PRIOR: 참조 보행 패턴을 활용한 휴머노이드 로봇의 지각적 학습 기반 이동 제어

PRIOR: Perceptive Learning for Humanoid Locomotion with Reference Gait Priors

복잡한 지형에서 자연스러운 보행 패턴을 갖춘 휴머노이드 로봇의 이동 제어 정책을 학습하는 것은 여전히 해결해야 할 과제이며, 일반적으로 다단계 학습 파이프라인, 적대적 목표 또는 광범위한 실제 환경 보정이 필요합니다. 본 연구에서는 Isaac Lab 기반으로 개발된 효율적이고 재현 가능한 프레임워크인 PRIOR을 제시합니다. PRIOR은 단순하면서도 효과적인 설계(i) 파라미터 기반 보행 생성기로 적대적 학습 없이 모션 캡처 데이터를 기반으로 안정적인 참조 경로를 제공하고, (ii) GRU 기반 상태 추정기로 자가 지도 학습 기반 높이 맵 재구성을 통해 로봇의 시점에서 얻은 깊이 이미지로부터 지형 정보를 직접 추론하며, (iii) 지형에 적응하는 보폭 보상 시스템을 통해 발 위치를 이동 가능 영역으로 유도합니다. 깊이 이미지 해상도 간의 균형을 체계적으로 분석하여, 실시간 제약 조건 하에서 지형 정확도를 극대화하면서 지각적 부담을 크게 줄이는 설정을 식별했습니다. 다양한 난이도의 지형(계단, 상자, 틈새 등)에서의 종합적인 실험 결과는 각 구성 요소가 상호 보완적이며 필수적인 성능 향상을 가져온다는 것을 보여줍니다. 전체 프레임워크는 100%의 이동 성공률을 달성했습니다. 본 연구에서는 학습 파이프라인, 파라미터 기반 보행 생성기 및 평가 벤치마크를 포함한 전체 PRIOR 프레임워크를 공개하여 Isaac Lab 기반 휴머노이드 로봇 이동 연구를 위한 재현 가능한 기반을 제공할 것입니다.

Training perceptive humanoid locomotion policies that traverse complex terrains with natural gaits remains an open challenge, typically demanding multi-stage training pipelines, adversarial objectives, or extensive real-world calibration. We present PRIOR, an efficient and reproducible framework built on Isaac Lab that achieves robust terrain traversal with human-like gaits through a simple yet effective design: (i) a parametric gait generator that supplies stable reference trajectories derived from motion capture without adversarial training, (ii) a GRU-based state estimator that infers terrain geometry directly from egocentric depth images via self-supervised heightmap reconstruction, and (iii) terrain-adaptive footstep rewards that guide foot placement toward traversable regions. Through systematic analysis of depth image resolution trade-offs, we identify configurations that maximize terrain fidelity under real-time constraints, substantially reducing perceptual overhead without degrading traversal performance. Comprehensive experiments across terrains of varying difficulty-including stairs, boxes, and gaps-demonstrate that each component yields complementary and essential performance gains, with the full framework achieving a 100% traversal success rate. We will open-source the complete PRIOR framework, including the training pipeline, parametric gait generator, and evaluation benchmarks, to serve as a reproducible foundation for humanoid locomotion research on Isaac Lab.