VIGOR: Visual Goal-In-Context Inference for Unified Humanoid Fall Safety

1. Le Problème

La récupération après une chute est un défi critique pour les humanoïdes opérant dans des environnements encombrés et non structurés. Contrairement aux robots quadrupèdes ou à roues, les humanoïdes subissent des impacts à haute énergie, des contacts corporels complexes et de grands changements de point de vue lors d'une chute.

Les approches existantes présentent deux limitations majeures :

• Fragmentation : Elles traitent la sécurité comme des problèmes séparés (évitement de chute, mitigation de l'impact, redressement), souvent en supposant un sol plat et en ignorant la géométrie du terrain.
• Complexité monolithique des données : Les méthodes d'apprentissage par renforcement (RL) ou par imitation (IL) tentent souvent d'apprendre des politiques end-to-end sans vision, traitant la pose, la dynamique et le terrain comme un seul espace de données complexe nécessitant une couverture exhaustive. Cela limite la généralisation et l'évolutivité.

De plus, la sécurité lors d'une chute dépend intrinsèquement de la perception du terrain (géométrie locale invisible par la proprioception seule) pour choisir les points de contact et rediriger la quantité de mouvement.

2. Méthodologie : VIGOR

L'approche proposée, VIGOR (Visual Goal-In-Context Inference), unifie la mitigation de chute et le redressement en une seule politique conditionnée par la vision. Elle repose sur deux insights fondamentaux :

1. Les poses de chute et de récupération humaines sont hautement contraintes et transférables du terrain plat aux terrains complexes via un alignement spatial.
2. Les réactions rapides du corps entier nécessitent des représentations perceptivo-motrices intégrées.

L'architecture utilise une approche Élève-Maître (Teacher-Student) avec distillation de connaissances :

A. Collecte de données et Priors Structurels

• Au lieu d'utiliser des trajectoires complètes comme cibles strictes, les auteurs extraient un ensemble rares de "keyframes" (images clés) à partir de démonstrations humaines sur terrain plat.
• Ces poses sont projetées géométriquement sur des terrains simulés complexes (escaliers, pentes, rochers) pour servir de priors structurels lâches, permettant au robot d'adapter le timing des contacts et la dynamique.

B. Politique Maîtresse Privilegiée (Teacher)

• Entraînée par RL (PPO) avec accès à des informations privilégiées : proprioception, poses de référence (sparse) et scan du terrain local (hauteur exacte).
• Le maître apprend une représentation latente "Goal-in-Context" ($z_{goal}$) qui fusionne la pose cible suivante avec la géométrie locale du terrain. Il ne sépare pas la perception de l'action, mais infère directement le plan d'action conditionné par le contexte.

C. Politique Étudiant Déployable (Student)

• C'est la politique finale, dépourvue d'accès aux informations privilégiées (pas de scan terrain global, pas de poses de référence explicites).
• Elle s'appuie uniquement sur :
  • Des images de profondeur égocentriques (caméra sur la tête).
  • Un historique proprioceptif à court terme.
• Distillation : L'étudiant apprend à reconstruire la représentation latente $z_{goal}$ du maître en observant uniquement ses entrées visuelles et proprioceptives. Il apprend ainsi à "deviner" le terrain et la pose cible nécessaire pour agir, en minimisant l'écart entre sa propre latente et celle du maître.

D. Entraînement et Randomisation

• L'entraînement se fait en deux phases : d'abord sur terrain plat pour acquérir les bases, puis sur des terrains non plats randomisés.
• Une randomisation de domaine intensive (frottement, perturbations externes, bruit de capteur, occlusions) assure une robustesse pour le transfert Sim-to-Real.

3. Contributions Clés

1. Unification : Première approche unifiée traitant la mitigation de chute et le redressement comme un seul processus continu, plutôt que comme des étapes disjointes.
2. Factorisation de la complexité des données : Démonstration qu'il est possible de séparer la variation de la pose (priors humains) de la variation du terrain (gérée par le RL), réduisant ainsi le besoin de démonstrations denses sur chaque type de terrain.
3. Représentation "Goal-in-Context" : Introduction d'un espace latent compact qui intègre la cible de mouvement et la géométrie du terrain, permettant une inférence directe de l'action sans décomposition explicite et coûteuse de la perception et du contrôle.
4. Transfert Zero-Shot Réussit : Validation expérimentale d'une politique entraînée uniquement en simulation, transférée directement sur un robot réel (Unitree G1) sans aucun ajustement fin (fine-tuning) dans le monde réel.

4. Résultats Expérimentaux

Simulation (IsaacGym / IsaacLab)

• Performance : VIGOR atteint un taux de succès de ~90% en redressement et récupération de chute sur des terrains variés (escaliers, pentes, rochers), contre ~15-30% pour les méthodes de base (HOST, FIRM) conçues pour des terrains plats.
• Sécurité : Le taux de succès "sûr" (sans que la tête ne touche le sol) est nettement supérieur avec VIGOR, grâce à la perception visuelle permettant d'éviter les contacts dangereux.
• Ablations :
  • La suppression de la supervision latente partagée (distillation) fait chuter les performances drastiquement, prouvant que la représentation "Goal-in-Context" est cruciale.
  • La vision (profondeur) améliore principalement la sécurité et la stabilité sur des contacts asymétriques, tandis que l'historique temporel aide davantage le redressement statique.

Monde Réel (Unitree G1)

• Transfert Zero-Shot : Le robot a réussi à se relever et à récupérer après des chutes sur des terrains complexes (escaliers, plateformes surélevées, pierres) sans aucun réglage de paramètres.
• Scénarios :
  • Redressement : Succès élevé sur sol plat, boîtes et pierres. La vision permet de maintenir l'équilibre lors de contacts instables.
  • Récupération de chute : Le robot résiste à des poussées dans différentes directions (avant, arrière, latérale) et sur des escaliers. La politique aveugle (sans vision) échoue souvent ou tombe de manière dangereuse sur les escaliers, tandis que VIGOR ajuste ses contacts (mains/pieds) en fonction de la géométrie perçue.

5. Signification et Impact

VIGOR représente une avancée majeure pour la sécurité des humanoïdes dans des environnements réels. En démontrant qu'une politique unique, entraînée avec des démonstrations humaines éparses et une vision égocentrique, peut gérer la complexité dynamique des chutes sur des terrains non structurés, cette recherche :

• Prouve la viabilité du Sim-to-Real pour des tâches de haute dynamique sans ajustement manuel.
• Propose un nouveau paradigme pour l'apprentissage par imitation et le RL, où la complexité du terrain est gérée par la perception visuelle et la distillation, plutôt que par une couverture exhaustive des données.
• Ouvre la voie à des robots humanoïdes plus robustes capables d'opérer de manière autonome dans des environnements domestiques ou industriels réels, où les chutes sont inévitables mais doivent être gérées en toute sécurité.

En résumé, VIGOR transforme la sécurité des chutes d'un problème de contrôle réactif aveugle en un problème d'inférence visuelle contextuelle, permettant aux humanoïdes de "comprendre" leur environnement pour se relever efficacement.