Global-Local Attention Decomposition for Terrain Encoding in Humanoid Perceptive Locomotion

Motivation

• Known: 기존 reinforcement learning 기반 보행 정책은 blind policy로도 불규칙한 지형에서 안정적인 보행을 달성할 수 있지만, sparse-foothold terrain에서는 정확한 발판 선택을 위해 terrain-specific curriculum이나 expert policy, handcrafted foothold reward에 의존하는 경향이 있다. AME와 AME-2는 attention mechanism을 활용한 선행 연구이나, 두 지각 목표를 하나의 attention mechanism 내에서 혼재시킨다.
• Gap: 기존 terrain encoder는 geometric compression 작업을 고립된 과제로 취급하며 로봇의 kinematic state를 무시하는 경향이 있어서, fine-grained geometric cue를 희석시키고 encoded feature와 reachable foothold region 간의 spatial correspondence를 약화시킨다. 또한 기존의 attention 기반 방법들은 광범위한 지형 맥락 수집과 정확한 발판 관련 geometry 인코딩이라는 두 가지 필수적인 지각 역할을 명시적으로 분리하지 못한다.
• Why: sparse-foothold terrain에서의 정확한 foothold placement는 인간형 로봇의 안정된 보행의 핵심이며, 이는 광범위한 지형 인식과 정밀한 국소적 기하학적 이해를 동시에 요구한다. 명시적 attention decomposition을 통해 이 두 목표를 분리하면 fine-grained spatial cue의 희석을 방지하면서도 계산 오버헤드를 감소시킬 수 있다.
• Approach: CNN이 robot-centric elevation map에서 spatially aligned local feature를 추출한 후, global attention branch는 attention pooling을 이용해 주변 지형 맥락을 요약하고, state-conditioned local attention branch는 sparsification과 multi-head attention (MHA)을 통해 정확한 foothold 관련 기하학을 인코딩한다. 이 두 branch는 명시적 attention supervision 없이 보완적인 행동을 학습한다.

Achievement

Fig. 1. Real-world locomotion results on the Unitree G1 humanoid robot. A

• GLAD는 sparse-foothold terrain(stepping stone, staircase, 70cm 이상의 gap)에서 안정적인 보행을 가능하게 함.

• 명시적 navigation planner 없이 간단한 velocity command만으로 narrow path 추종, obstacle 회피 등의 emergent terrain-responsive 행동을 나타냄.

• Unitree G1 humanoid robot에 onboard LiDAR 기반 elevation map을 사용하여 zero-shot sim-to-real transfer 달성.

How

Fig. 2.

• CNN을 통한 robot-centric elevation map의 spatially aligned local feature 추출

• Global attention branch: attention pooling으로 주변 지형 맥락 요약

• Local attention branch: state-conditioned sparsification과 MHA로 foothold 관련 geometry 인코딩

• 두 branch의 결과를 결합하여 locomotion policy에 제공

• Reinforcement learning 프레임워크 내에서 end-to-end 학습

Originality

• Global과 local attention의 명시적 분리라는 아키텍처 설계가 기존 방식(두 목표를 단일 attention mechanism에 혼재)과 차별화됨.

• State-conditioned local feature sparsification이라는 효율성 개선 메커니즘 도입.

• Coarse-to-fine encoder 구조로 broad context와 fine-grained geometry를 동시에 처리하는 설계.

• Emergent navigation 행동의 발현을 natural한 RL 학습 결과로 제시.

Limitation & Further Study

• 논문은 terrain-specific curriculum이나 expert policy에의 의존도는 감소시키지만, elevation map 기반 접근이 가지는 본질적 한계(예: occluded region의 처리)에 대한 논의 부족.

• Zero-shot sim-to-real transfer의 성공이 보고되었으나, 실패 사례나 한계 환경에 대한 분석 미흡.

• Global과 local attention branch의 상대적 기여도 분석이나 각 branch의 필수성에 대한 ablation study 결과가 제시되지 않음.

• 다른 terrain encoder (AME, AME-2 등)과의 직접적인 정량적 비교 평가 부재.

Evaluation

총평: 본 논문은 인간형 로봇의 sparse-foothold 보행을 위해 attention mechanism의 역할을 명시적으로 분리하는 GLAD를 제안하며, 이론적 동기부여가 명확하고 실제 로봇 배포에서 우수한 성능을 달성했다는 점에서 의미 있는 기여를 한다. 다만, 더 철저한 ablation study와 기존 방법과의 정량적 비교가 보충되면 더욱 강력한 논문이 될 것이다.