PAPERS

논문 트래커

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

725건학회 채택 1건

2610.12432v12026.10.08

FAITH: 고차원 시스템을 위한 실현가능성 인식 안전 필터 강화학습

FAITH: Feasibility-Aware Safety-Filtered RL for High-Dimensional Systems

Songyuan Zhang, Baljeet Singh, Sarthak Ranjeet Kaingade, Chuchu Fan, Bryan Trinh

안전 강화학습(safe RL)에서 안전 조건과 과제 성능을 같은 정책 목표에 넣으면 업데이트가 충돌하는 문제가 발생한다. FAITH는 피드포워드 네트워크로 최소 개입 필터링을 근사하는 모델 프리(model-free) 프레임워크로, 안전 조건 평가와 과제 학습을 행동 실행 단계에서 분리한다. 안전 조건을 만족하는 행동이 존재하지 않을 경우, 예측된 최대 피해를 최소화하는 행동을 대신 선택하도록 설계되었다. 29자유도(DoF) 휴머노이드의 Walking-Avoid 과제에서 99.95%의 안전율과 필터 미적용 대비 97%의 과제 수익을 기록했으며, Push-Avoid 과제에서는 비교 방법 중 가장 높은 안전율을 달성했다. 동일한 정책이 실제 Unitree G1 휴머노이드에서도 시연되었다.

2610.12431v12026.10.08CoRL

궤적 확산 모델을 위한 실시간 제어용 불확실성 추정

Control-Ready Uncertainty for Trajectory Diffusion

Zhiwei Xue, Jia Yue Kam, Jinhang Qiu, Yifeng Cheng, Ege Gursoy 외 3명

확산 모델(diffusion model)은 복잡한 다중 모드 궤적 분포를 표현할 수 있으나, 불확실성 추출에는 비용이 큰 몬테카를로(Monte Carlo) 샘플링이 필요해 실시간 제어에 적용하기 어렵다. 저자들은 스코어-곡률(score-curvature) 정보를 증류해 각 기준 궤적 주변에 구조화된 정밀도 행렬을 학습하고, 반복 샘플링 없이 보정된 가우시안 튜브(Gaussian tube)를 생성하는 경량 모듈 SCOPE(Score-Curvature for Online Precision Estimation)를 제안한다. SCOPE는 타임스텝별 공분산 추정치를 산출하며, 이동 에이전트의 예측 점유 공간과 로봇 제어의 적응형 탐색 안내에 활용된다. 보행자 예측, 군중 내비게이션, Maze2D 제어, Franka Panda 실기 매니퓰레이션 네 가지 환경에서 평가한 결과, 빠른 불확실성 추정이 폐루프(closed-loop) 성능 향상으로 이어지는 것으로 나타났다.

2610.12424v12026.10.08

RoboRSI: 복잡한 실환경에서의 안정적·효율적·재사용 가능한 로봇 자기진화

RoboRSI: Stable, efficient, and reusable robot self-evolution in complex real-world environments

Zimo Wen, Yijin Chen, Yuxuan Cao, Wendi Chen, Yanwen Zou 외 6명

RoboRSI는 코드 기반 로봇 에이전트가 실행 경험을 구조화해 능력을 재사용할 수 있도록 설계된 자기개선(self-improvement) 시스템이다. 핵심 기법인 하향식 기술 정제(Top-Down Skill Refinement, TSR)는 과제를 복합·원자·기본 기술로 분해하고, 각 실행 결과를 해당 기술 분기에 귀속시켜 수정 범위를 그 분기로만 제한한다. Manager·Planner·Engineer·Reviewer 네 역할이 계획·실행·진단·기술 배포를 분담하며, 사람은 목표 설정과 수정을 통해 과정에 개입한다. 모바일 매니퓰레이터에서 104회에 걸친 가정용 다중 물체 정리 과제로 실기 실험을 수행하였다. 시뮬레이션 벤치마크인 LIBERO, LIBERO-PRO, LIBERO-Plus, RoboTwin에서는 가장 강력한 비교 기준선 대비 2.7~11.0 퍼센트포인트 높은 성공률을 기록하였다.

2610.12411v12026.10.08

GLIO2: 강인한 실시간 전역 위치추정 및 지도작성을 위한 GPU 병렬화 밀결합 LiDAR-관성-GNSS 시스템

GLIO2: A GPU-Parallelized Tightly-Coupled LiDAR-Inertial-GNSS System for Robust and Real-Time Global Localization and Mapping

Qi Zhang, Xikun Liu, Qijun Qin, Xiangru Wang, Junzhe Wang 외 3명

GLIO2는 라이다(LiDAR), 관성 측정 장치(IMU), GNSS 측정값을 단일 슬라이딩 윈도우 인자 그래프(factor graph)에서 공동 최적화하는 밀결합(tightly-coupled) 위치추정·지도작성 시스템이다. 기존 스캔-투-맵(scan-to-map) 방식은 퇴화(degeneracy) 발생 시 오차가 누적되어 복구 불가능한 발산으로 이어지는 한계가 있으며, GLIO2는 GPU 병렬 프론트엔드로 스캔-투-멀티스캔(scan-to-multiscan) 정합을 수행해 이를 완화한다. NVIDIA Jetson Orin NX에서 약 25 Hz(스캔당 39.60 ms)로 실시간 동작하며, 오프라인 백엔드는 4.51 km UrbanNav Whampoa 시퀀스를 약 24초 만에 처리한다. 최대 96 km/h로 주행한 5.66 km 교량 구간에서 비교 대상 시스템이 모두 발산하는 조건 아래 수평 정확도 1.6 m를 유지한다고 저자들은 보고한다. 소스코드와 데이터셋은 공개 예정이다.

2610.12407v12026.10.08

LeWAM: 확산 조향 기반 MPC를 갖춘 JEPA 세계 행동 모델

LeWAM: A JEPA World Action Model with Diffusion-Steering-Based MPC

Shashank Hegde, Alexander Popov, Elie Aljalbout, Nikolai Smolyanskiy

세계 행동 모델(WAM)은 행동과 미래 관측을 예측하지만, 재구성 기반 표현은 잡음과 중복 정보를 포함해 하위 예측 품질을 저하시키는 문제가 있다. LeWAM은 디코더 없는 JEPA(Joint-Embedding Predictive Architecture) 잠재 공간 위에서 순방향·역방향·역동역학(inverse dynamics)·정책 예측을 동시에 학습하는 양방향 트랜스포머 모델이다. 잠재 공간 정렬 실험에서 LeWAM은 재구성 기반 WAM보다 로봇 및 객체 상태를 선형 탐침으로 더 정확하게 읽어낼 수 있었으며, 시각적 방해 요소 무시 능력은 순방향 전용 JEPA 세계 모델과 유사한 수준으로 나타났다. 폐루프(closed-loop) 평가에서는 동일 인코더·동일 규모의 흐름 정합(flow-matching) 정책과 동등한 성능을 보이면서도 세계 모델 기능을 함께 제공한다. 계획(planning) 단계에서는 원시 행동 공간 대신 정책 헤드의 노이즈 공간에서 샘플링하는 확산 조향(Diffusion Steering) 기반 MPC(Model Predictive Control)가 역학 모델 오차 악용 문제를 줄이고 폐루프 성능을 향상시키는 것으로 나타났다.

2610.12404v12026.10.08

협동 로봇 동작 생성을 위한 물리 정보 기반 충돌 학습 프레임워크

A Physics-Informed Collision Learning Framework for Collaborative Robot Motion Generation

Chen Cai, Steven Liu

PI-UDF는 다관절 로봇 간 충돌 거리를 예측하는 물리 정보 기반 통합 미분 가능 프레임워크(physics-informed unified differentiable framework)로, 해석적 순기구학(forward kinematics)과 학습 가능한 링크 기하 임베딩, 공유 잔차 네트워크를 결합해 로봇 구성으로부터 팔 간 거리를 직접 예측한다. 충돌 경계 근처의 거짓 안전 오류를 강조하는 비대칭 경계 교차 패널티와 쿼터 기반 경계 마이닝을 도입해 안전 임계 정확도를 높인다. 학습된 거리 필드는 비선형 모델 예측 제어(MPC)에 미분 가능한 팔 간 여유 항으로 통합된다. 실제 듀얼 Franka 플랫폼에서 14자유도(DoF) 듀얼 암 스와핑 및 동적 회피 실험을 수행하였으며, Drake/FCL 오프라인 재현을 통해 폐루프 충돌 인식 협동 로봇 동작 생성에 적합함을 확인하였다.

2610.12386v12026.10.08

ARC: 로봇 파운데이션 모델을 위한 추론 레시피

ARC: A Reasoning Recipe for Robot Foundation Models

Gokul Puthumanaillam, Tao Sun, Elie Aljalbout, Moritz Reuss, Zhaoshuo Li 외 3명

ARC는 로봇 파운데이션 모델(RFM, Robot Foundation Model)의 제로샷(zero-shot) 과제 성능을 추가 로봇 시연 데이터나 대규모 재학습 없이 향상시키는 추론 방법론이다. 세 가지 요소로 구성되는데, 로봇의 다음 행동과 그 인과 구조를 설명하는 추론 흔적(reasoning trace), 기존 시연 데이터에서 이 흔적을 자동 생성하는 레이블링 파이프라인, 사전 학습된 RFM이 흔적을 제어에 활용하도록 적응시키는 전략이 포함된다. DROID 데이터셋에서 새 로봇 데이터 수집 없이 ARC-Trace-DROID를 구축하였으며, π_0.5와 Cosmos3-Nano-Policy 등 최신 시각-언어-행동 모델(VLA) 및 세계 모델 기반 행동 모델(WAM)에 적용했다. 저자들의 실험에 따르면 RoboLab-Reasoning-50 벤치마크에서 최대 50%포인트, 실제 로봇에서 π_0.5의 과제 성공률이 82.2%포인트 향상되었다.

2610.10538v12026.10.07

Never Look Back: 자아중심 비디오에서의 3D 객체 메모리 지속성 이해

Never Look Back: Understanding Persistence in 3D Object Memory from Egocentric Videos

Shravan Chaudhari, William Paul, Suchi Saria, Rama Chellappa, Homanga Bharadhwaj

Ledger는 자아중심(egocentric) 비디오에서 객체의 위치·이력·맥락 설명을 결합해 지속적인 3D 객체 메모리를 구축하는 시스템이다. 객체가 시야에서 사라진 후에도 위치를 보존하며, 반복 증거가 쌓인 후에만 이동을 기록해 위치 추정 노이즈의 영향을 줄인다. 짧은 설명문으로 객체의 내용물이나 지지면 등 세부 정보를 저장하고, 원본 영상 없이도 공간 질문에 답할 수 있다. HD-EPIC 정확도는 29.7%에서 42.6%로, UCS-Bench 정확도는 33.8%에서 38.5%로 향상됐으며, Ego4D 객체 위치 예측의 중앙값 오차는 0.99 m로 나타났다. 복수 장면을 이어붙인 100개 스트림 실험에서는 장면 변화 시 메모리 구성 실패가 확인됐고, 장면별 구성 방식이 성능 저하를 부분적으로 회복했다.

2610.10534v12026.10.07

RoboPrompt: 희소한 인간 입력을 통한 직관적 로봇 정책 조향

RoboPrompt: Intuitive Robot Policy Steering with Sparse Human Input

Yanwen Zou, Chenyang Shi, Guoxuan Xu, Wenye Yu, Wendi Chen 외 3명

RoboPrompt는 모방 학습(imitation learning)으로 훈련된 로봇 정책을 전용 하드웨어나 아키텍처 수정 없이 사용자가 직관적으로 조향할 수 있게 해주는 경량 시스템이다. 사용자는 그린 궤적, 목표 지점, 방향 지시 등 희소한 입력을 제공하며, 시스템은 이를 행동 초안(action draft)으로 변환한 뒤 기반 정책의 확산(diffusion) 또는 플로우 매칭(flow-matching) 동역학으로 정제한다. 노이즈 공간에서 행동 생성을 제어하므로 기반 정책의 재훈련이나 구조 변경이 필요하지 않다. Diffusion Policy, π_0.5, FastWAM을 대상으로 한 실험에서 DAgger 기반 온라인 개선을 2~3회 반복한 결과, Insert Bread 과제에서 세 정책 평균 성공률이 21.3% 상승하였다. 동시에 인간 개입 횟수는 각각 44.0%(2.86→1.60)와 81.9%(2.60→0.47)로 줄었다.

2610.10528v12026.10.07

Long-WAM: 세계-행동 모델의 컨텍스트 확장

Long-WAM: Scaling the Context of World-Action Models

Wei Huang, Bohan Zhang, Chenzhi Liu, Isabella Liu, Shuai Yang 외 11명

Long-WAM은 실시간 제어 제약 하에서 인과적 세계-행동 모델(causal world-action model)의 시각적 이력 컨텍스트를 확장하기 위한 모델-시스템 프레임워크다. 핵심 발견은 긴 이력의 효과를 얻으려면 비디오 기반 모델이 자기회귀(autoregressive, AR) 방식으로 사전학습되어야 한다는 점이며, 양방향 사전학습 초기화는 컨텍스트를 늘려도 순이득이 없는 것으로 나타났다. RoboCasa GR-1 벤치마크에서 컨텍스트를 0.0초에서 19.2초로 늘리면 성공률이 63.3%에서 78.7%로 오르며, LIBERO-Long·RoboTwin 2.0·DOMINO에서도 비교 대상 방법들 중 가장 높은 결과를 기록한다. 스트리밍 관측 인코딩과 비동기 실행을 적용해 RTX 5090에서 미래 비디오 잠재 예측을 포함한 행동 청크 처리에 107.4 ms가 소요된다. Unitree G1 실물 로봇에서 동적 컵 쌓기 과제에 95% 성공률을 달성하며, 동일 과제에서 Pi0.5와 Fast-WAM은 20회 시도 중 성공이 없었다고 보고된다.

2610.10526v12026.10.07

Rephrase Before You Act: 시각-언어-행동 모델의 언어 민감성 분석 및 완화

Rephrase Before You Act: Characterizing and Mitigating Language Sensitivity in Vision-Language-Action Models

Mikey Watts, Yuchen Cui

시각-언어-행동 모델(VLA)은 지시 문구가 조금만 달라져도 성능이 크게 흔들리며, 기반이 되는 시각-언어 모델(VLM)의 언어 강건성을 계승하지 못한다. 예를 들어 π_0.5는 'switch on the stove' 지시에는 100% 성공하지만 동일한 동작을 가리키는 'switch on the hot plate'에는 2%만 성공하며, 재구성 증강으로 파인튜닝한 π_0 체크포인트에서도 최대 61포인트의 편차가 관찰된다. 연구팀은 이 민감성이 체계적 패턴을 가짐을 분석하고, 소수의 학습 과제에서 대형 언어 모델(LLM)이 10~20개의 재구성 규칙을 도출하도록 한다. 배포 시 이 규칙에 따라 입력 지시를 한 번 재작성하는 방식으로, 정책 재학습 없이 π_0 기준 12개 보류 과제에서 16~27% 상대적 성능 향상을 달성한다. LIBERO 환경에서 π_0.5의 파인튜닝 내 성공률은 93.6%에서 97.8%로 향상된다.

2610.10515v12026.10.07

RoboJEPA: 로봇 잠재 세계 모델 스케일링

RoboJEPA: Scaling Robotic Latent World Models

Artem Zholus, Nicolas Beltran-Velez, Jianhao Yuan, Sarath Chandar, Tushar Nagarajan 외 7명

RoboJEPA는 결합 임베딩 예측 아키텍처(JEPA)를 기반으로 12가지 로봇 형태(embodiment)를 아우르는 대규모 데이터셋으로 학습한 세계 모델이다. 잠재 롤아웃의 오차인 상상 오류(imagination error)가 연산량에 대해 2차 거듭제곱 법칙을 따르며, 이를 통해 법칙이 적합된 규모 이상에서도 모델 품질 예측이 가능함을 보였다. 다운스트림 로봇 계획 성능이 연산량에 따라 예측 가능하게 향상되고, 상상 오류가 실제 로봇 평가의 신뢰할 수 있는 대리 지표로 기능함을 확인했다. 단일 목표 이미지를 향한 제로샷(zero-shot) 계획 방식으로 실제 하드웨어에서 장기 계획이 필요한 과제를 수행할 수 있음을 시연했다. 8B 파라미터 규모의 RoboJEPA는 모델 체크포인트와 학습·배포 코드를 함께 공개했다.

2610.10510v12026.10.07

시뮬레이션-실제 조작을 위한 인수분해 촉각 표현 및 제어

Factorized Tactile Representation and Control for Sim-to-Real Manipulation

Siqi Shang, Bianca Aumann, Tye Brady, Joshua Migdal, Taskin Padir

촉각 시뮬레이션-실제 전이(sim-to-real) 학습은 시뮬레이션 접촉과 센서 고유 응답 사이의 간극을 메우면서 제어에 필요한 정보를 보존해야 한다. 이 연구는 법선력(normal force)과 접촉 패치를 유효 접촉 응답으로 매핑하는 인수분해 촉각 표현 및 제어 프레임워크를 제안하며, 응답을 접촉 기하, 힘 분포, 시간적 접촉 변화로 분리해 각각 독립적으로 인코딩하고 랜덤화한다. 촉각 게이트 정책(Tactile Gated Policy)은 이 표현들을 제어 과정에서 독립적으로 유지하고, 재훈련 없이 다양한 마스크 구성에서 동작한다. 시뮬레이션과 실제 환경 평가에서 1 mm 미만의 접촉 위치 추정 정확도와 미학습 기하에서 1.69 N의 힘 추적 오차를 달성했다. 실제 환경의 적대적 핀 삽입(adversarial peg insertion) 과제에서 비분해 응답 대비 35% 성능 향상을 기록했으며, 표현 유형에 따라 상호작용별 효과 차이가 나타났다.

2610.10489v12026.10.07

HuMBLE: 체화 보행을 위한 인간 동작 기반 행동 학습

HuMBLE: Human Motion-Driven Behavior Learning for Embodied Locomotion

Mike Zhang, Dongho Kang, Kevin Bergamin, Nicola Burger, Robin Deits 외 17명

기존 휴머노이드 보행 연구에서 명령 추적에 최적화된 제어기는 기계적인 보행을 생성하고, 인간 동작 데이터 기반 제어기는 데이터 분포 밖의 명령에 일반화하지 못하는 한계가 있다. HuMBLE은 이 두 목표를 균형 있게 달성하기 위해 교사-학생 증류(teacher-student distillation) 과정을 도입하며, 강화학습(RL)으로 훈련한 전신 참조 조건부 교사 정책을 고유감각(proprioception)과 평면 토르소 속도 조향 명령만을 입력으로 받는 경량 학생 정책으로 증류한다. 이후 다중 태스크 RL 미세 조정 단계에서 임의 명령 추적 태스크와 인간 데이터를 스타일 정규화기로 활용하는 참조 유도 태스크를 함께 학습하여 명령 범위와 강건성을 데이터 분포 밖으로 확장한다. Boston Dynamics Atlas R1, Atlas D1, Unitree G1 세 종의 휴머노이드 로봇에서 실내외 환경 보행과 계층적 제어 스택 통합을 실기 실험으로 검증하였다. 인간 데이터 없이 훈련된 Tabula Rasa RL 정책과의 비교 및 절제 연구(ablation study)를 통해 조향 명령만으로 전신 협응 보행을 재현하는 프레임워크의 효과를 확인하였다.

2610.10479v12026.10.07

Agentic RSR: 장면 재구성과 실행 기반 로봇 정책을 통한 실세계-시뮬레이션-실세계 전이

Agentic RSR: Real-to-Sim-to-Real through Scene Reconstruction and Execution-Grounded Robot Policies

Yihan Li, Yating Feng, Shengjiu Sun, Jianing Chen, Hao Ren 외 5명

Agentic RSR는 실제 작업 공간 영상에서 장면을 재구성하고 시뮬레이터에서 정책을 개발한 뒤 실로봇에 배포하는 전 과정을 하나의 조작(manipulation) 과제로 연결하는 프레임워크다. 에이전트는 작업 공간 영상·과제 설명·로봇 모델을 입력받아 메트릭 스케일을 복원하고, 시각적 피드백으로 장면을 반복 정제하며 MuJoCo에서 과제 관련 상호작용을 검증한다. 코딩 에이전트는 특권적 객체 자세(privileged object poses)에서 시각적 관측으로 점진적으로 전환하며 실행 가능한 정책을 생성하고, 실행 피드백을 바탕으로 정책을 계속 수정한다. 두 로봇이 포함된 18개 재구성 장면에서 평균 4시점 깊이 MAE는 0.1057 m, 평균 Lab ΔE_76은 11.04, 평균 그레이스케일 SSIM은 0.6990으로 측정됐다. 실로봇 실험에서 과제 성공률은 시뮬레이션 성공률의 80%에 해당해 시뮬레이션 성능이 실제 하드웨어에서도 상당 부분 유지됐다.

2610.10472v12026.10.07

모델 기반 릴리스 설계를 통한 로봇 부메랑 투척

Robotic Boomerang Throwing via Model-Based Release Design

Yang Liu, Colin Jones, Aude Billard

공기역학적 양력을 생성하는 물체를 투척하면 로봇의 투척 능력을 탄도 비행 이상으로 확장할 수 있다. 이 연구는 관절 속도가 제한된 6자유도(DoF) 매니퓰레이터로 귀환형 부메랑을 던지기 위한 모델 기반 프레임워크를 제시하며, 릴리스(release) 상태 설계를 핵심 축으로 삼는다. 연구팀은 비행 역학을 단계적으로 규명하고, 불확실한 접촉 조건에서 릴리스 스핀을 안정적으로 제어하는 파라미터를 선별하는 방법론을 개발했다. 실험에서 부메랑은 51 rad/s(8.1 rev/s)로 릴리스되어 로봇 베이스로부터 최대 2.03 m까지 비행한 뒤 베이스에서 0.31 m 지점에 귀환 착지했다. 성공적인 릴리스 조건은 측정된 인간 투척 동작과 크게 달라, 로봇이 인간 동작을 모방하지 않고도 귀환 비행을 달성할 수 있음을 보였다.

2610.10470v12026.10.07

CMP-IRRT*: 사족보행 로봇을 위한 인식 보조 높이 적응형 경로 계획기

CMP-IRRT*: A Perception-Assisted Height-Adaptive Planner for Quadruped Robots

Mingfan Zhao, Wendong Mao, Zhongfeng Wang

사족보행 로봇은 낮은 장애물을 넘어갈 수 있지만 기존 2D 경로 계획 파이프라인은 장애물을 이진 점유 영역으로 처리해 이 특성을 활용하지 못한다. 이 연구는 Channel Mamba PointNet 기반의 Informed RRT* 계획기인 CMP-IRRT*를 제안하며, 보정된 탑뷰 RGB 영상에서 장애물 높이 맵을 추정해 높이 조건부 충돌 검사를 수행한다. 높은 장애물은 통과 불가 영역으로, 낮은 장애물은 통과 가능 영역으로 분류해 경로를 계획하며, CMP 가이드를 통해 샘플링을 유망 영역으로 유도한다. 2D 계획 벤치마크에서 기존 고전 방법 및 신경망 기반 기준선 대비 탐색 노드 수와 반복 횟수를 줄였으며, 통과 가능 저장애물이 포함된 시나리오에서는 경로 길이를 최대 16.3% 단축하는 결과를 보였다. Unitree Go2를 이용한 실기 시연에서 장애물 우회 및 통과 동작이 실제로 실행 가능함을 확인했다.

2610.10465v12026.10.07

LLA-MPPI: GPU 가속 병렬 시뮬레이션을 활용한 다리형 로봇의 빠른 적응 전신 제어

LLA-MPPI: Rapidly Adaptive Whole-body Control of Legged Robots with GPU-Accelerated Parallel Simulations

Sebin Jung, Maitham F. AL-Sunni, Juan Alvarez-Padilla, Zachary Manchester, Changliu Liu 외 1명

LLA-MPPI는 다리형 로봇의 전신 제어(whole-body control)에서 동역학 변화에 실시간으로 적응하는 모델 예측 경로 적분(MPPI) 기반 제어 프레임워크다. GPU로 병렬 실행되는 접촉 시뮬레이터 집합 가운데 최근 운동 예측 오차가 가장 작은 모델을 선택하는 방식으로 적응을 구현하며, 별도의 오프라인 사전 학습이 필요 없다. 4개의 시뮬레이션 과제에서 성공률 97.5%를 기록했으며, 가장 강력한 비교 기법은 74%, 실제 모델 파라미터를 아는 오라클(oracle)은 98.5%였다. Unitree Go2 하드웨어에서는 주행 중 페이로드 추가, 다리 한쪽 비활성화, 운반 상자 질량 실시간 증가 등 세 가지 조건에서 실기 검증을 수행했다.

2610.10462v12026.10.07

FoldBack: 장기 의류 접기를 위한 자기 교정 마스크 생성 정책

FoldBack: Self-Correcting Masked Generative Policy for Long-Horizon Garment Folding

Lipeng Zhuang, Shiyu Fan, Yingdong Ru, Zhuo He, Florent P. Audonnet 외 2명

FoldBack은 장기 의류 접기 작업에서 그립 실패를 스스로 감지하고 복구하는 마스크 생성 정책(masked generative policy)이다. 기존 장기 궤적 정책은 그립이 빠지거나 미끄러져도 의류가 목표 형상에 도달하지 못한 채 작업을 계속하는 문제가 있었다. FoldBack은 추론 시점에 세 가지 결정—언제 정제·검증할지, 어떻게 롤백할지, 어디서 어떻게 재시도할지—을 구조화해 실패한 동작 구간만 선택적으로 재생성하고, 이전 실패 위치는 회피한다. 복구 시연 데이터나 기반 정책 재학습 없이 동작한다. 6개 카테고리 실제 의류 33벌 실험에서 최종 접기 성공률 75.2%, 최종 마스크 IoU(교집합/합집합 비율) 0.837을 기록해 가장 강력한 비교 기준(45.7%, 0.689)을 앞섰다.

2610.10453v12026.10.07

RFPO: 체화 제어를 위한 정류 흐름 정책 최적화

RFPO: Rectified Flow Policy Optimization for Embodied Control

Ting Huang, Lisiyu Pan, Haoyu Wang, Zeyu Zhang, Siyuan Qian 외 4명

흐름 기반 정책(flow-based policy)은 연속 로봇 제어에 표현력이 높지만, ODE 수치 적분을 반복 수행해야 해 추론 비용이 크다. 적분 단계를 줄이면 제어 성능이 저하되는 '소수 단계 이산화 격차(few-step discretization gap)' 문제가 발생한다. RFPO는 보상 인식 온라인 Reflow와 동결된 가우시안 PPO 컨트롤러를 결합해 단일 오일러 스텝만으로 안정적인 정책 실행을 가능하게 한다. Unitree Go2에서 1스텝 실행 시 64스텝 대비 보상의 98.5%를 유지하면서 온보드 평균 추론 지연을 4.39ms에서 0.08ms로 줄여 54.9배의 속도 향상을 달성했다. Unitree Go2, Boston Dynamics Spot, Unitree H1, Unitree G1을 대상으로 한 실기 실험에서도 안정적인 보행이 확인됐다.