로봇의 발은 바닥을 어떻게 느끼는가: G1의 접촉·마찰·single-support 판정
G1 v92 정책은 slow command 평가에서 15초 동안 넘어지지 않고 +4.748m를 이동했습니다. 이 숫자만 보면 보행이 시작된 것처럼 보입니다. 그러나 […]
G1
로봇은 왜 한 발로 넘어지지 않는가: CoM·support polygon·ZMP로 읽는 G1 균형
G1 보행 실험 v131에서 저는 무게중심을 지지발 쪽에 붙잡는 보상을 추가했습니다. 결과만 보면 어느 정도 효과가 있었습니다. 느린 명령에서 평균
로봇은 왜 매번 다른 상태에서 시작하는가: G1의 reset·randomization·curriculum
v99의 G1 정책은 아직 걷지 못했지만, nominal 명령에서 처음으로 아주 작은 single-support 신호를 만들었습니다. 두 발 중 하나가 떠 있던
정답 동작이 발을 교차하고 있었다: G1 모션 리타겟팅과 reference trajectory
G1 보행 정책을 학습시키면서 한동안 이상한 현상을 보고 있었습니다. 로봇의 발 교차를 실패로 판정하도록 평가기를 만들었는데, 학습된 로봇은 특정 구간에서
9개의 reward 중 관절 추적은 없었다: G1 모션 트래킹 보상식과 종료 조건
G1 모션 트래킹 정책을 처음 학습했을 때, 환경에는 이미 9개의 reward term이 있었습니다. 몸통의 위치와 자세, 여러 링크의 위치와 자세,
발을 디디라고 보상했는데 접촉이 더 나빠졌다: G1 contact reward 세 번의 실패
발목 높이 오차는 1.822cm에서 1.662cm로 줄었습니다. 제가 추가한 reward가 계산되고, PPO가 그 값을 실제로 최적화했다는 뜻이었습니다. 그런데 같은 정책의 false
PPO를 다시 돌리기 전에 관절을 직접 흔들어 본 이유: G1 contact actionability 진단
M95에서 다섯 관절에 작은 pulse를 넣자, 재현해 둔 여덟 개의 접촉 실패가 8개 모두 같은 방향으로 줄었습니다. 보통이라면 “유효한 방향을
PPO 하이퍼파라미터는 무엇부터 바꿔야 하나: G1에서 clip·gamma·lambda·batch를 고정한 이유
현재 G1 기본 설정은 한 번의 PPO iteration에서 98,304개의 transition을 모은 뒤 20번의 optimizer step을 수행합니다. 경로가 갑자기 무너지는 현상을
같은 seed인데 왜 PPO 결과가 달라질까: G1 학습의 난수·결정론·재현성 계약
G1 PPO의 seed 재현성을 확인하던 M68 실험에서는 seed 42·43·44가 모두 목표로 삼은 두 지표를 개선했습니다. vertical CAM z RMSE는 3.67~4.09%,
Isaac Sim과 Isaac Lab은 무엇이 다른가: G1 보행 학습 코드로 읽는 역할의 경계
training/rl/train.py의 시작 부분을 보면 Isaac Sim과 Isaac Lab의 관계가 드러납니다. 스크립트는 먼저 AppLauncher로 simulation app을 띄웁니다. 그 다음에야 Gym 환경과