CMR: 수축 매핑 임베딩을 이용한 로봇 인간형 보행의 견고성 향상: 불규칙 지형에서의 적용

CMR: Contractive Mapping Embeddings for Robust Humanoid Locomotion on Unstructured Terrains

로봇 인간형 보행에서, 특히 센서 데이터가 신뢰성이 떨어지고 모델 오차가 두드러지는 불규칙 지형에서, 외부 교란에 대한 강인한 저항성은 오랜 과제였습니다. 지형 정보를 향상시키는 센서 데이터는 유용하지만, 센서 노이즈와 시뮬레이션-실제 격차로 인해 실제로 정책이 불안정해질 수 있습니다. 본 연구에서는 유도된 잠재 역학이 수축적일 때, 관찰 노이즈 하에서 반환 간격을 제한하는 이론적 분석을 제공합니다. 또한, Contractive Mapping for Robustness (CMR) 프레임워크를 제시합니다. CMR은 고차원적이고 교란에 취약한 관찰 데이터를 잠재 공간으로 매핑하여, 시간 경과에 따라 국소적인 교란을 완화합니다. 구체적으로, 이 접근 방식은 대조 표현 학습과 리프시츠 정규화를 결합하여 작업과 관련된 기하학적 구조를 유지하면서 민감도를 명시적으로 제어합니다. 주목할 점은, 이 수식을 추가적인 기술적 노력 없이 현대적인 딥 강화 학습 파이프라인에 보조 손실 항으로 통합할 수 있다는 것입니다. 또한, 광범위한 로봇 인간형 실험 결과, CMR이 다른 보행 알고리즘보다 노이즈 증가 상황에서 뛰어난 성능을 보임을 확인했습니다.

Robust disturbance rejection remains a longstanding challenge in humanoid locomotion, particularly on unstructured terrains where sensing is unreliable and model mismatch is pronounced. While perception information, such as height map, enhances terrain awareness, sensor noise and sim-to-real gaps can destabilize policies in practice. In this work, we provide theoretical analysis that bounds the return gap under observation noise, when the induced latent dynamics are contractive. Furthermore, we present Contractive Mapping for Robustness (CMR) framework that maps high-dimensional, disturbance-prone observations into a latent space, where local perturbations are attenuated over time. Specifically, this approach couples contrastive representation learning with Lipschitz regularization to preserve task-relevant geometry while explicitly controlling sensitivity. Notably, the formulation can be incorporated into modern deep reinforcement learning pipelines as an auxiliary loss term with minimal additional technical effort required. Further, our extensive humanoid experiments show that CMR potently outperforms other locomotion algorithms under increased noise.