It Takes Two: Learning Interactive Whole-Body Control Between Humanoid Robots

Motivation

• Known: 기존 humanoid motion imitation 연구는 단일 에이전트 시나리오에 초점을 맞추고 있으며, motion retargeting과 reinforcement learning 기반 motion control이 개별 로봇의 동작 학습에 효과적임이 알려져 있다.
• Gap: 단일 로봇 방법론들은 '고립 문제'를 무시하여 에이전트 간 역학을 고려하지 않음으로써 접촉 정렬 오류, interpenetration, 비현실적 동작을 야기한다. 다중 로봇 상호작용을 명시적으로 모델링하는 프레임워크가 부재하다.
• Why: 휴머노이드 로봇의 진정한 잠재력은 단순 자율성을 넘어 다중 로봇 간 물리적 기반의 사회적 상호작용에 있으며, 요양 보호, 재활 지원, 협력 제조 등 실제 응용에서 필수적이다.
• Approach: Harmanoid는 SMPL 접촉을 로봇 꼭짓점과 정렬하는 contact-aware motion retargeting과 상호작용 특화 보상을 활용하는 interaction-driven motion controller의 두 단계 파이프라인을 제시한다.

Achievement

Figure 5: Qualitative comparison between Inter-X mocap data, single-PHC retargeting, and our contact-aware retargeting

• Contact-aware motion retargeting: SMPL 접촉 정보와 mesh 충돌 감지를 활용하여 inter-body 거리를 최적화하고 interpenetration을 약 25% 감소시킴
• Interaction-driven motion controller: 상호작용 특화 보상 설계와 curriculum learning을 통해 coordinated keypoint와 물리적으로 타당한 접촉을 강제함
• 성능 개선: Inter-X Dataset에서 단일 motion imitation 프레임워크 대비 현저히 높은 성공률과 정확한 motion tracking 달성
• 새로운 벤치마크: 쌍 로봇 상호작용 동작 모방의 첫 번째 포괄적 평가 제시

How

Figure 3: Overview of our motion retargeting pipeline that

• Motion retargeting 단계: SMPL 모델에서 추출한 인간 접촉점과 로봇 메시 꼭짓점을 매칭하여 shape optimization 수행
• Contact detection: 고주파 mesh collision detection으로 inter-body 접촉 식별 및 거리 제약 조건 생성
• Interaction-driven rewards: 기본 pose tracking loss에 coordinated keypoint penalty와 contact-based reward 추가
• Curriculum learning: 초기에 단순 motion부터 학습하여 점진적으로 복잡한 상호작용 동작으로 확장
• Reinforcement learning: PPO 기반 motion controller 훈련으로 reference trajectory 추적 및 물리 제약 만족 동시 달성

Originality

• 처음으로 dual-humanoid motion imitation의 '고립 문제'를 명시적으로 식별하고 해결하는 프레임워크 제시", 'Motion retargeting과 motion control을 연계하는 통합 pipeline으로 inter-agent dynamics를 모델링
• Contact-aware 최적화를 kinematic retargeting에 통합하여 상호작용 특화 제약 조건 처리
• 상호작용 특화 보상 설계로 기존 single-humanoid reward 구조 확장
• Inter-X Dataset 도입으로 다중 휴머노이드 상호작용 평가의 새로운 벤치마크 제공

Limitation & Further Study

• 현재 framework는 dual-humanoid (2개 로봇)에만 초점을 맞추고 있으며, 3개 이상의 다중 로봇 시나리오로의 확장성 미검증
• Curriculum learning 설계가 수작업 기반이므로 새로운 상호작용 유형에 대한 자동화된 적응 방법 부재
• 실제 로봇 배포 결과가 논문에 미포함되었으며, sim-to-real gap에 대한 분석 필요
• motion capture 데이터 해상도 및 사람-로봇 형태 차이로 인한 오류 누적 가능성
• 후속연구: (1) 다중 에이전트(3+)로 확장하는 hierarchical control framework 개발, (2) 자동화된 curriculum learning 정책 학습, (3) 실제 로봇 실험 및 transfer learning 검증, (4) 동적 상호작용 추가 (예: 밀기, 던지기) 포함

Evaluation

총평: Harmanoid는 다중 휴머노이드 상호작용 동작 모방의 명확한 문제를 체계적으로 해결하며, contact-aware retargeting과 interaction-aware control의 결합으로 고립 문제를 효과적으로 극복하는 첫 프레임워크이다. 종합적인 실험과 우수한 성능으로 humanoid robotics 분야에 중요한 기여를 하나, sim-to-real 검증 부재와 2-agent 제한이 실제 적용의 완전성을 제약한다.