 우수한 성능 달성
통합 용이성: CMR이 auxiliary loss term으로 표현되어 기존 deep RL 파이프라인에 최소한의 추가 노력으로 통합 가능
일반화: sim-to-sim 실험에서 zero-shot 배포 시에도 성능 유지 확인

How

Fig. 2: Overview of the CMR framework. Noisy ob-

POMDP 기반 휴머노이드 보행 문제를 정식화하되, 관찰값에 uniform noise δ_t^s를 추가하여 모델링
encoder I_t가 현재/과거 proprioception 및 perception을 latent space로 매핑하도록 학습
Lipschitz regularization을 통해 latent dynamics의 Lipschitz constant를 제어하여 contraction 성질 보장
contrastive representation learning objective를 결합하여 task-relevant geometry 보존 동시에 노이즈 감쇠 달성
deep RL policy optimizer와 함께 end-to-end 학습 수행

Limitation & Further Study

논문에서 제시된 실험은 주로 시뮬레이션 기반이며, 실제 로봇에서의 검증 부족
contraction 강도를 제어하는 하이퍼파라미터 선택에 대한 체계적 지침 미흡
noise model이 uniform distribution으로 제한되어 있으며, 색상 노이즈(colored noise)나 비정상 노이즈에 대한 확장 미흡
고차원 관찰(high-resolution camera 등)에 대한 scalability 분석 부재
후속연구로 실제 로봇 배포, 다양한 노이즈 분포에 대한 적응, 그리고 vision-based 고차원 입력 처리 개선 필요

Evaluation

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

총평: CMR은 contraction mapping theorem을 휴머노이드 로봇 제어에 엄밀하게 도입하여 이론적 근거와 실증적 성능을 모두 제시한 강한 논문이다. 다양한 지형에서의 노이즈 robustness 개선과 기존 파이프라인과의 용이한 통합이 주요 강점이나, 실제 로봇 검증과 노이즈 모델 확장이 필요하다.