맥락 인지 모션 사전 지식을 활용한 휴머노이드 제어

Learning Context-Aware Motion Priors for Humanoid Control

모션 사전 지식은 자연스러운 휴머노이드 행동 학습에 강력한 가이드 역할을 제공합니다. 그러나 기존 방법들은 일반적으로 전체 참조 데이터 세트에서 일반적인, 작업과 독립적인 사전 지식을 학습하고, 정책 훈련 과정 전반에 걸쳐 이를 균일하게 적용합니다. 그 결과, 사전 지식은 현재 작업 맥락과 관련된 참조 동작을 구별할 수 없으며, 이는 관련 없는 또는 상충되는 가이드를 제공할 수 있습니다. 본 논문에서는 Context-Aware Motion Priors (CMP)라는 프레임워크를 제안합니다. CMP는 수동적인 기술 라벨링, 데이터 세트 분할 또는 별도의 기술 발견 단계를 거치지 않고 일반적인 모션 사전 지식을 현재 작업 맥락에 맞게 조정합니다. 구체적으로, CMP는 고성능 정책 시뮬레이션을 통해 맥락-모션 호환성을 학습하며, 데모 기반의 목적 함수는 학습된 관련성이 참조 분포 내에서 유지되도록 합니다. 결과적으로 얻어진 관련성 점수는 경량화된 맥락 의존형 어댑터를 훈련시키기 위한 참조 데이터의 가중치를 재조정합니다. CMP의 효과성과 일반성을 평가하기 위해 Adversarial Motion Priors와 Score-Matching Motion Priors를 모두 사용하여 구현했습니다. 다섯 가지 휴머노이드 제어 작업에서 CMP는 지속적으로 작업 성능과 샘플 효율성을 향상시키고, 의미 있는 맥락-모션 정렬을 학습하며, 불균형한 참조 분포에도 강건함을 유지합니다. 이러한 결과는 모션 사전 지식을 작업 맥락에 맞게 조정하는 것이 휴머노이드 정책 학습에 더욱 관련성 높은 가이드를 제공한다는 것을 보여줍니다.

Motion priors provide powerful guidance for learning naturalistic humanoid behaviors. However, existing methods typically learn a general, task-agnostic prior from the entire reference dataset and apply it uniformly throughout policy training. As a result, the prior cannot distinguish which reference motions are relevant to the current task context, potentially providing irrelevant or conflicting guidance. We present Context-Aware Motion Priors (CMP), a framework that adapts a general motion prior to the current task context without manual skill labels, dataset partitioning, or a separate skill discovery stage. Specifically, CMP learns context-motion compatibility using high-advantage policy rollouts, while a demonstration-based objective keeps the learned relevance grounded in the reference distribution. The resulting relevance scores reweight reference supervision for training a lightweight context-conditioned adapter. To evaluate the effectiveness and generality of CMP, we instantiate it with both Adversarial Motion Priors and Score-Matching Motion Priors. Across five humanoid control tasks, CMP consistently improves task performance and sample efficiency, learns meaningful context-motion alignment, and remains robust to imbalanced reference distributions. These results show that adapting motion priors to task contexts provides more relevant guidance for humanoid policy learning.