PAPERS

논문 트래커

arXiv cs.RO 신규 논문을 매일 수집해 한국어 요약을 붙입니다. 학회 채택 정보는 저자 코멘트에서 자동으로 추출합니다.

700건학회 채택 5건

2611.03647v12026.11.02

Pixel-UMI: 센서 기반 인간 시연으로부터 환경 인식 전신 조작 정책 학습

Pixel-UMI: Learning Environment-Aware Whole-Body Manipulation from Sensorized Human Demonstrations

Jason Jingzhou Liu, Tony Tao, Deepak Pathak, Ruslan Salakhutdinov

Pixel-UMI는 센서가 부착된 인간 시연 데이터에서 환경 인식 전신 조작 정책(whole-body manipulation policy)을 학습하는 파이프라인이다. 환경 인식 재타겟팅(Environment-Aware Retargeting, EAR)은 재구성된 장면 기하 정보와 머리·그리퍼 궤적을 결합해 충돌 회피를 고려한 관절 및 베이스 목표를 생성한다. 재타겟팅 오차 인식 마스킹(Retargeting-Error-Aware Masking, REAM)은 운동학적 차이로 발생하는 시점 불일치를 훈련 중에 반영하여 배포 시 오류를 줄인다. 접촉이 많은 상호작용을 보완하기 위해 DAgger를 활용한 온-폴리시(on-policy) 인간 교정 데이터를 추가로 수집한다. 관절 물체 조작, 변형 물체 처리, 협소 공간 도달, 전신 충돌 회피, 양손 협조 등 5가지 과제에서 평균 87.0%의 과제 진행률을 달성한다.

2611.03648v12026.11.02

Pixel: 범용 모바일 매니퓰레이션 학습을 위한 공동 설계 풀스택 로봇 시스템

Pixel: A Co-Designed Full-Stack Robot System for Learning General-Purpose Mobile Manipulation

Tony Tao, Jason Jingzhou Liu, Ruslan Salakhutdinov, Deepak Pathak

Pixel은 범용 모바일 매니퓰레이션(mobile manipulation)을 위해 하드웨어·데이터 수집·제어·정책 학습을 처음부터 함께 설계한 풀스택 시스템이다. 저비용 바퀴형 휴머노이드에 인간 정렬 기구학(human-aligned kinematics)과 순응형 그리퍼를 탑재했으며, 원격조작과 로봇 없이 인간이 직접 시연 데이터를 수집할 수 있는 복수의 인터페이스를 제공한다. 통합 전신 제어기(whole-body controller)와 공통 정책 학습 파이프라인을 통해 인간 시연 및 로봇 시연 데이터를 함께 활용한다. 계층적 학습 스택(hierarchical learning stack)은 언어 조건부 시각운동 제어(language-conditioned visuomotor control)와 장기 과제 실행을 가능하게 한다. 시스템은 손 조작 정밀도, 능동 인식(active perception), 내비게이션, 전신 협조가 요구되는 모바일 매니퓰레이션 동작을 실험을 통해 시연했다.

2611.03622v12026.11.02

D&A: 설명과 평가의 분리를 통한 VLM 기반 제로샷 로봇 보상 모델

D&A: Decoupling Description and Assessment Enables VLMs as Zero-Shot Robotic Reward Models

Marius Memmel, Shawn Yin, Urvi Rutia, Angad Wadhwa, Eldon Li 외 7명

D&A(Describe & Assess)는 시각-언어 모델(VLM)을 활용해 로봇 학습에서 작업 진행도를 제로샷(zero-shot)으로 추정하는 프롬프트 기반 프레임워크다. 기존 VLM 접근법은 실패한 실행에서도 진행이 있었다고 잘못 판단하는 확증 편향(confirmation bias) 문제를 겪었으며, 단순 프롬프팅은 진행도를 성공·실패 이분법으로만 분류하는 한계를 보였다. D&A는 장면 동역학에 대한 객관적 텍스트 기술(description) 단계와 명시적 루브릭을 활용한 평가(assessment) 단계를 분리함으로써, 모델이 절대적 성공 기준을 먼저 정의한 뒤 점수를 매기도록 유도한다. 순수 프롬프트 방식이므로 포스트 트레이닝 없이 다양한 과제·로봇 플랫폼·벤치마크에 적용할 수 있으며, 포스트 트레이닝 보상 모델과 동등하거나 높은 성능을 보인다고 논문은 보고한다. 산출된 보상 추정치는 하류 강화학습(reinforcement learning)에도 활용 가능하다.

2611.03588v12026.11.02

3D-BBDA: 견고한 3D 포인트 클라우드 인식을 위한 역전파 없는 블랙박스 도메인 적응

3D-BBDA: Backpropagation-Free Black-Box Domain Adaptation for Robust 3D Point Cloud Recognition

Shivangi Rai, Kunal Jangid, Vaibhav Kumar, Vinod K Kurmi

3D-BBDA는 소스 데이터나 소스 모델의 내부 파라미터 없이 블랙박스 출력만으로 도메인 적응(domain adaptation)을 수행하는 역전파 불필요 프레임워크다. 비지도 목표 도메인 데이터에 대해 의사 레이블(pseudo-label) 기반 프로토타입 정렬을 수행하고, 소스 로짓(logit)과 정렬 로짓을 가중 융합해 잡음 레이블 민감도를 낮춘다. 의사 레이블 커버리지가 불완전한 경우를 대비해 가우시안 섭동 프로토타입 사전(prior)을 구성하여 누락·불안정 클래스 프로토타입의 대체값으로 활용한다. ModelNet-40C 벤치마크에서 평균 오류율 32.08%(PointNet), 29.62%(GDANet)를 기록하며 Source-only(35.88%/34.03%) 및 BFTT3D(33.78%/32.36%) 대비 개선됐다. 단일 순전파만으로 작동해 실시간·프라이버시 보존 환경에 배포할 수 있다.

2611.03584v12026.11.02

TAMPAgent: 모바일 매니퓰레이션을 위한 에이전틱 신념 공간 계획

TAMPAgent: Agentic Belief-Space Planning for Mobile Manipulation

Utkarsh A. Mishra, Alperen Degirmenci, Yongxin Chen, Danfei Xu, Tucker Hermans 외 1명

TAMPAgent는 부분 관찰 가능(partially observable) 환경에서 로봇의 모바일 매니퓰레이션을 수행하기 위한 에이전틱 계획 프레임워크다. 대규모 시각-언어 모델(LVLM)의 추론 능력과 태스크-및-모션 계획(TAMP) 시스템의 구조적 제약 만족을 하나의 구조로 통합한다. 에이전트는 인식·계획·제어 도구의 확장 가능한 API를 통해 파라미터화된 부분 태스크 계획을 수립하고, 고전적 탐색 알고리즘으로 완성한 뒤 기하 제약 조건을 추출해 실행 가능한 모션 계획을 생성한다. 실행 중에는 신념 이력(belief history)을 지속 갱신하며 관찰과 매니퓰레이션 행동을 교대로 반복하는 폐루프(closed-loop) 방식으로 동작한다. Rainbow Y1 및 Unitree G1 플랫폼에서 수행한 가정용 모바일 매니퓰레이션 과제 평가에서 직접 도구 호출 방식의 기준 에이전트보다 높은 성능을 기록했다.

2611.03585v12026.11.02CoRL

착시를 넘어서: 월드 액션 모델을 위한 테스트-타임 스케일링

Seeing Through the Illusion: Test-Time Scaling for World Action Models

Cheikh Ahmed, Mahdi Mostajabdaveh, Milad Yazdani, Zirui Zhou

월드 액션 모델(WAM, World Action Model)은 행동과 미래 상황을 동시에 생성하지만, 그럴듯한 미래 예측이 함께 생성된 행동과 실제로 대응하지 않을 수 있다는 문제가 있다. 이를 해결하기 위해 WISE(World Action Inference Scaling through Evaluation)라는 사전 실행 후보 선택기를 제안하며, WAM 자체는 수정하지 않는다. WISE는 행동 유효성·시간적 규칙성, 역동역학(inverse dynamics) 일관성, 명령 조건부 과제 진행도 세 가지 점수를 산출해 가장 높은 점수의 후보를 실행한다. 결정당 네 개의 후보를 사용할 때 RoboLab에서 Cosmos 3 Edge 기반 폐루프 성공률이 6.0%에서 24.0%로, LIBERO에서 DreamZero 기반 평균 성공률이 75.1%에서 78.3%로 향상되었으며, 기존 최상위 선택기 대비 각각 4.0점, 0.9점 높았다. 구성요소 절제 실험 결과, 세 점수는 서로 다른 기준으로 후보를 순위 매기며 과제 진행도 점수가 최종 결정에 가장 큰 영향을 미치는 것으로 나타났다.

2611.03548v12026.11.02IROS

로봇 도우미를 통한 인간-군집 상호작용 중재: 양 몰기에서 착안한 접근법

Mediating Human-Swarm Interactions Through a Robot Helper: A Shepherding-Inspired Approach

Arihant Yadav, Sophie Jörg, Eakta Jain

이 연구는 중간 역할을 맡는 로봇 도우미를 통해 대규모 군집을 유도하는 인간-군집 상호작용(HSI)을 다룬다. 기존 군집 제어 및 HSI 기법은 군집 개체가 개별 제어 가능하다고 가정하지만, 야생 조류 떼나 물고기 군집처럼 '제어 불가' 군집에는 이 가정이 성립하지 않는다. 연구팀은 전통적인 양 몰기(shepherding)에서 착안하여, 군집 응집 역학(cohesion dynamics)을 달리한 가상현실(VR) 셰퍼딩 과제에서 저수준 원격조작과 고자율 모션 프리미티브(motion primitives) 인터페이스를 비교하였다. 실험 결과, 집합 형태에 작동하는 모션 프리미티브(예: 경계 기반 제어)가 과제 수행 성능을 높이고 사용자가 체감하는 인지 부하를 낮추는 것으로 나타났다.

2611.02600v12026.11.02

W2A: 실시간 로봇 제어를 위해 월드 사전지식을 행동 모델로 증류하는 프레임워크

W2A: Distilling World Priors into Action Models for Real-Time Robotic Control

Xiaopeng Zhang, Yongjin Mu, Yueyang Weng, Chengzhi Zhao, Yanjie Li

기존 월드 행동 모델(WAM)은 테스트 시 미래 상태를 명시적으로 상상해야 해 연산 비용과 지연이 크다는 한계가 있다. W2A는 비디오 확산 모델(video diffusion model)의 중간 노이즈 제거 표현을 학습 단계에서 행동 모델로 증류한 뒤, 테스트 시에는 비디오 모델을 완전히 제거하는 2단계 프레임워크다. 저자들은 비디오 잠재 표현의 저차원 압축 부분 공간만으로 행동 생성에 충분한 지도 신호를 제공할 수 있다는 가설을 제시한다. 시뮬레이션 벤치마크 LIBERO에서 평균 성공률 95.9%를 기록했으며, 대표 WAM 기준선 대비 약 21배 빠른 추론 속도를 달성했다고 보고한다. 시뮬레이션과 실제 환경 모두에서 실험을 수행했다.

2611.02564v12026.11.02

몸통이 있는 스프링-질량 주행 모델의 Central Pivot Point 제어: 주기 보행, 안정화 및 해석적 귀환 사상

Central pivot point control of a body-attached spring-mass runner: periodic gaits, stabilization, template embedding and approximate analytic return maps

İzel Sever, O. Kaan Karagöz, M. Mert Ankaralı

스프링-역진자(SLIP, Spring-Loaded Inverted Pendulum) 모델은 주자의 질량중심(COM) 운동을 기술하지만 몸통이 없어 실제 이족 보행 분석에 한계가 있다. 중심 피벗 포인트(CPP, Central Pivot Point) 제어는 지면반력을 항상 질량중심으로 향하게 하는 고관절 토크 법칙으로, 피치 운동을 COM 운동에서 정확히 분리하여 지지 단계를 평면 중심력 문제로 환원한다. 직립 자세에서 시간-역전 대칭성이 1-매개변수족의 주기 보행을 생성하며, 지지 단계 피치 법칙과 보폭 단계 조절기로 유계 고관절 토크·마찰 조건에서도 모든 계산된 보행이 안정화된다. 선형 반경 템플릿에 새로운 중력 보정을 적용한 해석적 귀환 사상(return map)은 이착지 속도와 정점 위치를 각각 평균 1.6%, 0.9% 오차로 예측하며, 저자들에 따르면 몸통 모델에 대한 첫 해석적 귀환 사상이다. 이 사상 기반 데드비트(deadbeat) 보폭 제어기는 속도·높이·자세 변화를 추적할 수 있어 SLIP용으로 개발된 해석적 도구를 몸통 모델에도 적용할 수 있게 한다.

2611.02555v12026.11.02ICRA

성공 궤적 보존 하의 학습된 제어기를 위한 순차적 회복 업데이트

Sequential Recovery Updates for Learned Controllers under Successful-Trajectory Preservation

Zongtan Li, Tianming Liu, Ye Zhao

학습된 제어기는 이미 다수의 외란을 자체적으로 회복하지만, 추가 학습 시 기존 성공 사례가 손상되는 문제가 있다. 본 연구는 스킬(skill) 파라미터를 고정하는 대신 진입 규칙(entry rule)을 제약하는 방식으로 이 문제를 해결한다. 각 업데이트는 측정된 실패 지점에서 피드백 스킬을 탐색하고, 누적된 성공 궤적의 모든 상태를 거부하는 진입 규칙을 적합시키며, 합성된 제어기가 새로운 회복과 기존 보호 궤적을 모두 재현할 경우에만 스킬을 승인한다. 두 휴머노이드 시스템에서 4개 스트림에 걸쳐 실험한 결과, 스트림당 2회 업데이트로 192개의 유보된 외란 중 62회의 추가 회복이 달성되었고 기존 성공 사례는 하나도 손실되지 않았다. 보존 제약을 제거하면 33개의 조건이 추가 회복되지만 8개의 보호 궤적이 완료되지 못하는 것으로 나타났다.

2611.02546v12026.11.02CoRL

EPO: 에너지 기반 정책 오케스트레이션

Energy-Based Policy Orchestration

Weirui Ye, Yen-Jen Wang, Elvis Hsieh, Zhiyang Dou, Shibo Zhao 외 4명

EPO는 계층적 제어(hierarchical control)에서 실행 시점에 적절한 저수준 정책(policy)과 목표(goal) 쌍을 선택하는 정책 오케스트레이션(policy orchestration) 문제를 다룬다. 각 정책마다 독립적인 복합 에너지 모델을 학습하며, 에너지가 낮을수록 실현 가능성이 높고 목표 추적 정확도가 높은 쌍으로 간주해 실행 시점에 최적 조합을 선택한다. 에너지 모델이 정책별로 분리되어 있어 기존 정책과 중앙 스케줄러를 재학습하지 않고 새로운 정책을 추가할 수 있다. 시뮬레이션 실험에서 정책별 목표를 정제한 뒤 에너지 점수 기반 전환을 수행해 정밀도-강건성 절충(precision-robustness trade-off)이 개선되는 것으로 나타났다. 학습된 정책과 에너지 모델을 그대로 실제 휴머노이드 로코-매니퓰레이션(loco-manipulation) 과제에 적용하는 sim-to-real 배포도 시연했다.

2611.02537v12026.11.02

로봇 보조 수술에서 피하 목표물 위치 측정을 위한 대화형 3D 커트어웨이 시각화

Interactive 3D Cutaway Visualization for Subsurface Target Localization in Robot-Assisted Surgery

Yuxin Chen, Wenxuan Wang, Wanwen Chen, Qi Zeng, Septimiu E. Salcudean

증강현실(AR) 오버레이는 피하 조직의 깊이 인식에 모호함을 유발할 수 있어, 이를 개선하기 위한 대화형 3D 커트어웨이(cutaway) 인터페이스 Virtual Box를 제안한다. Virtual Box는 사용자가 시점을 독립적으로 조작해 피하 목표물을 검사할 수 있도록 설계되었다. 15명의 공학과 학생을 대상으로 한 조직 팬텀 실험에서 da Vinci 기구로 가상 목표물을 위치시키는 과제를 수행하고, 등록된 3D 직장경유 초음파로 오차를 측정했다. Virtual Box 사용 시 평균 3D 오차가 12.92mm에서 4.96mm로 61.6% 감소했으며, 깊이 오차는 9.48mm에서 2.07mm로 78.2% 줄었다(모두 p < 0.001). 다만 작업 완료 시간은 21.64초에서 32.58초로 늘어났다(p = 0.008).

2611.02517v12026.11.02

휴머노이드 포옹 로봇에서 손가락 움직임이 사용자에게 미치는 영향 연구

A Study on the Effects of Finger Movements on a Humanoid Hugging Robot

Daigo Suhara, Tomoko Yonezawa

이 연구는 포옹 로봇(hugging robot)에서 손가락 움직임의 유무와 패턴이 사용자에게 미치는 심리적 영향을 실험적으로 조사했다. 연구 결과, 손가락 움직임의 존재와 패턴은 사용자가 로봇으로부터 느끼는 감각에 영향을 미치는 것으로 나타났다. 특히 반복적인 움직임과 여러 손가락의 비동기적(asynchronous) 움직임은 해당 감각을 강화하는 경향이 있었다. 모든 손가락을 동시에 움직이거나 부드럽게 포옹하는 방식은 돌봄 감각을 더 크게 유발하는 경향이 있었다. 반면, 로봇이 먼저 신체 접촉을 시도했을 때 이에 대한 거부감은 조건 간 유의미한 차이가 관찰되지 않았다.

2611.02510v12026.11.02

신경 영감 로보틱스: 로봇 학습이 감각운동 뇌에서 빌릴 수 있는 것

Neuro Inspired Robotics: What Robot Learning Can Borrow from the Sensorimotor Brain

Ruihan Zhang, Davy Deng

현재 로봇 정책은 수십 대의 로봇에서 수집한 100만 건 이상의 궤적 데이터로 사전학습하고도 낯선 물체나 도중에 변화하는 환경에서의 조작 과제에 실패한다. 이 서베이 논문은 그 격차를 설계 문제로 규정하고, 신경계가 동일 문제를 해결하는 방식에서 차세대 로봇 모델 설계 원칙을 도출한다. 신체의 순응성(compliance)에서는 위치와 함께 강성(stiffness)을 지령하는 정책을, 시각계의 빠른 행동 경로에서는 카메라 속도로 작동하는 전용 고속 시각 시스템을, 소뇌(cerebellum)에서는 각 명령의 결과를 예측하고 오차로 재보정하는 예측기를, 운동 피질에서는 원시 동작(motor primitive)을 조합·검증하는 단일 모델 구조를 각각 제안한다. 숙달된 원시 동작은 코드에서 가중치로 통합(consolidation)되어 이후 더 빠르게 실행될 수 있도록 설계된다. 각 제안은 로봇이 자율적으로 행동하고 재귀적으로 자기 개선을 수행하는 기반을 위한 검증 가능한 가설로 제시된다.

2611.02497v12026.11.02

RoboColosseum: 실세계 대규모 물리 지능 평가

RoboColosseum: Evaluating Physical Intelligence at Scale In-The-Wild

Tan Sang Nguyen, Yi Ru Wang, Shailesh Shailesh, Gang Yang, Jiamo Hu 외 22명

RoboColosseum은 다양한 환경에서 운용되는 로봇 네트워크에 걸쳐 정책 서빙과 표준화된 프로토콜을 통합한 분산 평가 프레임워크(distributed evaluation framework)다. 이 연구는 시각-언어-행동 모델(VLA) 5종과 프론티어 AI 에이전트 3종을 SO-101, Franka, Bimanual-YAM, G1 Humanoid 등 4종의 로봇 플랫폼에서 평가했다. 124개 사이트에서 수행된 5,699건의 Open Track 비교에서 프론티어 에이전트는 전문화된 VLA 정책과 유사한 성능을 보였으나, 모든 시스템이 개방형 환경 과제를 안정적으로 완료하지 못했다. Fine-tune Track에서는 GR00T N1.7이 SO-101에서, pi0.5가 Franka 및 Bimanual-YAM에서 각각 선두를 기록했으나, 플랫폼별 과제 집합 간 정책 순위 일치도는 Kendall W = 0.24로 낮게 나타났다. G1 Humanoid에서는 어떤 정책도 5개 과제 중 하나도 완료하지 못했으나, 정책별 평균 진행률은 13.3%에서 23.2% 사이로 차이가 있어 이진 성공 여부만으로는 포착되지 않는 성능 차이가 드러났다.

2611.02468v12026.11.02

조율할 것인가, 말 것인가? 8개의 소프트 암으로 헤엄치기 학습

To Coordinate or Not to Coordinate? Learning to Swim with Eight Soft Arms

Junkai Chen, Dehan Yuan, Yiyuan Zhang, Yu Duan, Fan Shi 외 2명

8개의 부족-구동(underactuated) 소프트 암을 가진 수중 로봇의 유영 제어에서 암 간 명시적 위상 결합(inter-arm phase coupling)이 필수인지를 강화학습 기반으로 비교 분석한다. 근위 정책 최적화(PPO)를 활용해 세 가지 전략을 평가하였다: 위상 결합 없이 암별 진폭만 학습하는 방식, 위상 결합을 부여한 진폭 학습 방식, 리듬 구조 없이 종단 간(end-to-end) PPO로 직접 구동 명령을 학습하는 방식이다. 3차원 무작위 속도 명령 200개 에피소드에서 위상 결합 없는 컨트롤러가 169회, 위상 결합 컨트롤러가 117회, 종단 간 PPO가 28회 추적 기준을 충족하였다. 직선 유영 및 방향 전환 시험에서도 위상 결합 없는 방식이 더 정확한 속도 추적 성능을 보였다. 이 결과는 8암 유영에서 명시적 암 간 위상 결합이 필수 요건이 아니며, 리듬 제어 구조 안에서 학습된 암별 진폭 변조만으로 유효한 제어가 가능함을 시사한다.

2611.02462v12026.11.02

생체모방 사족 로봇의 목적 지향적 형태-제어 공동설계 학습

Learning Purposeful Co-designs of Bio-inspired Quadrupedal Robots

Fabio Boekel, Jiatao Ding, Cosimo Della Santina

이 논문은 모듈형 3절 다리, 4절 링크(four-bar linkage), 조절 가능한 수동 무릎 컴플라이언스를 갖춘 생체모방 사족 로봇 Dogger를 제안한다. 형태-제어 공동설계(morphology-control co-design)를 위해 강화학습(reinforcement learning)과 베이즈 최적화(Bayesian optimization)를 결합한 2단계 프레임워크를 개발하였으며, 형태 조건부 제어 정책을 먼저 다수의 설계에 걸쳐 학습한 뒤 과제별 설계 선택 단계에서는 정책을 고정한다. 이렇게 도출된 설계를 제로샷(zero-shot) 배포하면 점검 임무와 화물 운반 임무에서 이동 비용(cost of transport)이 각각 18.6%, 35.7% 감소하는 것으로 나타났다. 전체 기하-컴플라이언스 공동설계가 고정 설계 또는 제한된 설계 범위 방식보다 우수한 성능을 보였으며, 과제 간 교차 실험에서는 과제별로 뚜렷이 다른 형태가 나타나면서도 공통된 기계적 트레이드오프가 확인되었다.

2611.02391v12026.11.02

Late Autumn: LLM 에이전트를 활용한 단일 물류창고 전용 다중로봇 플래너 특화

Late Autumn: LLM Agents Specialize a General Multi-Robot Planner for One Warehouse

Yimin Tang, Han Zhang, Shao-Hung Chan, Erdem Bıyık, Sven Koenig 외 1명

Late Autumn은 LLM 코딩 에이전트가 자율적으로 범용 다중로봇 플래너를 특정 물류창고에 맞게 특화하는 방법을 탐구한 연구다. 연구팀은 태스크 할당과 다중 에이전트 경로 탐색(MAPF)을 결합한 생애주기 플래너(lifelong planner)를 대상으로 6회의 자율 최적화 캠페인을 진행한 결과, 처리량이 22~60% 향상되었으며 이 성과는 학습에 사용되지 않은 시드에서도 유지되었다. 에이전트는 복도 출구 우선순위, 로컬 가이던스, 롤아웃 등 기존에 알려진 MAPF 기법들을 독립적으로 재발견했으며, 서로 다른 캠페인이 동일한 병목 지점을 찾아냈다. 성능 향상은 다른 레이아웃·대형 로봇군에서도 대체로 유지되었으나, 소형 로봇군이나 아웃바운드 비중이 높은 수요 조합에서는 효과가 크게 줄었다. 각 패치(0.7k~2.4k 줄)는 스텝당 중앙값 27줄 단위의 커밋 체인으로 구성되어 전문가가 검토 가능하지만, 일부 패치는 플래너 연산량을 100배 이상 늘리는 것으로 나타났다.

2611.02240v12026.11.01ICRA

언제 탐색하고 언제 행동할 것인가: 상호작용 주행을 위한 명확성 인식 위험 적응 제어

When to Probe and When to Act: Clarity-Aware Risk-Adaptive Control for Interactive Driving

Youran Wang, Devodita Chakravarty, Yiwei Lyu

자율주행 차량이 상호작용 교통 환경에서 안전하게 주행하려면 관측 불가능한 인간 특성과 다중 에이전트 간 상호작용을 추론해야 한다. 기존 방법은 예측과 계획을 분리해 처리하여, 불확실성이 높은 상황에서 '동결 로봇 문제(Frozen Robot Problem)' 또는 불안전한 기동이 발생한다. 이 논문은 신념 공간 모델 예측 제어(MPC) 프레임워크를 제안하며, '명확성(clarity)'이라는 스칼라 정보 상태를 계획 변수로 명시적으로 다룬다. 불확실성이 클 때는 조건부 위험값(CVaR) 장벽 조건을 강화해 보수적으로 행동하고, 확신이 높아질수록 제약을 완화해 자연스럽게 과제 실행으로 전환한다. 차선 합류 및 비신호 교차로 시나리오에서 5,000회 시뮬레이션을 수행한 결과, 비교 방법 중 가장 높은 성공률(94.6%, 93.2%)과 가장 낮은 충돌률(1.2%, 1.4%)을 달성했다.

2610.42146v12026.10.30

암묵적 역학 기반 계층적 월드 모델

Hierarchical World Models with Implicit Dynamics

Gaoyue Zhou, Yvonne Wu, Zichen Jeff Cui, Nicolas Ballas, Mido Assran 외 2명

월드 모델(world model) 기반 계획(planning)은 구현 에이전트(embodied agent)의 테스트 시간 적응을 가능하게 하지만, 장기 과제(long-horizon task)에서는 누적 오류와 탐색 복잡도가 성능을 저하시킨다. 본 연구는 상태 공간 도달 가능성(state-space reachability)과 저수준 제어를 분리하는 계층적 월드 모델 ID-WM(Implicit Dynamics World Models)을 제안한다. 고수준 모델이 상태 매니폴드 위에서 실현 가능한 전이를 샘플링하면, 저수준 모델이 역동역학 솔버(inverse dynamics solver)로서 이를 정밀한 행동으로 변환한다. 세 가지 탐색 및 조작 벤치마크 실험에서 최신 정책·확산 기반 계획기 대비 38.5% 성능 향상을 보고했다. 복잡한 미경험 구성의 장기 과제에서는 단일 수준 월드 모델 MPC 대비 135% 성능 향상을 달성했다.