Global-Local Attention Decomposition for Terrain Encoding in Humanoid Perceptive Locomotion

Resumen Técnico: Descomposición de Atención Global-Local para la Codificación de Terreno en Locomoción Humanoide Perceptiva

Declaración del Problema
Si bien el aprendizaje por refuerzo (RL) ha avanzado en la locomoción humanoide, las políticas perceptivas presentan dificultades en entornos de apoyos dispersos y restringidos. El éxito en estos escenarios requiere dos capacidades perceptivas distintas: una conciencia amplia del contexto del terreno circundante y una selección precisa de apoyos factibles. Los codificadores de terreno convencionales suelen entrelazar estos objetivos dentro de un único mecanismo, lo que conduce a la dilución de las señales espaciales de grano fino, el debilitamiento de la correspondencia espacial entre las características y las regiones alcanzables, y un aumento de la carga de entrenamiento. Los métodos basados en atención existentes (por ejemplo, AME, AME-2) intentan fusionar la propiocepción con la exterocepción, pero típicamente aplican un único mecanismo de atención al conjunto completo de características, fallando al no separar explícitamente la agregación del contexto global de la codificación local condicionada al estado.

Metodología: Descomposición de Atención Global-Local (GLAD)
Los autores proponen GLAD, un codificador de terreno de grueso a fino diseñado para desacoplar explícitamente estas funciones perceptivas. La arquitectura procesa un mapa de elevación centrado en el robot a través de las siguientes etapas:

1. Extracción de Características Locales Espacialmente Alineadas: Una Red Neuronal Convolucional (CNN) de dos capas extrae características locales a partir del mapa de elevación 3D. A diferencia de trabajos previos que convolucionan solo los valores de altura, GLAD convoluciona las coordenadas 3D completas para incrustar pistas posicionales directamente en las características. La primera capa realiza un submuestreo con saltos (strided downsampling) para desacoplar la resolución de detección de la resolución de las características, reduciendo la longitud de la secuencia mientras mantiene la alineación espacial con el terreno.
2. Rama de Atención Global: Esta rama utiliza la agrupación por atención (attention pooling) para agregar todas las características locales en un vector compacto de "contexto de terreno circundante". Este vector resume la transitabilidad general y la disposición geométrica frente al robot sin enfocarse en apoyos específicos.
3. Rama de Atención Local: Esta rama realiza una escasez (sparsification) y codificación condicionada al estado. Fusiona el vector de contexto global con una incrustación propioceptiva para generar una consulta (query) condicionada al estado. Esta consulta califica las características locales, reteniendo solo los $K$ mejores candidatos (escasez) relevantes para el estado de movimiento actual del robot. Un mecanismo de Atención de Múltiples Cabezales (MHA) procesa entonces estas características dispersas para producir una codificación geométrica de grano fino y relevante para el apoyo.
4. Representación Unificada: El vector de contexto global y la característica local relevante para el apoyo se concatenan para formar la representación final del terreno que se introduce en la política de locomoción.

Contribuciones Clave

1. Descomposición Explícita: El artículo introduce GLAD, que separa la atención en agregación de contexto de terreno global y codificación de apoyo local condicionada al estado. Esto permite que la política razone conjuntamente sobre la transitabilidad amplia y la geometría precisa de la región de apoyo sin entrelazamiento arquitectónico.
2. Eficiencia e Interpretabilidad: Al combinar la descomposición con la escasez de características locales condicionada al estado, el método reduce el costo computacional de aplicar atención densa al conjunto completo de características del terreno. Los comportamientos de atención resultantes son complementarios e interpretables: la atención global se enfoca en la transitabilidad hacia adelante, mientras que la atención local resalta regiones de apoyo específicas.
3. Transferencia Zero-Shot Robusta: El método se valida en un robot humanoide Unitree G1 utilizando únicamente mapeo de elevación basado en LiDAR a bordo. Logra una transferencia robusta zero-shot de simulación a realidad (sim-to-real) a través de diversos dominios de apoyos dispersos y ricos en obstáculos sin necesidad de mapeo previo o captura de movimiento externa.

Resultados Experimentales

• Simulación: GLAD fue probado contra líneas base (AME, AME con contexto global) y variantes de ablación en cuatro terrenos de prueba no vistos, incluyendo piedras de paso compuestas, pilares aleatorios y senderos sinusoidales estrechos. GLAD alcanzó las tasas de éxito más altas (por ejemplo, 95.90% en senderos estrechos frente al 18.95% de GLAD sin atención local).
• Análisis de Atención: Las métricas cuantitativas mostraron que GLAD logra la menor distancia ponderada por atención hacia los apoyos reales y la mayor concentración de atención ($A_{peak}$). Notablemente, la concentración de la atención local de GLAD se adapta a la dificultad del terreno (aumentando de 0.257 en terreno continuo a 0.447 en terreno discreto), mientras que las líneas base mostraron menos adaptabilidad.
• Eficiencia de Entrenamiento: El diseño de grueso a fino redujo el tiempo de entrenamiento a 1.00 día en una sola GPU, comparado con los 1.36 días de AME y los 1.50 días de AME con contexto global.
• Despliegue en el Mundo Real: En el Unitree G1, la política atravesó con éxito piedras de paso alternas, composiciones de escalones y huecos, huecos anchos (hasta 70 cm) y campos densos de obstáculos. El robot exhibió comportamientos emergentes, como seguir caminos estrechos de forma autónoma y evitar obstáculos bajo comandos de velocidad simples, sin planificadores jerárquicos.

Significancia y Reivindicaciones
El artículo afirma que GLAD aborda una limitación fundamental en la locomoción perceptiva: el entrelazamiento del contexto global y la precisión local en los codificadores existentes. Al separar explícitamente estos roles, el método permite una locomoción con patas más robusta y sensible al terreno. Los autores enfatizan que la política aprendida exhibe "comportamientos emergentes sensibles al terreno", permitiendo al robot navegar por entornos complejos y restringidos utilizando solo comandos de velocidad simples y sensores a bordo. El trabajo demuestra que una representación de terreno de alta calidad, en lugar de un modelado de recompensas complejo o recompensas de apoyo diseñadas a mano, es suficiente para soportar una locomoción confiable en terrenos desafiantes de apoyos dispersos.

Limitaciones
Los autores reconocen limitaciones respecto al rango de detección del mapa de elevación local, el ruido de reconstrucción y la carga computacional del mapeo de elevación en tiempo real. Se sugiere que el trabajo futuro investigue tuberías de mapeo más eficientes, percepción temporal extendida y representaciones de terreno multiescala.