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

Résumé Technique : Décomposition de l'Attention Globale-Locale pour l'Encodage du Terrain dans la Locomotion Perceptive Humanoïde

Énoncé du Problème
Bien que l'apprentissage par renforcement (RL) ait fait progresser la locomotion humanoïde, les politiques perceptives peinent dans les environnements à appuis clairsemés et contraints. Le succès dans ces scénarios nécessite deux capacités perceptives distinctes : une conscience large du contexte du terrain environnant et une sélection précise des appuis réalisables. Les encodeurs de terrain conventionnels entachent souvent ces objectifs en les fusionnant au sein d'un mécanisme unique, ce qui entraîne une dilution des indices spatiaux fins, un affaiblissement de la correspondance spatiale entre les caractéristiques et les régions atteignables, et une augmentation de la charge de calcul lors de l'entraînement. Les méthodes basées sur l'attention existantes (par exemple, AME, AME-2) tentent de fusionner la proprioception avec l'exteroception, mais appliquent généralement un mécanisme d'attention unique à l'ensemble des caractéristiques, échouant ainsi à séparer explicitement l'agrégation du contexte global de l'encodage local conditionné par l'état.

Méthodologie : Décomposition de l'Attention Globale-Locale (GLAD)
Les auteurs proposent GLAD, un encodeur de terrain du grossier au fin conçu pour découpler explicitement ces rôles perceptifs. L'architecture traite une carte d'élévation centrée sur le robot via les étapes suivantes :

1. Extraction de Caractéristiques Locales Alignées Spatialement : Un réseau de neurones convolutifs (CNN) à deux couches extrait les caractéristiques locales à partir de la carte d'élévation 3D. Contrairement aux travaux antérieurs qui ne convoluent que les valeurs de hauteur, GLAD convolue les coordonnées 3D complètes pour intégrer directement des indices positionnels dans les caractéristiques. La première couche effectue un sous-échantillonnage par foulée (strided downsampling) pour découpler la résolution de détection de la résolution des caractéristiques, réduisant ainsi la longueur de la séquence tout en maintenant l'alignement spatial avec le terrain.
2. Branche d'Attention Globale : Cette branche utilise un regroupement par attention (attention pooling) pour agréger toutes les caractéristiques locales en un vecteur compact de « contexte de terrain environnant ». Ce vecteur résume la traversabilité globale et la configuration géométrique devant le robot sans se concentrer sur des appuis spécifiques.
3. Branche d'Attention Locale : Cette branche réalise une sparsification et un encodage conditionnés par l'état. Elle fusionne le vecteur de contexte global avec un encodage proprioceptif pour générer une requête conditionnée par l'état. Cette requête évalue les caractéristiques locales, ne conservant que les $K$ meilleurs candidats (sparsification) pertinents pour l'état de mouvement actuel du robot. Un mécanisme d'attention multi-têtes (MHA) traite ensuite ces caractéristiques éparses pour produire un encodage géométrique fin, pertinent pour les appuis.
4. Représentation Unifiée : Le vecteur de contexte global et la caractéristique locale pertinente pour l'appui sont concaténés pour former la représentation finale du terrain, injectée dans la politique de locomotion.

Principales Contributions

1. Décomposition Explicite : Le papier introduit GLAD, qui sépare l'attention en une agrégation de contexte de terrain global et un encodage d'appui local conditionné par l'état. Cela permet à la politique de raisonner conjointement sur la traversabilité globale et la géométrie précise des zones d'appui sans intrication architecturale.
2. Efficacité et Interprétabilité : En combinant la décomposition avec une sparsification des caractéristiques locales conditionnée par l'état, la méthode réduit le coût computationnel de l'application d'une attention dense à l'ensemble des caractéristiques du terrain. Les comportements d'attention résultants sont complémentaires et interprétables : l'attention globale se concentre sur la traversabilité vers l'avant, tandis que l'attention locale met en évidence des régions d'appui spécifiques.
3. Transfert Zero-Shot Robuste : La méthode est validée sur un robot humanoïde Unitree G1 en utilisant uniquement une cartographie d'élévation basée sur LiDAR embarqué. Elle atteint un transfert sim-to-real zero-shot robuste à travers divers domaines à appuis clairsemés et riches en obstacles, sans pré-cartographie ni capture de mouvement externe.

Résultats Expérimentaux

• Simulation : GLAD a été testé contre des bases de référence (AME, AME avec contexte global) et des variantes d'ablation sur quatre terrains de test inédits, incluant des pierres de passage composites, des piliers aléatoires et des chemins sinusoïdaux étroits. GLAD a obtenu les taux de réussite les plus élevés (par exemple, 95,90 % sur des chemins étroits contre 18,95 % pour GLAD sans attention locale).
• Analyse de l'Attention : Les métriques quantitatives ont montré que GLAD atteint la plus petite distance pondérée par l'attention par rapport aux appuis réels et la plus haute concentration d'attention ($A_{peak}$). Notamment, la concentration de l'attention locale de GLAD s'adapte à la difficulté du terrain (passant de 0,257 sur un terrain continu à 0,447 sur un terrain discret), alors que les bases de référence montraient une moindre adaptabilité.
• Efficacité de l'Entraînement : La conception du grossier au fin a réduit le temps d'entraînement à 1,00 jour sur un seul GPU, contre 1,36 jour pour AME et 1,50 jour pour AME avec contexte global.
• Déploiement en Monde Réel : Sur l'Unitree G1, la politique a traversé avec succès des pierres de passage alternées, des composites escalier-fossé, des écarts larges (jusqu'à 70 cm) et des champs d'obstacles denses. Le robot a exhibited des comportements émergents, tels que suivre de manière autonome des chemins étroits et éviter des obstacles sous de simples commandes de vitesse, sans planificateurs hiérarchiques.

Signification et Revendications
Le papier affirme que GLAD répond à une limitation fondamentale de la locomotion perceptive : l'enchevêtrement du contexte global et de la précision locale dans les encodeurs existants. En séparant explicitement ces rôles, la méthode permet une locomotion robotique plus robuste et réactive au terrain. Les auteurs soulignent que la politique apprise présente des « comportements émergents répondant au terrain », permettant au robot de naviguer dans des environnements complexes et contraints en utilisant uniquement des commandes de vitesse simples et des capteurs embarqués. Ce travail démontre qu'une représentation de terrain de haute qualité, plutôt que des récompenses complexes ou des récompenses d'appui manuelles, est suffisante pour soutenir une locomotion fiable sur des terrains difficiles à appuis clairsemés.

Limites
Les auteurs reconnaissent des limites concernant la portée de détection de la carte d'élévation locale, le bruit de reconstruction et la surcharge computationnelle de la cartographie d'élévation en temps réel. Des travaux futurs sont suggérés pour explorer des pipelines de cartographie plus efficaces, une perception temporellement étendue et des représentations de terrain multi-échelles.