Scaling Behavior Foundation Model for Humanoid Robots

휴머노이드 로봇 제어를 위한 행동 기반 모델(BFM)의 스케일링 레시피. 모션 트래킹 + Humanoid Transformer로 큰 성능 향상.

이 논문은 한마디로 휴머노이드 로봇의 전신 제어를 위한 행동 기반 모델을 어떻게 스케일업하는지 체계적으로 보여준다. 세 가지 핵심(모션 트래킹 학습 패러다임, 온폴리시 데이터 양×다양성 시너지, Humanoid Transformer 아키텍처)을 조합했다. 결과는 기존 대비 MPKPE(global) 82% 감소, test set 정확도 0.9836 달성이다.

핵심 요약

• 모션 트래킹을 통일 학습 패러다임으로 채택해, 다양한 전신 제어 문제를 참조 동작 재현으로 통합했다.
• 온폴리시 롤아웃 양(quantity)과 참조 동작 다양성(diversity)의 시너지가 스케일링의 핵심임을 실험으로 입증했다.
• Humanoid Transformer라는 확장 가능한 아키텍처를 도입해, 구조적 행동 표현이 자연스럽게 형성됨을 보였다.
• 기존 휴머노이드 컨트롤러 대비 MPKPE를 local 10%, global 82% 감소시켰고, 전체 정확도 0.9836 달성.
• 시뮬레이션과 실제 로봇 양쪽에서 검증해 실용성을 확인했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.