General Humanoid Whole-Body Control via Pretraining and Fast Adaptation
저자: Zepeng Wang, Jiangxing Wang, Shiqing Yao, Yu Zhang, Ziluo Ding, Ming Yang, Yuxuan Wang, Haobin Jiang, Chao Ma, Xiaochuan Shi, Zongqing Lu | 날짜: 2026-02-12 | DOI: 10.48550/arXiv.2602.11929📄 PDF
⚠️ 이 페이지의 요약·평가·해설은 생성형 AI(Claude)가 자동 생성한 2차적 분석물입니다. 논문 원문의 저작권은 원저작자에게 있으며, 정확한 내용은 원문(위 DOI·arXiv 등 출처)을 확인하세요.
라이선스: 출판사 보유(All rights reserved)
Essence
🔒 원문 도표는 라이선스(위 표시)상 여기서 재현하지 않습니다 — 원문에서 확인하세요.
Figure 2: An overview of FAST. Our framework consists of three stages. (1) We construct a curated
FAST는 대규모 사전학습과 경량 잔여 정책 적응을 결합하여 인간형 로봇의 일반적인 전신 제어를 가능하게 하는 프레임워크이다. Center-of-Mass-Aware Control과 Parseval-Guided Residual Policy Adaptation을 통해 분포 외 동작에 대한 빠른 적응과 안정적인 균형을 동시에 달성한다.
Motivation
Known: 기존 학습 기반 전신 제어 방법들은 작은 모션 데이터셋으로 학습되어 고품질의 제어된 환경에서는 잘 작동하나, 실제 세계의 다양한 소스(비디오 추정, 텍스트 생성, 저품질 모션)로부터 나온 분포 외 동작에 대해서는 견고성이 떨어진다.
Gap: 기존 방법들은 (1) 단순 확장 기반 학습은 계산 제약과 추론 지연으로 인해 배포 불가능하고, (2) 빠른 적응 시 사전학습 능력의 손상(catastrophic forgetting)이 발생하며, (3) 고동적 동작에서의 균형 유지가 어렵다.
Why: 인간형 로봇이 실제 환경에서 다양한 작업을 수행하기 위해서는 단일 제어기가 이질적인 모션 소스에 대응하면서도 저지연과 높은 주파수 제어를 유지해야 하기 때문이다.
Approach: FAST는 (1) Center-of-Mass 관찰과 목적함수를 포함한 일반 정책을 대규모로 사전학습하고, (2) Parseval-Guided Residual Policy Adaptation으로 직교성과 KL 제약 하에서 경량 델타 정책을 학습하여 빠른 적응을 가능하게 한다.
Achievement
🔒 원문 도표는 라이선스(위 표시)상 여기서 재현하지 않습니다 — 원문에서 확인하세요.
Figure 3: Fast adaptation on LaFan1 and MotionX (target) with performance retention on AMASS (source).
Zero-shot 견고성: 사전학습된 정책이 고동적 동작과 분포 외 모션을 포함한 다양한 시나리오에서 강력한 추적 성능을 보임
빠른 적응 효율성: Parseval 정규화와 KL 제약을 통해 경량 잔여 정책으로 새로운 모션 분포에 신속하게 특화되면서 사전학습 능력 보존
총평: FAST는 실용적인 제약 조건 하에서 인간형 로봇의 일반적이고 견고한 전신 제어를 달성하는 잘 설계된 프레임워크이며, Center-of-Mass-Aware 제어와 Parseval-Guided 잔여 적응의 조합은 분포 외 동작 적응에서 새로운 접근 방식을 제시한다.