Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot

Essence

Fig. 1: Our work introduces a human-inspired weightlessness mechanism that controls robot joints to selectively relax wh

휴머노이드 로봇이 비자기안정화(non-self-stabilizing) 동작을 수행할 때 인간의 '무중력 상태' 메커니즘을 모방하여 특정 관절을 선택적으로 이완시킴으로써 환경과의 물리적 접촉을 통해 동작을 완성하는 방법을 제안한다.

Known: 모방 학습과 강화학습의 결합은 휴머노이드 전신 제어에서 자기안정화(self-stabilizing) 동작들(걷기, 춤추기 등)에 성공했으나, 의자에 앉기, 누워있기, 벽에 기대기 같은 환경 의존적 동작 연구는 제한적이었다.
Gap: 기존 모방학습 방법은 강체 궤적 추적을 강요하며 환경과의 물리적 상호작용을 무시하여, 로봇이 실제 접촉 없이 시각적으로만 올바른 '가짜 앉기' 자세를 취하는 문제가 발생한다.
Why: 비자기안정화 동작은 로봇이 일상 환경에서 상호작용해야 하는 핵심 기술이며, 다양한 환경 구성(높이, 기울기 등)에 일반화될 수 있는 접근법은 실제 로봇 응용의 실용성을 크게 향상시킨다.
Approach: 인간이 특정 관절을 이완시켜 통제된 자유낙하를 통해 환경과 접촉하는 생물학적 메커니즘에서 영감을 받아, 무중력상태 자동 라벨링 전략으로 학습 데이터를 구성하고, 어떤 관절을 어느 수준으로 이완할지를 동적으로 결정하는 Weightlessness Mechanism(WM)을 설계하여 모방학습 정책과 함께 훈련한다.

Fig. 1: Our work introduces a human-inspired weightlessness mechanism that controls robot joints to selectively relax wh

Fig. 5: Framework. The method consist of 4 components: (a) We collected videos of sitting, lying, and leaning (shoulder

비디오 시연 수집: 앉기, 누워있기, 어깨/팔꿈치로 기대기 각 50개씩 총 200개의 비디오 수집
SMPL 동작 데이터 추출: GVHMR을 사용하여 모션 캡처 데이터 추출 및 세계 포인트 클라우드 재구성
무중력상태 자동 라벨링: 환경 지원 객체(의자, 침대, 벽)를 높이 맵으로 재구성하고, 모션 시퀀스에서 어떤 관절을 이완할지 자동으로 주석 달기
2단계 훈련: 첫 번째 단계에서는 비대칭 PPO 알고리즘으로 모방학습 수행, 두 번째 단계에서는 LSTM 기반 WM 네트워크가 연속적 관절 이완 레벨 예측
정책 미세조정: 훈련된 WM 네트워크의 신호로 모방학습 정책을 미세조정하여 자연스러움과 강건성 향상

데이터 수집이 200개의 비디오 시연에 제한되어 있으며, 더 다양한 동작과 환경에 대한 일반화 가능성 불명확
Unitree G1 로봇에서만 검증되었으며, 다른 휴머노이드 플랫폼에서의 적용 가능성 미지수
외부 교란이 일정한 높이로만 적용되어 더 복잡한 동적 환경에서의 견고성 미검증
모션 캡처 데이터에 대한 의존성이 높아 실제 인간 동작의 다양성을 완전히 포착하지 못할 가능성
후속 연구 방향: 더 많은 비자기안정화 동작(계단 내려가기, 슬라이딩 등) 확대, 다양한 휴머노이드 플랫폼 적용, 시각 피드백을 활용한 환경 적응 강화, 강화학습과의 통합을 통한 탐색 능력 개선