ReActor: Reinforcement Learning for Physics-Aware Motion Retargeting

요약

본 논문은 강화학습(RL)을 활용하여 물리적 제약 조건을 고려한 로봇 모션 재목표(Retargeting) 프레임워크를 제안합니다. 기존 방법들이 겪던 미끄러짐이나 역학적 불가능성 같은 물리적 오류 문제를 해결하기 위해, 추적 정책 학습과 동시에 참조 모션을 로봇의 형태론에 적응시키는 이중 레벨 최적화(bilevel optimization) 방식을 사용했습니다. 이 프레임워크는 수동 튜닝 없이도 다양한 형태론에서 특징적인 운동을 보존하며 물리적으로 타당한 고품질 모션을 생성할 수 있음을 시뮬레이션 및 하드웨어 검증을 통해 입증했습니다.

핵심 포인트

• 강화학습(RL) 기반의 이중 레벨 최적화 프레임워크를 사용하여 로봇 모션 재목표 문제를 해결함.
• 물리 시뮬레이션을 직접 통합하여 발 미끄러짐이나 역학적으로 불가능한 운동과 같은 물리적 오류를 방지함.
• 수동 튜닝 없이도 다양한 형태론(embodiment)에서 원본 모션의 특징적인 움직임을 보존할 수 있도록 설계됨.
• quadruped와 같이 인간과 크게 다른 형태론에 대한 재목표 능력을 시뮬레이션 및 하드웨어로 검증함.