HMC: Learning Heterogeneous Meta-Control for Contact-Rich Loco-Manipulation

Motivation

• Known: 기존 위치만 기반의 제어기는 접촉이 많은 작업에서 부정확하며, 전통적 임피던스 및 하이브리드 힘-위치 제어는 수동 튜닝이 필요하고 일반화가 어렵다.
• Gap: 다양한 제어 모달리티를 연속적으로 혼합하는 통합 인터페이스 부재, 위치 전용 데이터 불균형 문제, 제어기 간 급격한 전환으로 인한 토크 불연속성 해결 필요.
• Why: 로봇이 가정, 창고, 재난 현장 등 실제 환경에서 걷기와 조작을 동시에 수행해야 하는데, 접촉 역학을 무시한 제어기는 위험한 진동과 과도한 힘을 생성하기 때문이다.
• Approach: HMC-Controller를 통해 토크 공간에서 여러 제어 프로파일을 연속적으로 혼합하고, HMC-Policy가 soft mixture-of-experts 라우팅으로 여러 제어기의 예측을 가중합하는 이질적 아키텍처를 학습한다.

Achievement

Fig. 1: Rolling out HMC for contact-rich tasks on a humanoid robot. Compared to na¨ıve position-only policies [5, 26,

• HMC-Controller 인터페이스: 위치, 임피던스, 하이브리드 힘-위치 제어기로부터의 토크 명령을 토크 공간에서 연속적으로 혼합하여 원격조종과 정책 배포 모두 지원
• HMC-Policy 이질적 설계: soft MoE 라우팅을 통해 대규모 위치 전용 시연과 미세한 힘 인식 시연을 통합 학습하며 전문가 붕괴 방지
• 실제 로봇 성능: 테이블 닦기, 서랍 열기 등 접촉 많은 작업에서 기준선 대비 50% 이상 상대적 개선 달성

How

Fig. 2: System overview. HMC-Controller accepts inputs from either a VR-based teleoperation system or HMC-Policy

• 세 가지 primitive 제어기 구현: 표준 PD 위치 제어기(식 1), joint-space 임피던스 제어기(식 2), Cartesian-space 임피던스 제어기
• soft routing 메커니즘으로 예측된 가중치를 사용하여 여러 전문가 제어기의 토크 출력을 선형 결합
• 사전학습-미세조정 패러다임: 공개 위치 전용 시연으로 사전학습 후 힘 인식 시연으로 미세조정
• VR 기반 원격조종 시스템과 정책 추론 경로 모두에서 동일한 HMC-Controller 인터페이스 사용
• 전체 몸 휴머노이드 제어기와 결합하여 상체 조작과 하체 이동성 동시 실현

Originality

• 토크 공간에서의 연속적 제어 프로파일 혼합은 기존 이산적 제어기 전환 방식과 구별되며 안정성과 해석가능성 향상
• 혼합 데이터 소스(위치 전용 + 힘 인식)를 처리하는 이질적 정책 아키텍처는 기존 단일 제어 타입 의존성 극복
• soft MoE 라우팅의 적용으로 다중 제어 전문가 간 부드러운 전환과 실시간 피드백 기반 적응 실현

Limitation & Further Study

• 평가가 단일 휴머노이드 로봇에 국한되어 다른 형태의 로코-조작 시스템에 대한 일반화 가능성 미불명
• force 센서 요구사항과 각 제어기별 calibration 복잡도에 대한 논의 부족
• soft routing 가중치의 동적 예측 메커니즘 학습에 필요한 데이터량 및 계산 비용에 대한 분석 부재
• 후속연구: 다양한 플랫폼으로 확장, force 센서 없는 접근법, 온라인 적응 능력 강화

Evaluation

총평: HMC는 실제 접촉이 많은 조작 작업의 도전을 체계적으로 해결하는 실용적이고 혁신적인 프레임워크로, 통합된 제어 인터페이스와 이질적 정책 설계가 50% 이상의 성능 향상을 달성하며 로코-조작 분야에 의미 있는 기여를 제시한다.