MEKAWIRE
전문가arXiv

GRAFT: 고정된 범용 동작 추종 모델에 붙이는 지형 적응 모듈

Liang Li, Guoyao Zhang, Xingyu Chen, Sikai Wu, Qianyang Wu, Yuhang Lin, Renjing Xu, Mingliang Zhou, Diyun XiangXiaomi Robotics Lab; HKUST(Guangzhou)
30초 요약

샤오미 로보틱스 랩의 프리프린트에 따르면 소형 보조 신경망을 붙이자 동작 추종 모델 SONIC의 난지형 시뮬레이션 성공이 40회 중 3회에서 39회로 늘었다. 실제 유니트리 G1에서는 온보드 깊이 센서만으로 0.30m 단상과 0.10m, 0.17m 단차를 넘었고, 수정 전 모델은 같은 참조 동작으로 제자리걸음에 그쳤다.

연구 질문

전신 추종 모델을 다시 학습하지 않고 작은 지형 보정만 더해 휴머노이드가 계단, 틈, 단상을 건널 수 있는가.

문제

행동 파운데이션 모델은 녹화 영상, 원격 조작, VLA 모델 등 어떤 참조 동작이든 따라가는 단일 정책이다. 그러나 대부분 평지 동작으로 학습돼 앞쪽 지면에 맞춰 발 위치나 스윙 높이를 바꾸지 못한다.

기존 접근

기존 지형 대응 방식은 추종 모델을 인식 계층과 함께 재학습하거나 미세조정했다. 데이터와 연산 비용이 들고, 일반 추종 기능이 인식 경로에 묶여 추종 모델을 따로 교체하기 어려워진다.

새 접근

GRAFT는 추종 모델의 파라미터와 참조 인터페이스를 그대로 둔다. 경량 어댑터가 하체 실행 목표에만 지형 보정을 더한다. 과제와 발 기하 보상으로 학습하고 평지 보정에는 벌점을 주며, 이후 지형 특권 정보를 온보드 깊이 입력으로 증류한다.

결과

지형 조건별 10회 시험에서 GRAFT 적용 전후 성공 횟수는 SONIC 40회 중 3회에서 39회, Humanoid-GPT 3회에서 34회, HoloMotion 8회에서 39회, ScaleBFM 2회에서 20회였다. 복합 코스의 평균 보정량은 장애물 구간 1.529, 평지 0.408이었고 틈에서 3.488로 가장 컸다. 허리 추종 오차는 평지 1.18도에서 장애물 3.17도로 늘었다. 유니트리 G1 실기에서는 0.30m 단상과 0.10m 단차를 넘었고, 수정 전 모델은 제자리걸음을 했다. 0.17m 단차와 카트 밀기 장면도 시연했다.

한계

프리프린트다. 성공률은 조건당 10회의 소표본 시뮬레이션 수치이고, 실기 결과는 시행 횟수 없는 시연이다. 개선 폭도 고르지 않아 ScaleBFM은 내리막 계단에서 10회 중 1회에서 0회로 떨어졌고 Humanoid-GPT는 단상에서 5회에 그쳤다. 모든 추종 모델에 SONIC 데이터셋의 참조 동작을 썼으며 저자들은 추종 모델 순위가 아니라고 밝혔다. 모델마다 별도 어댑터가 필요하다.

업계 영향

추종 모델을 외부에서 들여오는 휴머노이드 기업이라면 지형 대응을 전체 재학습 대신 별도 모듈로 공급할 수 있다는 뜻이다. 한국 로봇 기업에도 같은 구조가 적용될 수 있다. 샤오미 연구진이 유니트리 G1으로 실험했다는 점도 눈에 띈다. 다만 실기 신뢰도가 측정되지 않아 당분간은 연구와 시범 단계의 가치에 머문다.

이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.