PAPERS

논문 트래커

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

725건학회 채택 5건

2610.22337v12026.10.15

수경재배 상추 로봇 수확의 경로 안전 목표 도달을 위한 Sim-to-Real 강화학습

Sim-to-Real Reinforcement Learning for Path-Safe Target Reaching in Robotic Harvesting of Hydroponic Lettuce

Al Bashir, Partho Ghose, Yibin Wang, Robert G. Hardin, Joshua Peeples 외 2명

PSA-PPO(Path-Safe Approach Proximal Policy Optimization)는 온실 내 영양막기법(NFT) 수경재배 상추 수확을 위해 설계된 목표 조건부 강화학습(RL) 기반 로컬 도달 프레임워크다. 표준 클리핑 PPO 목적함수를 유지하면서 복도 인식 공간 제약, 궤적 이력 기반 안전 인코딩, 과제별 성공 기준을 통합한 정책 공식을 적용한다. Isaac Lab에서만 학습한 뒤 실세계 파인튜닝 없이 UR10e 로봇 팔에 이전하였으며, 150개 목표 대상 물리 벤치마크에서 94.7%의 도달 성공률을 달성했다. 이는 비교 대상인 Cartesian+TOTG(86.0%), RRTConnect(88.0%), RRT*(80.0%)를 상회하며, 최종 접근 구간의 중앙값 RMS 저크를 고전 계획기 대비 39.8~73.0% 줄였다. RGB-D 비전 모듈과 통합한 완전 시스템 평가에서는 144회 수확 시도에 대해 비전 유도 목표 도달률 94.4%, 완전 수확 성공률 86.1%를 기록했다.

2610.22335v12026.10.15

우주선 검사를 위한 조명 인식 능동 지각

Illumination-Aware Active Perception for Spacecraft Inspection

Sagarika Rao Valluri, Benjamin Riviere

궤도 환경의 급격한 조명 변화는 우주선 검사 계획에서 식(eclipse), 자기 그림자, 정반사 등의 문제를 일으킨다. 기존 계획기는 기하학적 가시성 지표에 의존해 조명 효과를 무시하고, 정보가 부족한 영상도 검사 완료로 처리하는 오류를 범한다. 본 연구는 분류기 변분 오토인코더(VAE)로 촬영 이미지에서 직접 카메라 정보 품질을 학습해 기하학적 가시성을 대체하는 검사 계획 프레임워크를 제안한다. VAE 인코더는 우주선 표면 부품을 분류하도록 훈련되며, 잠재 공간의 총 분산을 조명 상태의 연속적 척도로 활용한다. 포토리얼리스틱 물리 시뮬레이터에서 유도·항법·제어(GNC) 아키텍처로 평가한 결과, 제안 방법의 평균 밝기는 0.57(관측의 81.6%가 0.25 이상)로, 조명 밴드를 포함한 기하학적 계획(0.02, 3.0%)과 순수 기하학적 계획(0.04, 6.0%)을 크게 상회했다.

2610.22323v12026.10.15

Mem4Act: 장기 계획 로봇 조작을 위한 효과적인 잠재 메모리 학습

Mem4Act: Learning Effective Latent Memory for Long-Horizon Robotic Manipulation

Yun Zhang, Zhiyu Huang, Tianhui Cai, Chen Tang, Wei Wang 외 1명

장기 계획(long-horizon) 로봇 조작에서 에이전트는 과거 관측과 상호작용을 기억해 미래 행동에 활용해야 하나, 기존 방식은 긴 이력 처리 부담이 크거나 과제 관련 정보를 손실하는 한계가 있다. Mem4Act는 고정 크기 잠재 메모리(latent memory)를 장기 로봇 제어에 맞게 명시적으로 최적화하는 프레임워크다. 다중 입도 시간 집계(multi-granularity temporal aggregation)로 긴 이력을 효율적으로 압축하고, 질의응답 기반 감독과 키프레임 DINO 특징 재구성을 통해 의미·지각 정보를 상보적으로 보존한다. 메모리 우선(memory-first) 2단계 학습을 적용해 행동 정책이 메모리를 실제로 활용하도록 유도한다. RoboMME, RMBench, 그리고 실제 조작 과제 4가지에서 각각 49.88%, 61.0%, 81.5%의 성공률을 기록했다.

2610.22285v12026.10.15CoRL

더 나은 질문 만들기: 미지정 보상에 대한 표적 능동 선호도 학습

Asking Smarter Questions: Targeted Active Preference Learning for Underspecified Rewards

Helena Merker, Nick Walker, Andreea Bobu

보상 학습(reward learning)에서 인간은 모든 태스크 특징을 균등하게 전달하기 어려워 일부 특징이 충분히 학습되지 않는 문제가 있다. 기존 연구는 로봇이 잘 학습되지 않은 특징을 교시 데이터에서 직접 식별할 수 있음을 보였으나, 해결책으로 인간에게 재시도를 요청하는 방식을 채택해 부담을 그대로 인간에게 돌렸다. 이 논문은 동일한 불확실성 정보를 활용해 로봇이 선호도 쿼리(preference query)를 통해 부족한 특징을 직접 해소하는 방법을 제안한다. 구체적으로 불확실한 특징을 겨냥한 정보 사전(informed prior)을 구성하고, 각 쿼리에 해당 특징에 주의를 집중시키는 설명을 함께 제공한다. 시뮬레이션 실험에서 정보 사전은 쿼리 횟수가 적은 조건에서 표준 능동 선호도 학습 기준선 대비 최대 30.8% 향상된 성능을 보였으며, 사용자 연구에서도 정보 사전과 설명 각각이 보상 복원(reward recovery)을 유의미하게 개선하고 두 방법이 상호 보완 효과를 보이는 것으로 나타났다.

2610.22277v12026.10.15

법적 지침에서 도출한 Posetal 게임 기반 감사 가능한 다중 에이전트 모션 플래닝

Auditable and Deployable Multi-Agent Motion Planning via Posetal Games from Legal Guidelines

Florian Lercher, Karan Mahesh, Yujun Huang, Meshal Alharbi, Runyu Zhang 외 4명

이 논문은 법적 요건 하에서 다중 에이전트 모션 플래닝(multi-agent motion planning)을 수행하기 위한 편순 게임(posetal game) 기반 프레임워크를 제시한다. 시나리오에 독립적인 법적 지침이 추상적 법률 우선순위를 정렬하면, 구체적인 시나리오에 맞는 에이전트 선호도와 법적 게임이 자동으로 도출된다. 에이전트가 사적 목표를 추가하거나 규제 기관이 지침을 수정해도 균형(equilibria)이 제거될 뿐 합법성이 유지됨을 수학적으로 증명한다. 사적 선호를 명시적으로 공유하지 않고도 실제 균형을 복원하는 belief play와 분산 반복 최선 응답 프로토콜을 도입하였다. 해상 항법에 적용하여 최대 4척이 참여하는 7가지 조우(encounter) 시나리오를 실험한 결과, 균형에서 발생한 모든 규칙 위반이 법적 위계에 의해 강제된 것으로 인증되거나 불만족(unsatisfiable)으로 분류되었으며, 이탈자는 공개 정보만으로 식별되었다.

2610.22225v12026.10.15

달 추진 드론을 위한 안전하고 연료 효율적인 경로 계획

Safe and Fuel-Efficient Motion Planning for Lunar Propulsive Drones

Elena Wittemyer, Graco Gao

달 표면 고해상도 지형 모델 생성을 목적으로 하는 추진 드론(propulsive drone)의 자율 경로 계획 프레임워크를 제시한다. 드론은 전역 계획기가 생성한 경유점 사이를 포물선 궤도로 이동하며, 목표 지점이 불안전하거나 도달 불가능한 경우 우회 기동을 수행해 안전하게 착지한다. 항공 이미지에서 장애물을 식별하는 커스텀 의미 분할(semantic segmentation) 모델과 도달 가능 지형을 빠르게 계산하는 방법을 별도로 개발하였다. 모델 예측 제어(MPC)를 적용해 안전한 착지 지점으로 유도하는 이동 궤적을 강인하게 추적한다. 고충실도 달 시뮬레이션 환경에서 실험한 결과, 제안 프레임워크가 낮은 오차로 빠르게 추적 가능한 연료 효율적 궤적을 생성하는 것으로 나타났다.

2610.22198v12026.10.15

도달가능집합 기반 제어 장벽 함수를 이용한 선제적 통신과 강인한 다중 에이전트 추적

Robust Multi-Agent Pursuit with Preemptive Communication via Reachability-Based Control Barrier Functions

Madison Book, Justin Bradley

이 논문은 간헐적 통신 환경에서 다중 에이전트 간 충돌을 방지하는 통합 제어·통신 전략을 제안한다. 각 에이전트는 마지막으로 수신한 상태 정보를 토대로 인접 에이전트의 도달가능집합(reachable set)을 계산하고, 제어 장벽 함수(CBF, Control Barrier Function)를 적용해 안전한 제어 입력을 산출한다. 통신 지연이 일정 상한 이내로 유지되면 에이전트 간 충돌 회피가 수학적으로 보장됨을 증명한다. 각 에이전트는 불확실성 위험과 운동학적 위험을 나타내는 새로운 지표를 바탕으로 이웃 에이전트에게 상태 정보를 선제적으로 전송할 시점을 스스로 결정한다. 추적-회피(pursuit-evasion) 시나리오 시뮬레이션에서 제안 방법은 주기적·이벤트 트리거 기반 대비 메시지 수를 77.5% 줄이면서 충돌 없음을 달성했다.

2610.20609v12026.10.14CoRL

SafeDriveVLA: 명령 충돌 인식 종단간 자율주행을 위한 내비게이션 조건부 월드 모델 드리밍

SafeDriveVLA: Navigation-Conditioned World Model Dreaming for Conflict-Aware End-to-End Autonomous Driving

Shaoyuan Xie, Zihan Zhang, Jingxuan Wang, Jiashu Qu, Xiaoqing Liang 외 4명

시각-언어-행동 모델(VLA)이 자율주행에 도입되면서 자유형 자연어 내비게이션 명령을 처리할 수 있게 됐으나, 운전자가 현재 주행 상황과 맞지 않는 위험한 지시를 내렸을 때 안전하게 거부하는 능력이 부족하다는 문제가 드러났다. SafeDriveVLA는 내비게이션 준수 여부를 세 단계로 명시적으로 예측해 충돌 추론과 행동 생성을 분리하는 구조를 제안한다. 또한 내비게이션 신호를 엄격히 따르는 가상 시나리오를 월드 모델로 시뮬레이션해 해당 지시의 안전 여부를 판단하는 내비게이션 조건부 드리밍 기법을 사용한다. Bench2Drive 벤치마크에서 Driving Score 88.16, Success Rate 68.64%를 기록했다. SimLingo 최고 변형 대비 폐쇄 루프(closed-loop) 언어 지시 이행률을 49.3% 향상시키고, 안전하지 않은 지시 상황에서의 충돌 건수를 60건에서 38건으로 줄였다.

2610.20606v12026.10.14

확산 모델을 활용한 휴머노이드 정책 신경망 가중치의 모델링과 이해

Modeling and Understanding Neural Weights of Humanoid Policies with Diffusion

Huixuan Cheng, Bike Zhang, Shankar Sastry, Koushil Sreenath

이 연구는 휴머노이드 제어 신경망의 학습된 가중치 분포를 생성 모델로 직접 모델링할 수 있는지 탐구한다. 선형 오토인코더(autoencoder)와 확산 트랜스포머(Diffusion Transformer)를 결합한 잠재 확산(latent diffusion) 프레임워크를 채택하여, 배우(actor) 네트워크 파라미터를 압축된 잠재 공간으로 인코딩하고 그 분포를 모델링한다. Unitree G1 로봇의 강화학습으로 수집된 네트워크를 학습 데이터로 삼아, 보행·댄싱·스핀킥 등의 동작을 실기 환경에서 수행하는 배포 가능 네트워크를 생성한다. 또한 첫 번째 레이어 가중치에서 로봇의 운동학적 사전 지식(kinematic prior)을 반영하는 구조적 패턴이 일관되게 나타남을 확인하였다. 이 패턴은 강화학습(RL)과 모방학습(IL) 모두에서 동일하게 등장해, 특정 최적화 방식이 아닌 휴머노이드 신체 구조에 공통된 표현일 가능성을 제시한다.

2610.20607v12026.10.14CoRL

희소 인간 지도를 활용한 실세계 모바일 매니퓰레이션의 계층적 잔차 정책 학습

Hierarchical Residual Policy Learning for Real-World Mobile Manipulation with Sparse Human Guidance

Zhefei Gong, Hefeifei Jiang, Zehao Wang, Jiachen Li

HiRe-MoMa(Hierarchical Residual Mobile Manipulation)는 고차원 행동 공간과 이질적 모듈 간 결합 문제를 해결하기 위해 제안된 실세계 모바일 매니퓰레이션(Mobile Manipulation) 파인튜닝 프레임워크다. 핵심 구조는 동결된 기반 정책 위에 잔차 보정을 더하는 정책 비종속 잔차(Policy-Agnostic Residual)와, 이를 모바일 베이스 헤드와 매니퓰레이터 팔 헤드로 분리해 단방향 조건화(unidirectional conditioning)하는 계층적 분리(Hierarchical Decoupling)로 구성된다. 전문가 유도 가치 정렬(Expert-Guided Value Alignment) 기법은 훈련 데이터의 20% 미만에 해당하는 희소한 인간 개입만으로 비평자(critic)의 가치 지형을 재형성해 자율 탐색을 유도한다. TIAGo++ 플랫폼에서 수행한 실기 실험에서 HiRe-MoMa는 기반 정책 아키텍처에 관계없이 약 30분의 온라인 상호작용으로 과제 성능을 일관되게 향상시키는 것으로 나타났다.

2610.20596v12026.10.14

CoWear: 다중 스마트 기기를 활용한 협력적 웨어러블 관성 측위

CoWear: Towards Collaborative Wearable Inertial Localization with Multiple Smart Devices

Zhuoyuan She, Zhanpeng Zhang, Yapeng Chen, Jiale Wang, Xin Xie 외 1명

CoWear는 스마트폰·스마트워치·스마트 안경을 동시에 활용하는 협력적 관성 측위(inertial localization) 데이터셋 및 기준 프레임워크다. 데이터셋은 30명 이상의 참가자, 300회 이상의 보행 세션, 30시간 이상·100km 이상의 누적 기기 궤적으로 구성되며, 각 기기는 모션 캡처로 개별 추적된다. 역할별 추정기(role-specific estimator)를 훈련해 동기화된 시간 창 단위로 공통 참조 기기의 변위를 예측하고, 자이로스코프 적분과 학습된 불확실도(learned uncertainty)에 따라 예측값을 융합한다. 스마트폰·안경·스마트워치를 각각 참조 타겟으로 설정한 실험에서 다중 기기 융합이 단일 기기 추정 대비 변위 및 궤적 추정 정확도를 일관되게 향상시키는 것으로 나타났다.

2610.20579v12026.10.14

PingpongDuo: 안전한 팀 조율을 갖춘 민첩한 휴머노이드 탁구 복식

PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination

Haoran Jiang, Yichao Zhong, Kai Zhang, Cheng Liu, Yixuan Pan 외 4명

PingpongDuo는 휴머노이드 로봇이 탁구 복식 경기를 수행하기 위한 계층적 프레임워크(hierarchical framework)다. 팀 수준에서는 플래너가 위치 목표를 공동으로 선정하고 학습된 위험 추정치를 이용해 위험한 제안을 걸러내며, 개인 수준에서는 풋워크와 스트라이킹 기술이 각각 분리되어 결합된다. 인간 복식 경기에서 수집한 풋워크 데이터를 포함한 모션 레퍼런스를 활용하고, 실제 공 비행·접촉 측정값으로 보정한 시뮬레이터의 피드백을 바탕으로 라켓-팔 잔차(racket-arm residual) 보정을 추가해 타구 정확도를 높인다. 시뮬레이션 실험에서 공 반환 성공률이 기존 최고 기준선 대비 13.2% 향상되었으며, 클리어런스 중 위치 오차는 약 2 cm로 나타났다. 실기 실험에서는 로봇 한 대가 2.15 m 클리어런스-복귀 사이클을 2.4 s(최대 속도 2.23 m/s)에 완료하였고, 두 대의 로봇이 엄격한 교번 규칙으로 10회 이상 연속 타구를 유지하였다.

2610.20552v12026.10.14

KinoGen: 운동학적 기반 비디오 생성을 통한 맞춤형 휴머노이드 이동-조작 레퍼런스

KinoGen: Customizable Humanoid Loco-Manipulation References via Kinematically Grounded Video Generation

Qi Wu, Lulu Zhao, Sanghyun Hahn, Rishi Yennu, Emmy Yang 외 4명

KinoGen은 시뮬레이션 장면의 캘리브레이션된 렌더링을 조건으로 사전 학습된 비디오 생성 모델을 활용해 휴머노이드 이동-조작(loco-manipulation) 레퍼런스를 합성하는 프레임워크이다. 생성된 2시점 비디오에 로봇과 물체 모델을 피팅하는 방식으로 레퍼런스를 복원하므로, 인간 신체 대리 모델이나 리타게팅 없이 로봇 구성 공간 내에서 레퍼런스가 직접 생성된다. 사용자가 목표 물체 포즈를 지정하면, 편집된 키프레임을 중심으로 비디오를 재생성해 해당 포즈를 정확히 만족하는 맞춤형 레퍼런스를 얻을 수 있다. 8개의 이동-조작 과제에서 비디오 기반 기준선 대비 낮은 침투(penetration)와 발 미끄러짐(foot skating)을 기록했으며, 주석된 접촉의 90% 이상을 유지하는 것으로 나타났다. 합성된 레퍼런스로 학습된 추적 정책은 Unitree G1 휴머노이드(덱스터러스 핸드 포함) 실기 플랫폼에 배포되었다.

2610.20531v12026.10.14

EarlyCommit: 발화 완료 전 행동하는 로봇을 위한 단어별 신뢰도 기반 조기 결정

EarlyCommit: Calibrated Word-by-Word Commitment for Robots Acting Before You Finish Speaking

Muhammad Haris Khan

EarlyCommit은 로봇이 지시 발화가 끝나기 전에 대상 객체를 결정할 수 있게 하는 오픈소스 도구다. 매 인식 단어 이후 파인튜닝된 텍스트 인코더가 장면 내 객체에 점수를 매기고, 최적 객체의 보정된 확률이 사용자 지정 임계값 τ에 도달하면 로봇이 행동을 개시한다. 훈련 데이터에 없던 단어가 포함된 지시에서 키워드 매칭 대비 1.6~2배 높은 빈도로 조기 결정에 성공하는 것으로 나타났다. τ = 0.9 설정 시 조기 결정 정확도는 92% 이상이며, 소비자용 GPU에서 단어당 31~35ms의 추론 시간을 기록했다. 스트리밍 음성 프런트엔드, 장면·지시문 생성기, 훈련·보정·평가 스크립트가 함께 제공된다.

2610.20524v12026.10.14

물리적 시간: 로봇 정책 메모리 동역학의 누락된 차원

Physical Time as a Missing Dimension of Robot Policy Memory Dynamics

Yushen Liang, Yue Peng, Baosheng Jin, Tianluo Zhang, Xinyu Zhang 외 4명

기존 로봇 정책 메모리는 관측 시퀀스의 각 갱신이 동일한 물리적 시간을 소요한다고 암묵적으로 가정하지만, 동일한 관측 이력도 실제 경과 시간에 따라 서로 다른 행동을 요구할 수 있다. 연구팀은 이를 근거로 물리적 시간을 정책 메모리의 누락된 차원으로 규정하고, 측정된 시간 간격에 따라 메모리 상태를 발전시키는 Temporal Flow Policy(TFP)를 제안한다. TFP는 관측과 이전 메모리가 전이의 내용 및 시간 규모를 결정하고 경과 시간이 상태 진행 거리를 결정하는 구조로, 확산 정책(Diffusion Policy) 및 π_0.5와 결합해 모방학습 목적함수로 학습된다. 순환 메모리 및 상태공간 메모리와의 비교 실험에서 TFP가 더 높은 평균 성공률을 기록했다고 저자들은 보고하며, 공급 시간 간격을 변경하면 행동이 체계적으로 지연되거나 앞당겨지는 결과도 확인되었다. 실기 로봇 과제 및 LIBERO 벤치마크 평가에서 타이밍과 메모리가 필요한 조작 작업에서의 이점이 제시되었다.

2610.20504v12026.10.14CoRL

정밀 로봇 조작을 위한 인간 개입 기반 Graph-Reweighted Behavior Cloning

Graph-Reweighted Behavior Cloning with Human Interventions for Precise Robotic Manipulation

Xiaoman Li, Zhiqiang Yang, Jiayu Hu, Jipeng Kong, Yang Zhang 외 4명

장기 정밀 조작(long-horizon precise manipulation) 작업의 시각-언어-행동 모델(VLA) 사후 학습에서, 성공 시연과 개입 보조 롤아웃에도 우회·망설임·실패 시도 등 품질이 낮은 구간이 섞이는 문제를 다룬다. GR-BC(Graph-Reweighted Behavior Cloning)는 성공·실패 에피소드와 인간 개입 롤아웃을 포함해 과제 조건부 목표 도달 가능성 그래프(task-conditioned goal-reachability graph)를 구성하고, 역방향 그래프 탐색으로 각 행동 청크(action chunk)의 잔여 단계 수를 계산한다. 각 행동 청크는 목표 도달까지 잔여 단계를 얼마나 줄이는지를 기준으로 가중치를 부여받아, 실패 궤적의 복구 구간은 재활용하고 성공 궤적 내 국소 퇴행 구간은 하향 조정한다. 보상 모델·행동 조건부 비평가·진행 예측기를 별도로 학습하지 않으며, 새 롤아웃은 그래프에 추가한 뒤 탐색을 재실행하는 방식으로 반영한다. 4개의 정밀 조작 과제와 3종 VLA 백본에서 평가했을 때 소수의 오프라인 반복 후 91% 성공률에 도달한다고 저자들은 보고한다.

2610.20490v12026.10.14

관측 가능성 퇴화 환경에서의 인증 가능한 상태 추정

Towards Certifiable State Estimation under Observability Degeneracy

Baoshan Song

로봇공학의 비볼록 상태 추정에서 전역 최적성 보장을 제공하는 인증 가능한 최적화(certifiable optimization)는, 심각한 센싱 퇴화(sensing degeneracy) 상황에서 반정치 프로그래밍(Semidefinite Programming, SDP) 완화의 계수 팽창(rank expansion) 문제로 인해 직접 풀이와 스펙트럴 라운딩이 무효화된다. 이 연구는 계수 팽창 없이 이 문제를 해결하는 후보 기반 이중 인증(dual certification) 프레임워크를 제안한다. 에피그래프(epigraph) 관점 분석을 통해, 센싱 퇴화가 원시 최적 집합을 평탄한 등비용 면으로 확장하더라도 비용 긴밀성(cost tightness)과 이중 승수(dual multiplier) 복원은 유지됨을 증명한다. 관측 가능성 인식 지역 탐색 및 서브 마이크로초 수준의 닫힌 형태 이중 승수 복원 기법과 함께, 관측 가능한 헤시안의 최솟값 비영 고유값(minimum non-zero eigenvalue)을 기반으로 한 적응형 이중 안전 임계값을 도출한다. 퇴화된 측정 조건 하의 강건 등록(robust registration) 실험으로 프레임워크를 검증한다.

2610.20476v12026.10.14IROS

계층적 해상도 체적 지도 작성: 자연 야외 환경에서의 실시간 동시 경로 계획·지도 생성

Tiered-Resolution Volumetric Mapping for Real-Time Simultaneous Planning and Mapping on Natural Outdoor Environments

Afonso E. Carvalho, David Portugal, Paulo Peixoto, George Kantor

실시간 체적 지도(volumetric map) 작성에서 연산 비용의 대부분은 최고 해상도로 정보를 통합·저장하는 데 집중되지만, 경로 계획이 실제로 참조하는 영역은 전체 지도의 극히 일부에 불과하다. 이 논문은 로봇의 현재 계획 경로 주변 회랑(corridor) 내부는 세밀한 해상도로, 나머지 영역은 거친 해상도로 LiDAR 데이터를 동시에 통합하는 계층적 해상도 기법을 제안한다. 기존 내비게이션 파이프라인과 달리 경로 계획 결과가 지도 생성에 피드백되어 리프 해상도(leaf resolution)를 동적으로 조절한다. 실제 원격 조종 데이터셋 2종을 오프라인으로 재생·평가한 결과, 계층형 지도는 균일 세밀 지도 대비 크기가 13~15배 작고 CPU 통합 시간이 6~8배 적으면서도 미터당 경로 비용은 유사한 수준을 유지하였다. 균일 거친 해상도 지도는 동일한 크기 절감을 달성하지만 어려운 시나리오에서 미터당 경로 비용이 210% 증가하는 반면, 계층형 방식은 이 성능 저하 없이 유사한 효율을 보였다.

2610.20474v12026.10.14

AdaRSI: 체화 에이전트를 위한 온디맨드 재귀적 자기개선

AdaRSI: On-Demand Recursive Self-Improvement for Embodied Agents

Peidong Wang, Ying Chang, Zhiming Ma, Xiaocui Yang, Shi Feng 외 6명

시각-언어-행동 모델(VLA)은 미지의 장기 수평 과제 수행 도중 실패하는 경우가 많다. AdaRSI는 체화 에이전트를 위한 온디맨드 재귀적 자기개선(RSI) 프레임워크로, 코딩 에이전트가 스킬과 하네스를 먼저 개선한 뒤 저장된 상태에서 실패한 하위 단계를 재시도해 원인을 귀속하고, 신뢰도가 낮은 하위 단계만 선택적으로 미세 조정한다. GR00T N1.5를 실행기로 사용하고 인간 시연 없이 RoboCasa365의 50개 목표 과제를 수행한 결과, 미지의 복합 과제 성공률이 4.6%에서 13.8%로 향상됐다. 모든 하위 단계를 미세 조정하는 방식 대비 GPU 시간의 28%, 자기 수집 시연의 22%만 사용하면서 약간 더 높은 성공률을 기록했다.

2610.20460v12026.10.14

DD-GBP: 분산 동적 가우시안 신뢰 전파 기반 애니타임 다중 로봇 팔 계획 및 연속 실행

DD-GBP: Anytime Multi-Arm Planning and Continuous Execution via Distributed Dynamic Gaussian Belief Propagation

Zhao Jin, Fengyi Dai, Yuetong Yin, Yunan Wang, Wenjie Chen 외 1명

DD-GBP는 복잡한 동적 환경에서 다중 로봇 팔의 장기 과제를 온라인으로 수행하기 위해 분산 동적 가우시안 신뢰 전파(Gaussian Belief Propagation)를 활용한 방법이다. 각 로봇은 국소 트리 구조 인수 그래프(factor graph)를 유지하며 팔 간 링크로 비동기 메시지를 교환하고, 동적 서브넷 재구성과 이벤트 트리거 갱신으로 통신·추론 비용을 줄인다. 가우시안 프로세스(GP) 매개변수화가 적응형 계획 지평, 보간 시간 인수, 연속 실행을 하나의 틀로 통합한다. 이동 장애물이 있는 50개 장기 4-팔 시뮬레이션 실험에서 92.5%의 충돌 없는 전체 목표 완료율을 달성하였고, 패킷 손실 90% 조건에서도 성공률 86.0%를 유지한다. 30개 팔 동시 운용 시 99.87% 성공률과 평균 15.80 ms 워밍 풀이(warm solve) 시간으로 60 Hz를 초과하는 실시간 성능을 보인다.