VLA 갤러리 / 모델 목록 / 휴머노이드 전신 제어기

AMO

AMO (Adaptive Motion Optimization)

UC San Diego · 2025-05

VA휴머노이드 전신 제어기미공개RL 정책

궤적 최적화(Crocoddyl BoxFDDP)로 만든 하이브리드 데이터로 몸통 명령에 적응해 초고자유도 전신 조작을 한다.

논문

AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body ControlarXiv 2505.03738

개요

분류

휴머노이드 전신 제어기

유형

VA

발표

2025-05

기관

UC San Diego

가중치 공개

일부

파라미터

미공개

구조

백본 LLM

없음

비전 인코더

—

액션 헤드

AMO 3층 MLP (RL 정책)

청크

미공개

제어 주기

50 Hz

구조 원문 요약

AMO 모듈: 3층 MLP; PPO 교사 → 지도학습 학생; 자율 상체 정책은 ACT(트랜스포머) + DINOv2 인코더

학습

사전학습 가속기

미공개 (IsaacGym 대규모 병렬 시뮬)

사전학습 기간

미공개

사전학습 스텝·배치

미공개 (env 수 미공개)

GPU·TPU-시간

미공개

파인튜닝

해당 없음; 모방학습은 태스크당 50 에피소드

데이터 종류

모션캡처 / 시뮬레이션·합성 / 실로봇 텔레옵

데이터 규모

AMASS 상체 모션 + 무작위 몸통 명령(크기 미공개); 모방학습 태스크당 50 에피소드

주요 데이터셋

AMASS

태스크·평가

몸통 추적; 종이봉투 집기 8~10/10, 페트병 던지기 10/10, 바구니 집기(정성 평가)

로봇

Unitree G1(29-DoF) + Dex3-1 손, 3-DoF 능동 머리, ZED Mini

추론

추론 장치·속도

Jetson Orin NX 50 Hz

추론 메모리

미공개

가중치 bf16 (계산)

미공개

실행 위치

온보드 (Jetson Orin NX)

강화학습 · 베이스

강화학습

사용 (RL 제어기 학습) · AMO 모듈은 PPO 교사 → 지도학습 학생. 자율 상체 정책(ACT)은 모방학습

베이스 제어

휴머노이드 보행 (명령·잠재 → RL 보행 제어기) · 자율 ACT 정책이 상체 관절 + 하체용 속도·자세·높이 명령 출력 → AMO·RL 하체 정책이 다리 관절 목표 생성 (보행·회전)

비고

핵심 특징

궤적 최적화(Crocoddyl BoxFDDP)로 만든 하이브리드 데이터로 몸통 명령에 적응해 초고자유도 전신 조작을 한다. 원격조작·모방학습 명령을 전신 관절 목표로 바꾼다.

비고

RSS 2025. repo는 MuJoCo 대화형 데모(play_amo.py)만 제공해 가중치 '일부'. 학습 compute·파라미터는 검증에서도 NOT FOUND.

검증

확인