CART: Context-Aware Terrain Adaptation using Temporal Sequence Selection for Legged Robots

Motivation

• Known: 기존 지형 적응 방법들은 카메라 기반 시각 정보에 의존하며, 일부 연구에서는 시각과 고유감각을 결합하여 안정적인 보행을 달성했다. 그러나 시뮬레이션 기반 학습은 실제 환경의 '시각-촉각 역설(Visual-Texture Paradox)'을 반영하지 못한다.
• Gap: 기존 방법들은 시각 정보만으로는 복잡한 지형을 정확히 이해할 수 없으며, 시뮬레이션에서 학습한 정책이 실제 환경의 미묘한 차이를 처리하지 못하는 sim-to-real 갭이 존재한다. 또한 로봇이 실시간으로 시각과 촉각 신호 간의 불일치를 해결할 수 있는 적응형 제어 방법이 부족하다.
• Why: 사족 로봇의 오프로드 자율 주행은 탑재량 배송, 수색 및 구조, 환경 감시 등 중요한 응용 분야에 필수적이며, 복잡한 지형에서의 안정적이고 견고한 보행은 미션 성공과 센서 신뢰성에 직접 영향을 미친다.
• Approach: CART는 RGBD 이미지, friction meshes, 고유감각 데이터(관절 토크, 발 미끄러짐)를 입력으로 받아 attention 기반의 context vector를 생성하고, 이를 통해 속도와 보행 높이를 결정하는 정책을 학습한다. 시뮬레이션에서 학습한 수열 라이브러리로부터 현재 상태의 맥락과 일치하는 최적의 제어 수열을 선택하여 적용한다.

Achievement

Fig. 4: Relationship between lateral foot perturbation magnitude

• 시뮬레이션 성공률 향상: 모든 기준선 방법 대비 평균 5% 높은 성공률 달성
• 실제 환경 안정성 개선: 진동 안정성을 시뮬레이션에서 45%, 실제 환경에서 24% 개선
• 순행 시간 유지: 로봇의 이동 시간을 증가시키지 않으면서 안정성 개선
• 멀티모달 센서 통합: 시각과 고유감각의 동적 맥락 전환으로 각 신호의 정보 가치를 최대화

How

Fig. 2: Overview of the Pipeline: CART inputs a stream of RGBD images Sv, friction meshes Sm using [19], and propriocept

• State representation: 카메라 기반 시각 특성(Sv), friction mesh(Sm), 고유감각 정보(Sp)를 결합하여 상태 공간 구성
• Context-aware decision training: attention 메커니즘을 통해 현재 시간 단계에서 시각과 고유감각 간의 관계를 나타내는 context vector(Ct) 생성
• Reward function design: velocity tracking error 최소화, proprioceptive slip(고관절과 다리의 베이스로부터의 오프셋) 최소화, joint effort(에너지) 최소화의 3개 목표로 구성
• Temporal sequence selection: 학습된 정책으로부터 생성된 수열 라이브러리에서 현재 상태의 context vector와 가장 일치하는 제어 수열을 선택하여 적용
• Sim-to-real transfer: 시뮬레이션 환경(IsaacSim)에서 ANYmal-C를 이용해 학습하고 실제 환경에서 Boston Dynamics SPOT으로 검증

Originality

• 시각-촉각 역설(Visual-Texture Paradox) 개념 명시적 제시 및 이를 해결하기 위한 맥락 기반 적응 프레임워크 제안
• Proprioceptive signal(발 미끄러짐, 고관절 오프셋)을 직접 보상 함수에 포함시켜 진동 안정성 최적화
• Attention 기반 context vector를 통해 시각과 고유감각 간의 동적 가중치 조정, 각 모달리티의 신뢰도를 상황별로 다르게 평가
• Temporal sequence selection 전략으로 학습 정책의 일관성을 유지하면서도 현재 맥락에 가장 적합한 제어 선택

Limitation & Further Study

• 평가가 ANYmal-C(시뮬레이션) 및 SPOT(실제)의 2종 로봇으로 제한되어 다양한 형태의 사족 로봇에 대한 일반화 가능성이 불명확함
• 극한 날씨(폭설, 폭우)나 매우 급경사 지형 등 극단적 환경에 대한 성능 평가 부재
• Context vector의 해석가능성(interpretability) 및 실패 케이스에 대한 분석 부족
• 후속 연구: 더 많은 지형 유형과 환경 조건에서의 평가, context vector의 시각화 및 물리적 의미 분석, 다족(hexapod, octopod) 및 이족 로봇으로의 확장
• 후속 연구: 온라인 학습(online learning)을 통한 실시간 적응 능력 강화, 계절 변화나 장기 환경 변화에 대한 적응

Evaluation

총평: CART는 시각과 고유감각의 불일치 문제를 명시적으로 인식하고 이를 해결하기 위한 창의적인 맥락 기반 제어 프레임워크를 제시하며, 시뮬레이션과 실제 환경 모두에서 안정성 개선을 입증한 의미 있는 연구이다. 다만 평가 범위 확대와 방법론의 일반화 가능성 검증이 필요하다.