TEXEDO : Test Time Scaling for Controller-aware Language-conditioned Humanoid Motion Generation

Technische Samenvatting: TEXEDO

Probleemstelling

Tekst-geconditioneerde bewegingsgeneratie is uitgegroeid tot een veelbelovende interface voor het programmeren van humanoïde robots, maar er bestaat een kritieke discrepantie tussen de bewegingsgenerator en de whole-body controller. Huidige generatoren worden doorgaans getraind op menselijke bewegingsdatasets die zijn teruggezet (retargeted) naar robotmorphologieën. Hoewel deze modellen rijke semantische kinematische priors kunnen vastleggen, missen ze blootstelling aan de specifieke beperkingen van de downstream controller, zoals balanslimieten, contacttiming, actuatorverzadiging en controllerspecifieke foutmodi. Bijgevolg kunnen gegenereerde bewegingen semantisch plausibel zijn, maar dynamisch onhaalbaar, wat leidt tot deployment-fouten zoals vallen, onjuiste contacten of actuatorverzadiging.

Bestaande benaderingen behandelen generatie en controle vaak als zwak gekoppeld. Terwijl taalmodellering succesvol "test-time scaling" heeft geadopteerd (het samplen van meerdere kandidaten en het selecteren van de beste via een verifier) om de kwaliteit van de generatie te verbeteren, vereist het toepassen hiervan op humanoïde beweging een "gegronde" notie van kwaliteit. Een kandidaat moet niet alleen overeenstemmen met de tekstprompt, maar moet ook uitvoerbaar zijn door de specifieke whole-body tracker op het specifieke hardwareplatform.

Methodologie: TEXEDO (Text-See-Do)

TEXEDO is een test-time scaling framework ontworpen om een bevroren, vooraf getrainde text-to-motion generator om te zetten in een controller-bewust bewegingssysteem zonder de generator of de tracker te wijzigen. De pipeline werkt in drie stadia:

1. TEXT: Kandidaat Sampling

Gegeven een natuurlijke taalinstructie $\ell$, samplet een taal-geconditioneerde generator $G$ (bijv. FSQ-GPT) een set van $N$ kandidaat whole-body referentietrajecten $\{m_i\}_{i=1}^N$. De generator wordt behandeld als een black box; het framework vertrouwt enkel op de gedecodeerde trajecten.

2. SEE: Gegronde Verificatie

Elke kandidaat wordt geëvalueerd door twee complementaire, gegronde verifiers:

• Dynamic Feasibility Verifier ($R_{dyn}$): Deze verifier voorspelt of een beweging succesvol getrackt kan worden door de deployment-time controller. Deze is gedestilleerd uit offline rollouts van de werkelijke tracker (bijv. SONIC).
  • Oracle Signaal: Offline rollouts genereren drie signalen: binaire succes ($y_s$), tracking kwaliteit ($q_d$), en progressie ratio ($q_g$). Deze worden samengevoegd tot één oracle kwaliteitsscore $Q^*$.
  • Surrogaat Model: Een lichtgewicht temporele Transformer wordt getraind om deze signalen direct vanuit de beweging $m$ te voorspellen, waarbij $R_{dyn}(m)$ wordt gegenereerd. Dit voorkomt de prohibitieve kosten van het draaien van volledige rollouts tijdens de selectietijd.
• Semantic Alignment Verifier ($R_{text}$): Deze verifier meet de overeenstemming tussen de tekstprompt en de beweging.
  • Architectuur: Bidirectionale GRU encoders voor tekst en beweging worden getraind op het doelrobot-skelet met behulp van een contrastieve loss.
  • Scoring: De score wordt gedefinieerd als de geëxponentieerde negatieve embedding afstand tussen de tekst- en bewegingsencodings, $R_{text}(\ell, m) = \exp(-\|\phi_{text}(\ell) - \phi_{motion}(m)\|^2)$.

3. DO: Asymmetrische Selectie

TEXEDO hanteert een filter-then-rerank strategie om de uiteindelijke beweging $\hat{m}$ te selecteren:

1. Filter: Kandidaten die voorspeld worden als dynamisch onhaalbaar ($R_{dyn} < \theta$) worden weggefilterd. Dit behandelt dynamische haalbaarheid als een harde beperking om veiligheid en uitvoerbaarheid te garanderen.
2. Rerank: Vanuit de resterende haalbare set wordt de kandidaat met de hoogste semantische alignment score ($R_{text}$) geselecteerd.
3. Fallback: Als geen enkele kandidaat de dynamische filter passeert, wordt de kandidaat met de hoogste $R_{dyn}$ geselecteerd om de kans op uitvoering te maximaliseren.

Belangrijkste Bijdragen

1. Probleemformulering: Het werk formuleert controller-bewuste, taal-geconditioneerde humanoïde bewegingsgeneratie als een test-time scaling probleem, waarbij gebruik wordt gemaakt van extra inferentie-tijd samples om de enkele referentiebeweging die naar de robot wordt gestuurd te verbeteren.
2. Dual Verifier Design: Het introduceert twee gegronde verifiers:
   • Een Dynamic Feasibility Verifier gedestilleerd uit tracker rollouts om fysieke uitvoerbaarheid te voorspellen.
   • Een Semantic Alignment Verifier getraind op robot-skelet bewegingen om de tekst-beweging alignment te meten.
3. Asymmetrische Selectiestrategie: Het paper stelt een filter-then-rerank regel voor die dynamische haalbaarheid prioriteert als een harde beperking voordat er wordt geoptimaliseerd voor semantische alignment. Dit lost de spanning op tussen de twee concurrerende criteria, waardoor wordt gewaarborgd dat de geselecteerde beweging zowel veilig als semantisch getrouw is.

Experimentele Resultaten

Het framework werd geëvalueerd op een Unitree G1 humanoïde met behulp van de SONIC whole-body controller, met experimenten die simulatie en real-world deployment beslaan.

• Effectiviteit van Test-Time Scaling:
  • Het vergroten van de kandidaatpool grootte ($N$) verbetert consequent de prestaties.
  • $R_{dyn}$-alleen selectie bereikt een hoge tracking success (0.990) maar degradeert de semantische alignment (VLM-Judge score daalt naar 4.924).
  • $R_{text}$-alleen selectie bereikt een hoge semantische alignment (6.110) maar biedt minimale verbetering in executie succes (0.885).
  • TEXEDO balanceert beide succesvol, waarbij een tracking success van 0.984 en een VLM-Judge score van 6.054 (bij $N=32$) wordt bereikt, wat de baseline ($N=1$) met 0.873 success en 5.722 alignment aanzienlijk overtreft.
• Zero-Shot Generalisatie:
  • Generator Agnostic: Wanneer toegepast op een onziene generator (Kimodo) zonder de verifiers opnieuw te trainen, verbeterde TEXEDO zowel de executie kwaliteit als de semantische alignment, wat aantoont dat de selectiecriteria over generator architecturen heen transfereren.
  • Out-of-Distribution (OOD): Op prompts van de onziene BONES-SEED dataset verbeterde TEXEDO de tracking success van 0.860 naar 0.980 en verminderde het de tracking errors aanzienlijk, wat een robuuste generalisatie naar OOD prompts laat zien.
• Real-World Deployment:
  • TEXEDO werd ingezet op een fysieke Unitree G1 over 30 diverse prompts (locomotie, gebaren, combinaties).
  • Het voerde alle 30 prompts succesvol uit, waarbij het consistent bewegingen selecteerde die stabiel waren en overeenkwamen met de beoogde semantiek, terwijl baseline methoden vaak faalden of onstabiel gedrag vertoonden.

Betekenis en Claims

Het paper claimt dat gegronde verificatie een effectief pad is naar inzetbare taal-gestuurde humanoïde bewegingsgeneratie. Door dynamische haalbaarheid als een harde beperking te behandelen en semantische alignment als het selectie-object, maakt TEXEDO het mogelijk om krachtige, vooraf getrainde text-to-motion generators te gebruiken zonder hertraining of complexe modificaties van de controller te vereisen.

De auteurs benadrukken dat deze benadering de conversie van extra inferentie-tijd compute (het samplen van meer kandidaten) naar een enkele, hoogwaardige referentie traject mogelijk maakt die zowel taal-aligned als fysiek gegrond is. De methode toont aan dat het mogelijk is om de kloof tussen semantische generatie en fysieke controle te overbruggen, wat consistente winsten oplevert in zowel simulatie als real-world hardware executie. Het werk suggereert dat test-time scaling, gekoppeld aan controller-bewuste verifiers, een levensvatbare strategie is voor het verbeteren van de betrouwbaarheid van humanoïde robots in open-ended taken.