신체 인식 기반 전문가 증류를 통한 범용 특수화: 통합형 인간형 전신 제어를 위한 방법

Embodiment-Aware Generalist Specialist Distillation for Unified Humanoid Whole-Body Control

최근 강화 학습(RL)을 활용하여 훈련된 인간형 전신 제어기는 놀라운 성능을 보여주고 있지만, 여전히 특정 로봇 모델에 맞춰 설계되는 경우가 많습니다. 로봇의 역학, 자유도(DoFs), 그리고 기구학적 구조의 차이는 하나의 제어 정책이 다양한 인간형 로봇을 제어하는 것을 어렵게 만듭니다. 더욱이, 단순히 걷는 것 이상의 자세 변화(예: 쪼그려 앉기, 몸 기울이기)를 지원하는 동시에 다양한 로봇 모델로의 이전이 가능한 범용적인 제어 정책을 개발하는 것은 특히 어려운 과제입니다. 본 연구에서는 이러한 어려움을 해결하기 위해 EAGLE이라는 반복적인 범용-전문가 증류 프레임워크를 제안합니다. 이 프레임워크는 로봇별 보상 튜닝 없이 여러 개의 이질적인 인간형 로봇을 제어할 수 있는 단일 통합 제어 정책을 생성합니다. 각 반복 단계에서, 현재의 범용 제어 정책으로부터 로봇별 특수 전문가가 생성되고, 해당 로봇에서 성능을 개선한 후, 새로운 기술들이 풀링된 로봇 데이터셋을 사용하여 범용 제어 정책에 통합됩니다. 이 과정을 성능이 수렴할 때까지 반복하면 Unitree H1, G1, 그리고 Fourier N1과 같은 로봇에서 검증된 강력한 전신 제어기를 얻을 수 있습니다. 우리는 시뮬레이션 환경에서 5개의 서로 다른 로봇 모델과 실제 환경에서 4개의 로봇 모델에 대한 실험을 수행했습니다. 정량적 평가 결과, EAGLE은 다른 방법들에 비해 높은 추적 정확도와 안정성을 달성했으며, 이는 확장 가능하고 로봇 군단 제어에 한 걸음 더 다가서는 결과를 보여줍니다. 자세한 내용은 https://eagle-wbc.github.io/ 에서 확인할 수 있습니다.

Humanoid Whole-Body Controllers trained with reinforcement learning (RL) have recently achieved remarkable performance, yet many target a single robot embodiment. Variations in dynamics, degrees of freedom (DoFs), and kinematic topology still hinder a single policy from commanding diverse humanoids. Moreover, obtaining a generalist policy that not only transfers across embodiments but also supports richer behaviors-beyond simple walking to squatting, leaning-remains especially challenging. In this work, we tackle these obstacles by introducing EAGLE, an iterative generalist-specialist distillation framework that produces a single unified policy that controls multiple heterogeneous humanoids without per-robot reward tuning. During each cycle, embodiment-specific specialists are forked from the current generalist, refined on their respective robots, and new skills are distilled back into the generalist by training on the pooled embodiment set. Repeating this loop until performance convergence produces a robust Whole-Body Controller validated on robots such as Unitree H1, G1, and Fourier N1. We conducted experiments on five different robots in simulation and four in real-world settings. Through quantitative evaluations, EAGLE achieves high tracking accuracy and robustness compared to other methods, marking a step toward scalable, fleet-level humanoid control. See more details at https://eagle-wbc.github.io/