VLA 갤러리 / 모델 목록 / 휴머노이드 전신 제어기

Challenging-Terrain Transformer

Challenging-Terrain Transformer (Learning Humanoid Locomotion over Challenging Terrain)

UC Berkeley · 2024-10

VA휴머노이드 전신 제어기1.4MRL 정책

기존 정책·모델 기반 제어기·사람 모션캡처 궤적으로 시퀀스 모델링 사전학습 후 RL로 미세조정한다.

논문

Learning Humanoid Locomotion over Challenging TerrainarXiv 2410.03654

개요

분류

휴머노이드 전신 제어기

유형

VA

발표

2024-10

기관

UC Berkeley

가중치 공개

미확인

파라미터

1.4M

구조

백본 LLM

없음

비전 인코더

—

액션 헤드

관절 목표 + PD 게인 (RL 정책)

청크

미공개

제어 주기

50 Hz

구조 원문 요약

1.4M 트랜스포머, 문맥 16스텝; 관절 목표 위치와 PD 게인을 50 Hz로 예측

학습

사전학습 가속기

A100 × 4

사전학습 기간

미공개

사전학습 스텝·배치

300 에폭 · 글로벌 미니배치 4,096

GPU·TPU-시간

미공개

파인튜닝

RL 미세조정: A10 × 1, MuJoCo, 2,048 병렬 env × env당 24 스텝 × 2,000 반복(~100M env 스텝), 약 1일

데이터 종류

시뮬레이션·합성 / 모션캡처

데이터 규모

사전학습 궤적 수 미공개; RL 미세조정 ~100M 샘플

주요 데이터셋

선행 연구 신경망 정책 궤적, 모델 기반 제어기 궤적, 기존 사람 보행 모션캡처

태스크·평가

Berkeley 산길 4마일 이상 하이킹, 경사 31% 초과 샌프란시스코 도로 보행

로봇

Agility Digit

추론

추론 장치·속도

50 Hz

추론 메모리

미공개

가중치 bf16 (계산)

0 GB

실행 위치

미공개

강화학습 · 베이스

강화학습

사용 (RL 제어기 학습) · 궤적 시퀀스 사전학습 뒤 MuJoCo RL 미세조정(환경 2,048개, 약 1억 스텝)

베이스 제어

휴머노이드 보행 (RL 정책이 직접 구동) · 트랜스포머가 속도 명령을 받아 관절 목표·PD 게인을 50 Hz로 직접 출력해 험지 보행 (Digit)

비고

핵심 특징

기존 정책·모델 기반 제어기·사람 모션캡처 궤적으로 시퀀스 모델링 사전학습 후 RL로 미세조정한다. 트랜스포머가 관절 수준 정책을 직접 맡는 드문 사례다.

비고

사전학습 wall-clock 미공개. 미세조정 compute는 파인튜닝 칸에만 기록.

검증

확인