사족 보행 로봇을 위한 행동 기반: ABot-C0 기술 보고서

Behavior Foundations for Quadruped Robots: ABot-C0 Technical Report

인체 공학적 지능 시스템에서 모션 컨트롤러는 의미론적 추론과 물리적 실행 사이의 중요한 연결 고리 역할을 합니다. 인간형 제어는 대규모 인간 동작 캡처 데이터와 동작 추적 패러다임을 통해 빠르게 발전해 왔습니다. 그러나 확장성과 물리적 실현 가능성을 갖춘 사족 로봇 동작 데이터를 생성하는 데는 더 근본적인 장애물이 있습니다. 동물 동작 데이터가 부족하고, 다양한 형태에 적용하기 어려운 문제(cross-embodiment retargeting)가 존재합니다. 본 논문에서는 ABot-C0라는 일반적인 모션 제어 시스템을 제시하며, 이는 사족 로봇을 위한 세 가지 상호 보완적인 행동 기반을 구축합니다. 여기에는 확장 가능한 다중 소스 동작 데이터 파이프라인, 동작 추적, 이동 및 장면 상호 작용에 대한 강력한 정책 학습, 그리고 안정적인 실시간 운영을 위한 통합 배포 스택이 포함됩니다. 근본적으로, 우리는 조건부 비디오 생성 합성, 주석 처리된 동작 캡처, 원격 조작 및 인간 설계 등을 통해 데이터 피라미드를 구축하여 16,074개의 물리적으로 실행 가능한 동작 클립을 생성합니다. 이 데이터는 다양한 모션 학습 요구 사항의 기반이 됩니다. 그런 다음, 우리는 Flow-Matching 일반화 정책을 훈련시켜 사족 로봇 동작 추적에 대한 확장 법칙을 처음으로 입증하며, 이는 훈련 규모가 커짐에 따라 성능이 지속적으로 향상되고, 새로운 동작도 문제없이 추적할 수 있는 능력을 보여줍니다. 또한, 우리는 시간별 LiDAR 메모리와 지형 예측 감독을 사용하는 세 단계의 '특권-지각' 프레임워크를 채택하여 강력한 모든 지형 주행 로봇 이동 기능을 구현합니다. 이러한 구성 요소들은 다중 정책 실행 조정, 부드러운 행동 전환, 에너지 효율적인 제어 및 실시간 배포를 위한 안전 메커니즘을 갖춘 일반화된 모션 시스템을 형성합니다. 도시 지형 자율 내비게이션 및 동반자 스타일의 멀티모달 상호 작용에 대한 광범위한 실험 결과는 사족 로봇이 단일 기능 시연을 넘어 제품 수준의 행동 지능으로 발전하고 있음을 보여줍니다.

In embodied intelligence systems, the motion controller serves as the critical bridge between semantic reasoning and physical execution. Humanoid control has progressed rapidly through large-scale human motion-capture data and motion-tracking paradigm. However, producing quadruped robots motion corpora with scalability and physical feasibility faces more fundamental obstacles: animal motion data is scarce, and cross-embodiment retargeting remains fragile. We present ABot-C0, a generalist motion-control system for quadruped robots that establishes three complementary behavior foundations: a scalable multi-source motion-data pipeline, robust policy learning across motion tracking, locomotion, and scene interaction, and a unified deployment stack for reliable real-world operation. Fundamentally, we construct a data pyramid through conditional video-generation synthesis, annotated motion capture, teleoperation and human design, producing 16,074 physically feasible motion clips as the data foundation for various motion learning demands. We then train a Flow-Matching generalist policy that demonstrates for the first time quadruped motion tracking scaling law that its performance improves consistently as training scales up, with zero-shot capability to track unseen motions. Then, we push a step further for robust all-terrain traversal locomotion by adopting a three-stage privileged-to-perceptive framework with temporal LiDAR memory and terrain-predictive supervision. Collectively, these components form a motion generalist that coordinates multi-policy execution, smooth behavior transitions, energy-efficient control, and safety mechanisms for real-world deployment. Extensive experiments on urban-terrain autonomous navigation and companion-style multimodal interaction demonstrate that quadruped robots move beyond single-function demos toward product-level behavioral intelligence.