HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model

Motivation

• Known: Humanoid 로봇은 완전 작동(fully actuated) 물체 조작에서 성과를 보였으며, recent research는 large-scale motion datasets과 motion imitation을 통해 whole-body control을 향상시켰다.
• Gap: 기존 방법들은 로봇의 end-effector에 경직되게 결합된 완전 작동 물체 중심이며, 독립적인 동역학과 비홀로노믹 제약을 가진 underactuated 물체(스케이트보드, 카트 등)에 대한 제어 능력이 부족하고 외부 상태 추정에 의존한다.
• Why: Underactuated 물체와의 상호작용은 시각 폐색과 동역학 결합력의 복잡성을 야기하며, proprioception 기반의 robust 제어 방법 개발은 현실의 미구조화된 환경에서 humanoid 로봇의 실용성을 크게 향상시킬 수 있다.
• Approach: Proprioceptive history로부터 고차 가속도를 명시적으로 예측하고 이를 static geometric prior에 projection하여 dynamic occupancy map을 구성하는 dynamics predictor를 제안하며, asymmetric fine-tuning을 통해 world model이 policy 탐색에 지속 적응하도록 설계했다.

Achievement

Fig. 2: HAIC excels at complex interactions, particularly with underactuated

• Dynamics-Aware World Model: High-order acceleration inference와 geometric projection을 통합하여 정적 payload와 동적 underactuated 물체에 대한 통일된 상태 추정 실현
• Asymmetric Adaptive Distillation: Privileged geometric/dynamic reasoning을 sensor-limited student policy로 전이하는 robust two-stage training pipeline 개발
• Real-World Performance: Skateboarding, cart pushing/pulling, multi-terrain box carrying 등의 agile underactuated tasks에서 SOTA 성능 달성 및 external sensing 없이 100% 성공률 입증

How

Fig. 3: Overview of our Dynamics-aware World Model. It predicts object

• Proprioceptive history 분석을 통한 선형/각 가속도 명시적 예측으로 underactuated 물체의 독립적 운동 추세 포착
• 예측된 동역학 상태를 점군(point cloud) 기반 static geometric prior에 명시적으로 project하여 spatially grounded dynamic occupancy 표현 구성
• 시뮬레이션과 실제 환경의 격차 해소를 위한 asymmetric fine-tuning 전략으로 world model이 student policy 탐색에 온라인 적응
• Multi-object interaction 지원을 위한 Contact Guidance Strategy 설계
• Inertial perturbation에 대한 사전적(proactive) 보상을 통한 agile interaction 실현

Originality

• Proprioception-centric dynamics prediction 패러다임으로 vision-based world model과 차별화
• High-order acceleration 명시적 예측과 geometric projection의 novel 결합으로 blind spot에서의 collision boundary 및 contact affordance 추론 가능
• Asymmetric adaptive distillation을 통한 distribution shift 대응으로 sim-to-real transfer 강건성 향상
• Underactuated 물체 제어를 humanoid whole-body control의 unified framework 내에 포함시킨 첫 시도

Limitation & Further Study

• 외부 state estimation 없이는 극도의 동역학 변화(예: 급격한 하중 변화)에 대한 적응 능력 검증 필요
• 정적 geometric prior가 변형 가능한 물체(deformable objects)에 대해서는 제한적일 수 있음
• Real-world 실험이 특정 humanoid 플랫폼과 task set에 제한되어 다른 로봇 형태로의 일반화 검증 부족
• Asymmetric fine-tuning의 online adaptation이 실시간 성능에 미치는 영향 및 계산 복잡도 분석 필요
• 장시간 interaction에서 world model의 누적 오류(drift)가 성능에 미치는 영향에 대한 분석 보완 필요

Evaluation

총평: 본 논문은 humanoid 로봇의 underactuated 물체 상호작용이라는 현실적으로 중요한 문제를 proprioception 기반의 창의적인 dynamics prediction과 geometric projection으로 우아하게 해결하며, 실제 로봇에서 SOTA 성능을 입증한 매우 강력한 기여이다.