ReactiveBFM: 반응형 폐루프 모션 계획을 통한 범용 휴머노이드 전신 제어

ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control

현재의 행동 기반 모델(BFMs)은 휴머노이드 로봇 제어를 위한 강력한 사전 지식을 제공하지만, 미리 정의된 참조 동작만 실행합니다. 결과적으로, BFMs는 환경 변화에 취약하며 반응형 전신 조화를 수행할 수 없습니다. 생성 모션 플래너와 단순히 결합하는 방식은 진정한 반응성을 달성하지 못하는데, 이는 필연적인 추적 오류가 치명적인 누적 노출 편향을 유발하기 때문입니다. 이러한 격차를 해소하기 위해, 우리는 실시간 폐루프 계획-제어 프레임워크인 ReactiveBFM을 제안합니다. 핵심적으로, 우리는 예약된 접두부 샘플링 커리큘럼을 통해 노출 편향을 효과적으로 완화하여 생성 모션 플래너가 실제 상태에서 오류 복구 행동을 적극적으로 학습하도록 강제합니다. 또한, 자율 회귀 계획과 고주파 추적 간의 심각한 지연 불일치를 해결하기 위해 비동기 재계획 메커니즘을 도입했습니다. 경로 분할을 통해 공간 참조를 시간적으로 결합함으로써, 시스템은 물리적인 떨림 없이 공간-시간적으로 부드러운 실행을 보장합니다. Unitree G1 휴머노이드 로봇에 적용된 ReactiveBFM은 광범위한 텍스트 기반 폐루프 동작에서 전례 없는 수준의 신체 민첩성을 보여줍니다. 특히, ReactiveBFM은 사전 학습 없이 움직이는 목표 지점에 도달하는 것을 가능하게 하며, 정교한 전신 조화와 실시간 재계획 능력을 입증합니다. 심-투-심 벤치마킹 테스트에서 심각한 교란 조건 하에서 ReactiveBFM은 93.1%의 성공률을 달성하여, 기존의 개방형 루프 방식보다 28.6% 더 우수한 성능을 보였습니다.

While current Behavior Foundation Models (BFMs) provide robust control priors for humanoids, they only execute pre-defined reference motions. As a result, they are vulnerable to environmental shifts and incapable of reactive whole-body coordination. Naively cascading them with generative motion planners fails to achieve true reactivity, as inevitable tracking discrepancies induce fatal cumulative exposure bias. To bridge this gap, we propose ReactiveBFM, a real-time closed-loop planning-control framework. At its core, we effectively mitigate exposure bias via a scheduled prefix sampling curriculum, forcing the generative planner to actively learn error-recovery behaviors from imperfect physical states rather than ground-truth trajectories. Systematically, to reconcile the severe latency mismatch between auto-regressive planning and high-frequency tracking, we introduce an asynchronous replanning mechanism. Combined with trajectory chunking to temporally ensemble spatial references, our system guarantees spatio-temporally fluid execution without physical jitter. Deployed on the Unitree G1 humanoid, ReactiveBFM demonstrates unprecedented physical agility across a vast repertoire of text-conditioned closed-loop motions. Notably, ReactiveBFM achieves zero-shot moving target reaching, showcasing intricate whole-body coordination and on-the-fly replanning. In sim-to-sim benchmarking under severe perturbations, ReactiveBFM achieves a 93.1% success rate, significantly outperforming cascaded open-loop baselines by 28.6%.