PAPERS

논문 트래커

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

725건

2610.20442v12026.10.14

에이전틱 로봇을 향하여: 모델, 데이터, 환경, Harness

Towards Agentic Robots: Model, Data, Environment, and Harness

Chonghan Qin, Dongming Wu, Kaituo Feng, Jiaxu Wang, Xinlei Yu 외 11명

파운데이션 모델(foundation model)이 로봇 지능의 패러다임을 바꾸며, 저수준 동작 예측을 넘어 데이터 수집·모델 학습·태스크 계획·실세계 실행을 목표 지향적으로 조율하는 방향으로 발전하고 있다. 이 논문은 이러한 흐름을 '에이전틱 로봇(agentic robot)'으로 정의하고, 인간 명령을 추론하고 실행 오류를 자율 수정하며 운용 전략을 동적으로 조정하는 시스템을 대상으로 한다. 저자들은 시각-언어-행동 모델(VLA), 월드 모델(world model), 월드-액션 모델의 발전 과정을 추적한 뒤, 기존 연구를 모델·데이터·환경·Harness 4개 기능 영역의 17개 범주로 체계화한다. 각 영역에서 에이전트가 모델 학습과 로봇 의사결정을 어떻게 형성하는지, 로봇 데이터를 수집·정제하는지, 학습 및 평가용 환경과 태스크를 구성하는지를 검토한다. 마지막으로 미해결 과제와 향후 연구 방향을 논의한다.

2610.20429v12026.10.14

이산 행동은 언제 좋은 연속 제어기가 될 수 있는가?

When Do Discrete Actions Make Good Continuous Controllers?

Zeji Yi, Soham Dasgupta, Xinyang Zhang, Koushil Sreenath, Guannan Qu 외 3명

현재 로봇 기반 모델은 행동을 연속 벡터로 표현하는 것이 일반적이지만, 이 논문은 이산(discrete) 행동 파라미터화가 연속 방식보다 열등하다는 통념에 의문을 제기한다. 시뮬레이션과 실기(real hardware) 환경 모두에서 단일 과제·다중 과제 시각-언어-행동 모델(VLA) 학습을 대상으로 광범위한 비교 실험을 수행한다. 균일 구간 양자화(uniform-bin quantization)처럼 단순한 이산 행동 예측도 연속 행동 정책과 동등하거나 높은 과제 성공률을 달성한다는 사실이 확인된다. 이산 정책의 핵심 과제는 행동 정밀도가 아니라 시간·행동 차원에 걸친 곱분포(product-distribution) 예측에서 발생하는 인수분해 오류(factorization error)임을 밝힌다. 이산 플로우(discrete flow)를 통한 반복 연산이나 분류기 없는 안내(classifier-free guidance)를 결합하면 이 약점을 완화하고 예측 행동 청크(action chunk) 내에서 더 반응적인 행동 변화가 가능해진다고 논문은 주장한다.

2610.18874v12026.10.13

ChunkAct: 에이전틱 로보틱스를 위한 행동 청킹

ChunkAct: Action Chunking for Agentic Robotics

Bingxin Xu, Wenrui Bao, Xinxin Liu, Jiawei Zhou, Yuzhang Shang 외 1명

에이전틱 로보틱스(agentic robotics)는 대형 언어 모델(LLM) 에이전트를 로봇 제어 루프에 배치해 재학습 없이 새 과제를 처리하지만, 기본 동작(primitive)마다 전체 상호작용 이력을 대상으로 LLM 추론을 반복해 에피소드 비용이 동작 수에 비례해 증가한다는 문제가 있다. ChunkAct는 행동 청킹(action chunking)을 에이전틱 로보틱스에 도입해 이 비효율을 줄인다. 온라인 실행 시 단일 LLM 호출로 연결된 기본 동작 묶음(청크)을 시작하고, 실패가 발생할 때만 제어권을 반환하며 나머지는 자율 실행된다. 오프라인 단계에서 메모리를 청크로 미리 컴파일하므로 테스트 시 메모리 조회가 불필요하고, LLM 연산이 동작 수가 아닌 의사결정 수에 비례하게 된다. LIBERO-Pro 벤치마크에서 기존 에이전틱 로보틱스 최고 성능 대비 과제 성공률 5.0포인트 향상, LLM 호출 2.9배·입력 토큰 4.4배·출력 토큰 2.3배 감소를 나타냈다.

2610.18873v12026.10.13

LoopWAM: 배포 롤아웃으로부터의 폐루프 범용 정책 개선

LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts

Wenxuan Guo, Yingping Liang, Zhaoguo Wang, Ziyuan Li, Angyuan Ma 외 9명

LoopWAM은 성공·준최적·실패를 포함한 혼합 품질 배포 롤아웃 전체를 활용해 범용 로봇 정책을 개선하는 폐루프(closed-loop) 세계-행동 모델(world-action model)이다. 소스 의존적 노이즈 샘플링(source-dependent noise sampling)으로 행동 학습과 행동 조건부 세계 모델링을 통합하며, 품질 스티어링(quality steering)과 품질 가중 감독(quality-weighted supervision)이 저품질 행동 모방을 억제한다. 비디오 토큰과 행동 토큰은 병렬 디노이징(denoising) 전반에서 상호작용해 학습된 결과가 행동 생성에 직접 반영된다. RoboChallenge Table30-V2에서 3회 배포-학습 사이클을 거쳐 성공률이 23.67%에서 43.33%로 19.7%p 상승했으며, RoboTwin 2.0(94.5%)과 RoboCasa365(49.5%)에서도 비교 방법 중 최고 수치를 기록했다. 셔츠 접기 과제에서는 단일 과제 사후 학습(single-task post-training) 후 2회 배포 개선으로 성공률이 13.20%에서 55.56%로 향상되었다.

2610.18872v12026.10.13

EgoExplorer: 현장 인간 이동-조작을 위한 시각-동작-촉각 관측 시스템

EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ

Yunsong Zhou, Xuekun Jiang, Haiqi Shen, Hangxu Liu, Chaojian Shi 외 9명

EgoExplorer는 웨어러블 시스템으로 수집한 100시간 분량의 인간 이동-조작(loco-manipulation) 데이터셋이다. 자아 중심(egocentric) 영상, 전신 동작, 손가락 관절 세부 움직임, 촉각 관측값을 단계별 텍스트 설명과 함께 동기화한 연속 기록을 제공하며, 전문 직업 활동 장면을 중심으로 구성된다. 희소 신체 센서만으로 정밀한 동작을 복원하기 위해 Calibrate-Complete-Constrain(CCC) 파이프라인을 개발하였으며, 이는 교정·완성·제약 세 단계를 순차 적용해 마운팅 오프셋과 관절 움직임을 분리하고 시간적 연속성과 기하학적 일관성을 확보한다. 트래커 기준치와의 비교 평가에서 신체 관절 오차가 최강 베이스라인 대비 71.9% 감소하는 것으로 나타났다. 멀티모달 생성·조건화 및 시뮬레이션 환경에서의 휴머노이드 전신 제어 재타겟팅 예비 연구도 함께 수행하였다.

2610.18869v12026.10.13

품질 인식 VLA 사전학습에서 중요한 것: AXIS-Bench 벤치마크와 실증 연구

What Matters in Quality-Aware VLA Pretraining: A Benchmark and Empirical Study

Mingxuan Yan, Litian Gong, Dihong Huang, Zhixu Li, Tianyu Zhang 외 17명

시각-언어-행동 모델(VLA) 사전학습 시 시연 품질을 어떻게 활용해야 파인튜닝 후 성능이 향상되는지를 다룬 연구다. 자연스럽게 비최적화된 인간 시연 5,000개와 24개의 목표 과제를 사용해 가중치 부여·필터링·조건화 방식을 보상 정의와 레이블 세분화 수준에 걸쳐 비교한다. 3개의 VLA 실험 결과, 접근법 인식 에피소드 조건화(approach-aware episode conditioning)가 일반 행동 복제(behavioral cloning)보다 평균 성공률을 높이는 것으로 나타났으며, 조건화는 에피소드 레이블에, 필터링은 청크 레이블에 각각 유리한 경향이 확인됐다. 크라우드소싱 시뮬레이션 시연 기반의 AXIS-Bench를 도입해 공유 궤적 위에서 품질 레이블을 재계산할 수 있도록 객체 및 접촉 상태를 기록하고 재현 가능한 궤적을 제공한다. 실제 환경 실험에서 시뮬레이션 사전학습 적용 후 성공률이 9.6%에서 31.7%로 상승했다.

2610.18867v12026.10.13

EmbodiedEvo: 물리적 지능을 위한 자가 개선 코딩 에이전트

EmbodiedEvo: Self-improving Coding Agents for Physical Intelligence

Wenyi Li, Yizhe Chi, Youjie Zheng, Chunyu Liu, Xiaoqiu Wang 외 6명

EmbodiedEvo는 시각-언어-행동 모델(VLA) 대신 코드를 정책(policy) 표현으로 사용해 물리적 태스크를 수행하는 코딩 에이전트 프레임워크다. 에이전트는 단일 Playground 장면에서 피드백을 통해 재사용 가능한 Skills와 Lessons를 진화시킨 뒤, 해당 결과물을 동결해 다양한 새 장면에 적용한다. RoboDojo-Sim 벤치마크에서 평균 점수 44.48, 성공률 37.82%를 기록하며 공식 검증된 기존 결과를 모두 상회했다. 강한 모델(Astra)의 경험을 활용하면 약한 실행 모델(Sol, Luna)의 성공률이 경험 없는 경우 대비 각각 8.86, 5.50 퍼센트포인트 상승했다. Skills와 Lessons는 원시 상호작용 이력 대비 53.0% 낮은 실행 비용으로 유사한 태스크 성능을 달성했다.

2610.18866v12026.10.13

AutoAgent0: 안전한 폐루프 주행을 위한 에이전틱 런타임

AutoAgent0: An Agentic Runtime for Safe Closed-Loop Driving

Jiageng Liu, Seth Z. Zhao, Zewei Zhou, Alejandro Huerta, Aidan Bayer-Calvert 외 7명

AutoAgent0은 기존 자율주행 전문가 모델에 보완적 탐지 기능, 규칙 기반 행동 검증, 피드백 기반 복구를 더하는 에이전틱 런타임(agentic runtime) 프레임워크다. 독립적인 탐지 모듈이 장면 맥락을 구성하고, 규칙 기반 검증기가 제안된 궤적을 실행 전에 해당 맥락과 대조해 안전성을 확인한다. 명목 궤적이 신뢰할 수 없다고 판단되면 오케스트레이터가 복구 계획(Recovery Planning)을 활성화하여 행동 기본 요소(action primitives)로 대안 행동을 생성하고 검증 피드백을 반복 적용해 개선한다. Fail2Drive와 NavSafe-infty 벤치마크 평가에서 긴-꼬리(long-tail) 및 안전 위기 시나리오 모두에서 단일 전문가 실행 대비 폐루프 강건성이 향상되었다. 기저 정책을 재학습하지 않고도 여러 주행 전문가 모델에 적용 가능하다는 점이 특징이다.

2610.18855v12026.10.13

접촉 집약적 매니퓰레이션을 위한 행동으로서의 상호작용 잠재 변수

Interaction Latents as Actions for Contact-Rich Manipulation

Yuhang Zheng, Yujie Zang, Yuchen Liu, Yupeng Zheng, Zhennan Jiang 외 7명

ILA(Interaction Latents as Actions)는 동작·접촉·힘 적용의 시간적 변화를 공동으로 포착하는 디코딩 가능한 상호작용 잠재 변수를 정책 행동 단위로 사용한다. 시각 조건부 행동-촉각 공동 재구성과 시간 조건부 암묵적 디코더를 통해 잠재 변수를 학습하며, 이를 플로우 매칭(flow-matching) 생성 타겟으로 활용해 사전 학습된 시각-언어-행동 모델(VLA) 및 세계 행동 모델(WAM)의 사후 학습과 처음부터의 정책 훈련을 모두 지원한다. 오프라인 개선 단계에서는 전문가 시연에서 인코딩한 잠재 변수로 촉각 조건부 전문가 참조 모델을 학습하고, 전문가 일관성 보상을 통해 성공 롤아웃의 가중 학습과 실패 롤아웃의 예측 교정을 수행한다. 실세계 4가지 과제에서 3가지 정책 계열에 걸쳐 촉각 조건부 직접 행동 기준선 대비 성공률을 평균 21.0~36.5 퍼센트포인트 향상시켰다.

2610.18852v12026.10.13

ForceWAM: 접촉 집약적 조작을 위한 데모·플레이 데이터 기반 미래 예측과 반응 학습 분리

ForceWAM: Decoupling Future and Response Learning from Demo and Play Data for Contact-Rich Manipulation

Zijun Xu, Wendi Chen, Xinkai Wang, Jiachen Zou, Hongjin Chen 외 14명

ForceWAM은 접촉 집약적 조작(contact-rich manipulation)에서 전문가 시연(demo)과 목표 없는 탐색 플레이(play) 데이터를 분리 활용하는 힘 세계 행동 모델(force world action model)이다. 세계 모델(world model)은 성공 시연으로 학습해 미래 영상과 6축 힘/토크(force/torque) 궤적을 공동 예측하며, 과제 수행 중 운동과 접촉의 예상 전개를 표현한다. 별도의 역동역학 모델(inverse dynamics model, IDM)은 시연과 플레이 데이터 모두로 학습하며, 현재 관측과 예측된 시각-렌치(visual-wrench) 미래를 로봇 행동으로 변환한다. 실제 로봇 실험에서 힘 조절 슬라이딩, 외란 유무 박스 뒤집기, 링 배치 과제에 걸쳐 평균 성공률 85~95%를 기록하였다. 목표 없는 플레이 데이터를 추가했을 때 성공률이 15~45 퍼센트포인트 향상되어 접촉 동역학 학습에서의 기여를 수치로 확인하였다.

2610.18850v12026.10.13

운용 제약 하 UAV-UGV 팀 협동 계획을 위한 Masked Error-bounded Neuro-Symbolic Diffusion

Collaborative Planning for UAV-UGV Teams under Operational Constraints via Masked Error-bounded Neuro-Symbolic Diffusion

Zihao Deng, Qianhuang Li, Maggie Wigness, John Rogers, Donghyun Kim 외 1명

UAV(무인항공기)와 UGV(무인지상차량)로 구성된 이기종 로봇 팀이 대규모 임무를 수행할 때 운용 제약을 준수하면서 협동 계획을 수립하는 문제를 다룬다. UAV는 넓은 지역을 빠르게 탐색할 수 있지만 탑재 에너지 한계가 있고, UGV는 이동식 충전소 역할을 하지만 도로 주행 가능성에 제약을 받는다. 본 연구는 조건부 마스크 생성 과정(conditional masked generative process)으로 협동 계획을 정식화하는 MEND(Masked Error-bounded Neuro-Symbolic Diffusion)를 제안한다. MEND는 뉴로심볼릭 확산(neuro-symbolic diffusion) 패러다임을 통해 논리 유도 허용성 지시자(logic-induced admissibility indicator)로 학습된 행동 분포를 재가중하여 실행 단계에서 운용 제약을 강제한다. 시뮬레이션, 실제 지도, 물리 로봇 팀을 대상으로 한 실험을 통해 방법론의 유효성을 확인했다.

2610.18848v12026.10.13

Contact Trajectory Prompting: 단일 시연에서 접촉 집약적 행동의 인컨텍스트 전이

Contact Trajectory Prompting: In-Context Transfer of Contact-Rich Behaviors from a Single Demonstration

Xian Nie, Yujie Zang, Yuhang Zheng, Yupeng Zheng, Songen Gu 외 6명

CTP(Contact Trajectory Prompting)는 단일 시연으로부터 접촉 집약적 조작 행동을 전이하는 원샷(one-shot) 프레임워크다. 시연의 동작과 접촉 정보를 순서가 있는 접촉 궤적 프롬프트로 인코딩하여 시간적 변화와 원하는 물리적 상호작용 패턴을 포착한다. 실행 중에는 온라인 감각 피드백으로 프롬프트에서 상호작용 관련 정보를 검색하고, 이를 바탕으로 폐루프(closed-loop) 행동 생성을 조건화한다. 훈련에서 제외된 물체에 대한 실세계 닦기·회전·삽입 과제에서 전체 성공률 78.7%를 달성하며, 가장 강력한 비교 기준선(baseline) 대비 13.0%p 높은 성능을 보였다. 참조 시연만 교체함으로써 닦기 힘의 세기나 캡 회전 방향 등 접촉 사양을 변경할 수 있음도 확인됐다.

2610.18843v12026.10.13

LIBERO-RIG: 시각-언어-행동 모델을 위한 하드웨어 설정 강건성 벤치마크

LIBERO-RIG: A Hardware-Setup Robustness Benchmark for Vision-Language-Action Models

Andrea Yaoyun Cui, Hanyu Wang, Xinyi Wang, Bangzheng Li, Lin Zhang 외 4명

LIBERO-RIG는 시각-언어-행동 모델(VLA)이 로봇 하드웨어 및 설정 변화에 얼마나 강건한지를 평가하는 벤치마크다. 카메라 장착·광학계, 카메라-팔 캘리브레이션, 구동 게인, 제어 주기, 고유감각(proprioceptive) 노이즈, 베이스 자세, 테이블 높이, 그리퍼 패드 등 11개 교란 축에 각각 5단계 심각도를 적용하여 LIBERO 4개 스위트에서 총 210가지 조건을 구성했다. 최근 VLA 모델 9종을 조건당 500회 에피소드로 평가한 결과, 풀링된 성공률은 중간 심각도에서 0.932에서 0.767로, 최고 심각도에서는 0.509까지 하락했다. 성능 저하 폭은 교란 축과 액션 인터페이스에 따라 상이하게 나타났다. 시각적 교란 데이터로 훈련하더라도 카메라 이미지에 변화를 주지 않는 오류는 완화되지 않는 것으로 나타났다.

2610.18842v12026.10.13

로봇을 개선하는 것은 누구인가? 물리적 재귀 자기개선을 향하여

Who Improves the Robot? Toward Physical Recursive Self-Improvement

Hai Zhou, Fan Yang, Zeyi Chen, Lejun Zhang, Chenyang Fu 외 25명

이 논문은 물리적 재귀 자기개선(Physical RSI, Physical Recursive Self-Improvement)을 다룬다. 물리적 RSI란 로봇이 물리적 경험을 바탕으로 자신의 능력뿐 아니라 개선 절차 자체를 업데이트함으로써 이후 학습이 더 효과적으로 이루어지는 개념이다. 연구팀은 능력 수준 업데이트와 메타 수준 업데이트, 과제 내 성과와 과제 간 성과를 구분하는 L0~L5 프레임워크를 제안하며, L5는 독립적으로 검증된 재귀적 개선 이득을 달성한 경우에만 배정된다. 기존 방법론(적응적 하네스, 모델 학습, 안전·제어 메커니즘)을 분석한 결과, 현재 문헌에서는 프레임워크 정의에 부합하는 Physical RSI를 실증한 사례가 아직 없는 것으로 나타났다. 이를 토대로 신뢰할 수 있는 피드백, 인과 귀인(causal attribution), 안전성 유지, 벤치마킹을 향후 연구 우선과제로 제시한다.

2610.18835v12026.10.13

RoboSimStudio: 로봇 조작 태스크의 빠른 Real2Sim을 위한 인터랙티브 툴킷

RoboSimStudio: An Interactive Toolkit for Rapid Real2Sim of Robot Manipulation Tasks

Kaiyuan Chen, Shuangyu Xie, Uksang Yoo, Xinyue Zhu, Cael Magner 외 7명

RoboSimStudio(RSS)는 로봇과 물체 간 접촉 역학(contact mechanics), 변형, 강성, 마찰 등 물리적 상호작용을 정밀하게 모델링하기 어려운 문제를 해결하기 위해 개발된 인터랙티브 툴킷이다. 솔버 선택, 접촉 모델, 물리 파라미터를 명시적으로 노출하고 편집 가능하게 하여 사람과 코딩 에이전트 모두가 관찰된 물리 거동을 바탕으로 시뮬레이션을 반복 개선할 수 있다. RSS는 오픈소스 Newton 물리 시뮬레이션 시스템을 기반으로 구현되었다. 실험은 시각적 평가, 힘 피드백, 에이전틱(agentic) Real2Sim2Real 세 가지 방식으로 수행되었다.

2610.18826v12026.10.13

WorldOracle: 행동 조건부 세계 모델의 실세계 실행 대비 벤치마킹

WorldOracle: Benchmarking Action-Conditioned World Models against Real-World Executions

Haoyi Duan, Liliang Chen, Nan Wang, Yang Zhang, Yuhang Lu 외 11명

WorldOracle은 행동 조건부 세계 모델(ACWM, action-conditioned world model)을 실제 로봇 실행 데이터와 직접 비교·평가하기 위한 벤치마크다. 동일한 초기 관측과 저수준 행동 시퀀스를 입력으로 받아, 예측된 롤아웃(rollout)이 실세계의 물리적 결과와 태스크 상태 전이를 얼마나 재현하는지 측정한다. 평가 축은 물리적 상태 정확도, 상호작용 공간 정렬, 핵심 상호작용 영역 충실도, 다시점 행동 일관성 등 네 가지다. 평가 스위트는 성공·실패 실행을 모두 포함한 다중 세그먼트 에피소드로 구성되어 다양한 행동 결과와 분포를 아우른다. 7개의 대표적 ACWM에 대한 실험을 통해 모델별 강점과 실패 유형을 분석했으며, 데이터셋·평가 코드·리더보드를 공개할 예정이다.

2610.18822v12026.10.13

EgoMatrix: 1인칭 시점 인간 영상으로부터 손재주 로봇 시연 데이터 생성

EgoMatrix: Physically Faithful Dexterous Robot Demonstrations from Egocentric Human Videos

Ziheng Wang, Yanming Shao, Ting Mao, Kaihan Chen, Yiqun Wang 외 2명

EgoMatrix는 단안(monocular) 1인칭 시점 인간 영상을 양팔 손재주 로봇 궤적과 로봇 관측 영상으로 변환하는 엔드투엔드 데이터 엔진이다. 손-물체 상호작용(HOI) 재구성 시 정확한 메트릭 복원보다 상대적 기하 구조와 접촉에 초점을 맞추며, 재타겟팅(retargeting)과 강화학습(RL)을 통해 시뮬레이션에서 시연 과제를 재현한다. 시뮬레이션 궤적에서 로봇 손과 물체를 함께 렌더링하여 상태·제어 기록과 동기화된 관측 영상을 생성하고, 과제에 적합한 다양한 배경에서 동일 궤적을 렌더링해 학습 데이터를 확장한다. TACO, OakInk2, 자체 수집 데이터에서 시뮬레이션 엔드투엔드 성공률 54.84%를 달성했으며, 이는 가장 강력한 기준선(baseline)의 14.52%를 상회한다.

2610.13945v12026.10.09

Splat2Act: 촬영한 장면에서 개인화된 VLA 조작으로

Splat2Act: From Captured Scenes to Personalized VLA Manipulation

Xiaomeng Ye, Krishna Jaganathan, Gyubeum Lim, Gunjan Chhablani, Muhammad Zubair Irshad 외 1명

Splat2Act는 사전 학습된 시각-언어-행동 모델(VLA)을 사용자의 특정 환경에 맞게 자동으로 개인화하는 실제-시뮬레이션-실제(real-to-sim-to-real) 파이프라인이다. 스마트폰 스캔 데이터와 물체 이미지만으로 3D 가우시안 스플래팅(3D Gaussian Splatting)을 이용해 실내 환경의 디지털 트윈을 구축하고, 시뮬레이션 오라클이 픽업 데모를 자동 생성한다. 캠퍼스 101개 환경(중앙값 이동 가능 면적 104.87 m², 수용면 7개)을 스캔해 852개 수용면과 68,000개 이상의 픽업 데모를 확보했다. π_0.5를 두 단계로 파인튜닝한 결과 목표 장면에서의 집계 픽업 성공률은 62.5%를 기록했다. 실제 Stretch 3 로봇에 배포했을 때 12개 과제 부분집합에서 63.9%의 성공률을 달성했으며, 이는 동일 과제의 시뮬레이션 성공률 66.7%와 근접한 수치다.

2610.13943v12026.10.09

VLA 적응을 위한 Noise Space Learning

Noise Space Learning for VLA Adaptation

Junjie Lu, Chuheng Zhang, Yucen Wang, Yuhua Jiang, Xinyao Qin 외 2명

사전 학습된 시각-언어-행동 모델(VLA)을 특정 과제에 적응시킬 때 제한된 로봇 상호작용 횟수, 계산 자원, 안전 제약이 동시에 걸림돌이 된다. Noise Space Learning(NSL)은 사전 학습된 VLA를 고정한 채 노이즈의 문맥 조건부 분포만 학습하는 방식으로 플로우 매칭(flow-matching) 기반 VLA를 적응시킨다. NSL은 PPO, SAC, AWR 등 다양한 학습 알고리즘을 수용할 수 있는 인터페이스로 설계되었으며, 정보이론적 분석을 통해 적응 효율성 근거를 제시한다. 시뮬레이션 벤치마크인 LIBERO·RoboTwin과 실제 로봇 조작 과제 4종에서 실험을 수행하였다. 상호작용·계산·실행 제약 조건이 다를 때 어떤 NSL 변형을 선택해야 하는지에 대한 실용적 권장사항을 도출한다.

2610.13929v12026.10.09

Chronos Policy: 물리적 시간을 반영한 로봇 정책 학습

Chronos Policy: Learning Robot Policies on Physical Time

Changhao Wang, Jaden Clark, Shuran Song

기존 로봇 정책은 관측-행동 시퀀스를 고정 주기로 처리해 물리적 시간을 시퀀스 위치에 암묵적으로 내포하는데, 관측 주기나 추론 지연이 달라지면 이 가정이 깨진다. Chronos Policy는 관측 캡처 시각과 원하는 행동 실행 시각을 조건으로 입력해 물리적 시간을 명시적으로 다룬다. 확산 트랜스포머(diffusion transformer)에 시간을 반영하는 두 가지 방법—타임스탬프 임베딩 추가와 시간 인식 회전 위치 인코딩(time-aware RoPE)—을 비교한 결과, time-aware RoPE가 토큰 내용을 유지하면서 어텐션이 물리적 시간에 직접 의존하도록 해 더 강건한 것으로 나타났다. 학습 시 관측 샘플링 시점과 행동 청크(action chunk) 시작 시점을 무작위로 변화시켜 비동기·다중 주기 데이터를 고정 시간 격자 없이 학습할 수 있다. 시뮬레이션 및 실기 실험에서 동적 과제·다중 감각 과제의 성능이 향상되었고, 준정적(quasi-static) 과제에서는 기준 성능을 유지하면서 타이밍 변화에 대한 견고성이 높아졌다.