HuB: Learning Extreme Humanoid Balance

要約

人体は、片足で着実に立ったり、1.5メートル以上の脚を上げて正確なバランス制御を必要とするハイキックを行うなど、例外的な運動能力などを示しています。
ヒューマノイド制御に関する最近の研究では、スキル獲得のために人間の動きを追跡するための強化学習を活用していますが、このパラダイムをバランスを残すタスクに適用することは依然として困難です。
この作業では、3つの重要な障害を特定します。参照モーションエラーからの不安定性、形態学的不一致による学習困難、およびセンサーノイズとモデルのないダイナミクスによって引き起こされるSIMからリアルのギャップです。
これらの課題に対処するために、参照モーションの改良、バランスを認識した政策学習、およびSIMからリアルの堅牢性トレーニングを統合する統合されたフレームワークであるハブ（ヒューマノイドバランス）を提案します。
私たちは、ツバメのバランスやブルース・リーのキックなどの極端な一本足のポーズを含む、挑戦的な準静的バランスタスク全体にわたって、Unitree G1ヒューマノイドロボットでのアプローチを検証します。
私たちの政策は、強力なサッカーのストライクであるベースライン方法が一貫してこれらのタスクを完了できないため、強力な身体障害の下でも安定したままです。
プロジェクトWebサイト：https：//hub-robot.github.io

要約(オリジナル)

The human body demonstrates exceptional motor capabilities-such as standing steadily on one foot or performing a high kick with the leg raised over 1.5 meters-both requiring precise balance control. While recent research on humanoid control has leveraged reinforcement learning to track human motions for skill acquisition, applying this paradigm to balance-intensive tasks remains challenging. In this work, we identify three key obstacles: instability from reference motion errors, learning difficulties due to morphological mismatch, and the sim-to-real gap caused by sensor noise and unmodeled dynamics. To address these challenges, we propose HuB (Humanoid Balance), a unified framework that integrates reference motion refinement, balance-aware policy learning, and sim-to-real robustness training, with each component targeting a specific challenge. We validate our approach on the Unitree G1 humanoid robot across challenging quasi-static balance tasks, including extreme single-legged poses such as Swallow Balance and Bruce Lee’s Kick. Our policy remains stable even under strong physical disturbances-such as a forceful soccer strike-while baseline methods consistently fail to complete these tasks. Project website: https://hub-robot.github.io

arxiv情報

提供元, 利用サービス

arxiv.jp, Google