Hiking in the Wild: A Scalable Perceptive Parkour Framework for Humanoids

Motivation

• Known: Blind locomotion은 proprioception만으로 견고한 성능을 보이지만 반응형이어서 큰 장애물 회피가 어렵다. LiDAR 기반 elevation map 방식은 상태 추정 드리프트와 모션 디스토션 문제가 있다.
• Gap: 기존 depth 기반 방법들은 낮은 속도와 단순 지형(평면, 계단)에만 적용되며 임의적 구성으로 인해 재현과 확장이 어렵다. 또한 foothold precision과 reward hacking 문제가 미해결되어 있다.
• Why: Humanoid 로봇이 실제 야외 환경에서 안전하고 신속하게 이동하려면 forward-looking perception이 필수적이며, 재현 가능하고 확장 가능한 통합 프레임워크가 필요하다.
• Approach: Single-stage RL을 통해 raw depth와 proprioception을 직접 joint actions에 매핑하되, Terrain Edge Detection + Foot Volume Points로 foothold safety를 보장하고, Flat Patch Sampling으로 reward hacking을 해결한다.

Achievement

Fig. 1: Hiking in the Wild. Our framework enables a humanoid robot to traverse diverse terrains in both indoor and outdo

• Zero-shot Sim-to-Real transfer: 외부 localization이나 map reconstruction 없이 시뮬레이션 정책이 실제 로봇에서 바로 작동
• High-speed robust traversal: 계단, 갭, 경사지, 불규칙한 잔디 지형에서 최대 2.5 m/s 속도로 안전하게 주행
• Scalable safety mechanism: Terrain Edge Detection이 임의의 trimesh에 자동으로 적용되어 case-by-case 구현 불필요
• Reward hacking 해결: Flat Patch Sampling이 위치 기반 속도 명령을 생성하여 의미 있는 탐험 보장
• Open-source 배포: 최소한의 하드웨어 수정으로 실제 로봇에 배포 가능한 훈련/배포 코드 공개

How

Fig. 2: System overview. Our framework trains an end-to-end policy using simulated depth and proprioception. To ensure

• Mixture-of-Experts (MoE) 아키텍처를 활용한 깊이 인코더로 고차원 시각 데이터 처리
• Depth synthesis 모듈로 센서 노이즈와 artifacts를 모의하여 realistic training 구현
• Terrain Edge Detector가 trimesh에서 자동으로 엣지 추출, Volume Points로 침투 penalty 적용
• Flat Patch Sampling이 지형 메시에서 도달 가능한 평탄 영역 식별 후 그에 따른 velocity command 생성
• PPO 알고리즘으로 observation space (proprioception + 깊이 입력)에서 action space (joint actions)로의 매핑 최적화
• 60 Hz 깊이 센서에서 고주파 perception loop로 동적 장애물 회피 가능

Originality

• Scalable edge penalization: 기존 edge penalization을 임의의 trimesh에 자동 적용 가능하도록 확장 (Terrain Edge Detection + Foot Volume Points)
• Position-based velocity command: Flat Patch Sampling으로 reward hacking을 근본적으로 해결하는 새로운 curriculum 전략
• Realistic depth synthesis: 훈련 중 센서 노이즈 모델링으로 zero-shot transfer 달성
• High-frequency end-to-end policy: 60 Hz depth input을 직접 처리하는 단일 단계 RL로 높은 동역학 성능 구현

Limitation & Further Study

• 야외 환경의 다양한 조건(날씨, 조명, 계절 변화)에 대한 강건성 평가 부족
• Humanoid 로봇의 특정 형태(센서 위치, 체형)에 맞춘 설계로 다른 humanoid 플랫폼으로의 일반화 검증 필요
• 극한 지형(매우 높은 단차, 매우 가파른 경사)에서의 성능 한계 미명시
• 훈련 시간, 필요 데이터 규모, 수렴 안정성에 대한 상세 분석 부족
• 후속 연구로 multi-humanoid 플랫폼 검증, 실시간 환경 변화 대응, 팀 협력 주행 등 확대 가능

Evaluation

총평: 이 논문은 humanoid 로봇의 야외 주행을 위한 실용적이고 확장 가능한 end-to-end RL 프레임워크를 제시하며, Terrain Edge Detection, Foot Volume Points, Flat Patch Sampling 등 novel 메커니즘으로 safety와 reward hacking 문제를 효과적으로 해결한다. Open-source 배포와 실제 로봇 검증을 통해 높은 재현성과 실용성을 입증한 우수한 연구이다.