휴머노이드 로봇을 위한 기초 모델의 스케일링 거동

요약

본 연구는 휴머노이드 로봇의 제어에 필요한 행동 기초 모델(BFM)의 스케일링 방법을 제시합니다. 학습 패러다임, 데이터 전략, 그리고 Humanoid Transformer 아키텍처 세 가지 핵심 요소를 조정하여 성능 향상을 입증했습니다. 이 접근 방식은 시뮬레이션 및 실제 환경에서 기존 대비 제어 충실도와 작업 일반화 측면에서 큰 개선을 보였습니다.

핵심 포인트

• BFM 스케일링의 불분명한 요소들을 재검토하고 효과적인 레시피를 제시함.
• 학습 패러다임, 데이터 전략, Humanoid Transformer 아키텍처 3가지 조정이 핵심임.
• 실제 환경에서 기존 대비 제어 오차(MPKPE)를 크게 감소시키는 성능 향상을 입증함.
• BFM이 범용적이고 스케일링 가능한 휴머노이드 제어를 위한 기초임을 확립함.