# AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control

### 저자

Jialong Li, Xuxin Cheng, Tianshu Huang, Shiqi Yang, Ri-Zhao Qiu, Xiaolong Wang

### 개요

본 논문은 고차원 자유도(DoF)와 비선형 역학으로 인해 실제 휴머노이드 로봇에서 숙련된 전신 동작을 구현하는 데 어려움이 있음을 지적하며, 이를 해결하기 위해 시뮬레이션-실제 강화학습(RL)과 궤적 최적화를 통합한 적응형 동작 최적화(AMO) 프레임워크를 제안합니다.  AMO는 모션 모방 RL에서의 분포 편향을 완화하기 위해 하이브리드 데이터셋을 구축하고, OOD 명령어에도 강건하게 적응할 수 있는 네트워크를 훈련합니다.  29-DoF Unitree G1 휴머노이드 로봇을 이용한 시뮬레이션 및 실제 실험을 통해 기존 방법보다 향상된 안정성과 확장된 작업 공간을 보여주며, 모방 학습을 통한 자율적인 작업 실행 가능성을 입증합니다.

### 시사점, 한계점

- **시사점:**

    - 고차원 자유도를 가진 휴머노이드 로봇의 전신 제어 문제에 대한 효과적인 해결책 제시

    - 시뮬레이션-실제 강화학습과 궤적 최적화를 결합한 새로운 프레임워크 AMO 제안

    - OOD 명령어에 대한 강건한 적응 능력을 가진 로봇 제어 시스템 개발

    - 실제 휴머노이드 로봇에서 향상된 안정성 및 확장된 작업 공간 확보

    - 모방 학습을 통한 자율적인 작업 수행 가능성 증명

- **한계점:**

    - AMO 프레임워크의 일반화 성능에 대한 추가적인 연구 필요

    - 다양한 환경 및 작업에 대한 로봇의 적응력 평가 필요

    - 실제 환경에서 발생할 수 있는 예상치 못한 상황에 대한 로봇의 대처 능력 검증 필요

    - 하이브리드 데이터셋 구성 및 네트워크 훈련 과정의 효율성 개선 필요

[PDF 보기](https://arxiv.org/pdf/2505.03738)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).