Learning Multi-Modal Whole-Body Control for Real-World Humanoid Robots
Created by
- Haebom
Category
Empty
저자
Pranay Dugar, Aayam Shrestha, Fangzhou Yu, Bart van Marum, Alan Fern
개요
본 논문은 다양한 휴머노이드 로봇 동작(서기, 걷기, 전신 및 부분 신체 모션 모방 등)을 위한 강건한 제어기를 제시한다. Masked Humanoid Controller (MHC)라 명명된 이 제어기는 균형을 유지하고 외부 간섭에 강건하게 대응하면서 선택된 휴머노이드 상태 변수의 부분집합에 대한 목표 궤적을 추적한다. MHC는 서기, 걷기, 최적화된 기준 궤적, 재타겟팅된 비디오 클립, 그리고 모션 캡처 데이터 등 다양한 행동 라이브러리의 부분적으로 마스킹된 모션을 모방하는 신중하게 설계된 커리큘럼을 사용하여 시뮬레이션에서 학습된다. 또한 조이스틱 기반 제어와 부분 신체 모션 모방을 결합할 수 있다. 시뮬레이션 실험을 통해 부분적으로 지정된 목표 동작으로부터 다양한 행동을 실행하는 MHC의 능력을 검증하고, 실제 Digit V3 휴머노이드 로봇에서 시뮬레이션-실제 전이를 보여준다. 본 논문에서 제시된 MHC는 실제 휴머노이드 로봇의 전신 제어를 다양한 다중 모드 목표에 대해 구현하는 최초의 학습 기반 제어기이다.
시사점, 한계점
•
시사점:
◦
다양한 다중 모드 목표에 대한 실제 휴머노이드 로봇의 전신 제어를 가능하게 하는 최초의 학습 기반 제어기를 제시.
◦
시뮬레이션에서 학습된 제어기를 실제 로봇에 성공적으로 전이.
◦
부분적으로 지정된 목표 동작으로부터 다양한 행동을 실행 가능.
◦
조이스틱 기반 제어와 부분 신체 모션 모방 결합 가능.
•
한계점:
◦
현재는 Digit V3 로봇에 대한 실험 결과만 제시되어 다른 로봇 플랫폼으로의 일반화 가능성에 대한 추가 연구 필요.
◦
학습된 제어기의 강건성에 대한 추가적인 평가 필요 (예: 예상치 못한 장애물이나 외부 충격에 대한 반응).
◦
더욱 복잡하고 동적인 환경에서의 성능 평가 필요.
