PAPERS

논문 트래커

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

725건학회 채택 1건

2610.03563v12026.10.02

엠파워먼트와 예측 제어를 위한 통합 프레임워크

A Unified Framework for Empowerment and Predictive Control

Wooyoung Chung, Tristan Shah, Volodymyr Makarenko, Stas Tiomkin

샘플링 기반 모델 예측 제어(MPC)는 궤적 최적화에 효과적이지만, 비용 함수 설계에 상당한 도메인 지식이 요구된다. 엠파워먼트(Empowerment)는 에이전트 입력과 미래 상태 간 채널 용량으로 정의되며, 목표 독립적(goal-agnostic) 제어 목적함수를 제공한다. 기존 엠파워먼트 기반 제어기는 탐색 정책과 실행 정책이 분리되고 이차 미분이 필요하다는 두 가지 한계가 있었다. 이 연구는 탐색과 행동에 단일 정책을 사용하는 엠파워먼트 공식화를 제안하며, 일차 미분만으로 표준 MPC 솔버와 호환된다. 고전 제어 과제 실험에서 엠파워먼트와 과제 비용을 결합하면 각 목적함수 단독 사용 대비 성공률이 같거나 높게 나타났다.

2610.03538v12026.10.02

RATE: 접촉 집약적 로봇 조작을 위한 위험 인식 촉각 인코딩

RATE: Risk-Aware Tactile Encoding for Contact-rich Robotic Manipulation

Yuyao Jiang, Haichao Liu, Jiarui Zheng, Zihan Ding, Weihao Yuan 외 1명

접촉 집약적 로봇 조작에서 유사한 촉각 관측값이 센서 노이즈, 과제상 필요한 변동, 불필요한 접촉 등 위험 수준이 전혀 다른 상황에서 발생하여 하위 정책의 판단을 모호하게 한다. 이를 해결하기 위해 위험 인식 촉각 인코딩(RATE, Risk-Aware Tactile Encoding)을 제안하며, 과제 조건부 상호작용 위험을 인코딩하는 촉각 표현을 학습한다. 이력 조건부 예측(history-conditioned prediction)으로 상호작용 맥락을 포착하고, 경보 감독(alert supervision)으로 해당 맥락을 과제 조건부 위험과 연결한다. 학습된 위험 인식 표현은 경량 잔차 어댑터(residual adapter)를 통해 기존 촉각 특징을 보완한다. 시뮬레이션과 실기 실험 모두에서 과제 성공률이 크게 향상되었으며, 제거 실험(ablation)으로 경보 유도 학습과 예측 시계열 모델링의 보완적 효과가 확인되었다.

2610.03537v12026.10.02

혈관내 뇌-컴퓨터 인터페이스 접근을 위한 자율 로봇 항법

Autonomous Robotic Navigation for Endovascular Brain-Computer Interface Access

Harry Robertshaw, Weijie Qi, Nikola Fischer, Alejandro Granados, Thomas C. Booth 외 1명

개두술(craniotomy) 없이 뇌에 접근하는 혈관내 뇌-컴퓨터 인터페이스(BCI) 시술은 뇌 정맥의 해부학적 변이로 정밀한 기기 유도가 요구된다. 이 연구는 Soft Actor-Critic(SAC) 기반 강화학습 컨트롤러를 훈련하여 우측 내경정맥에서 상시상정맥동까지 두 단계 경로를 자율 항법하는 시스템을 제시한다. 시뮬레이션(in silico) 평가에서 학습 해부 모델 기준 Task A와 Task B의 성공률은 각각 85.6%와 98.4%였으며, 미학습 해부 모델에서는 42.0%와 91.6%를 기록했다. 형광투시(fluoroscopy) 유도 실물(in vitro) 실험 20회 중 14회(전체 70%)가 성공했으며, 미학습 팬텀 모델의 Task B에서는 80% 성공률을 달성했다. 온라인 실패 예측기는 시뮬레이션에서 99.3~100.0%의 실패 탐지율을 보였으나, 실물 환경으로 전이 후 일부 성공 경로에서 과다 경보가 발생하는 캘리브레이션 저하가 관찰되었다.

2610.03530v12026.10.02

DR-IPC: LiDAR 기반 쿼드로터 탐색을 위한 외란 강인 통합 계획·제어

DR-IPC: Disturbance-Resilient Integrated Planning and Control for LiDAR-Based Quadrotor Navigation

Peng Liu, Jingyan Wang, Qipeng Ye, Wen Li, Jinya Su 외 3명

DR-IPC는 LiDAR 기반 쿼드로터가 복잡한 환경에서 외란에 강인하게 비행할 수 있도록 경량 경로 유도와 비선형 모델 예측 제어(NMPC)를 통합한 계획·제어 프레임워크다. 상호 연결된 확장 칼만 필터(EKF)와 비선형 외란 관측기가 NMPC 예측에 필요한 상태 추정치와 외란 재구성 정보를 함께 제공한다. 이 구조는 쿼드로터 비선형 동역학, 구동기 제약, 국소 경로 생성, 안전 비행 회랑(safe flight corridor) 잔차 패널티를 별도의 궤적 최적화 단계 없이 단일 정식화로 처리한다. Gazebo·MARSIM 시뮬레이션과 실내외 실험에서 바람, 현수 화물, 좁은 통로, 공 충격, 동적 장애물 회피 조건으로 검증하였으며, 다목표 탐색에서 임무 완료 횟수가 Gazebo 기준 1/10에서 9/10로 증가하고 고도 RMSE가 실험 기준 0.34 m에서 0.01 m로 감소하였다. 전체 시스템은 온보드에서 100 Hz로 동작한다.

2610.03516v12026.10.02

XGenAct: 교차 과제 생성을 통한 기하학 강화 세계 행동 모델

XGenAct: Geometry-Enhanced World Action Models through Cross-Task Generation

Tingting Du, Ziyao Wang, Guoheng Sun, Ang Li

세계 행동 모델(WAM, World Action Model)은 관찰과 행동의 시간적 변화를 예측해 로봇 제어에 활용되어 왔으나, RGB 기반 예측은 공간적 이해를 명시적으로 다루지 못한다는 한계가 있다. XGenAct는 RGB 영상, 로봇 행동, 미터 단위 깊이(metric depth), 표면 법선(surface normal), 기능적 역할 분할(functional role segmentation)을 결정론적 코덱(deterministic codec)을 통해 모두 RGB 비디오 형태로 표현한다. 단일 비디오 확산 트랜스포머(video diffusion transformer)와 단일 학습 목적 함수만으로 모달리티별 전용 헤드 없이 다양한 지각·행동 과제를 동시에 학습한다. RLBench 보류 과제에서 구조적 지각 학습을 적용한 XGenAct는 5개 과제 외부 비교에서 52% 성공률을 기록했으며, 평가된 베이스라인 중 가장 강력한 모델의 26%를 상회한다. 또한 RGB를 먼저 생성한 뒤 고정된 지각 전문가 모델을 적용하는 파이프라인보다 미래 깊이 및 분할 예측 정확도가 높게 나타났다.

2610.03498v12026.10.02

Detect and Suppress: VLA 모델의 적대적 패치에 대한 메커니즘 기반 방어

Detect and Suppress: A Mechanistic Defense against Adversarial Patches in VLA Models

Yukiya Horiba, Koshiro Aoki, Shunsuke Yasuki, Bum Jun Kim, Taiki Miyanishi

시각-언어-행동 모델(VLA)은 적대적 패치(adversarial patch)로 시각 입력이 조작될 경우 로봇 제어 실패로 이어질 수 있다. 저자들은 희소 자동 인코더(sparse autoencoder, SAE)로 VLA 내부 표현을 분석해 적대적 패치 존재와 강하게 상관되는 특정 피처를 식별한다. 이 피처를 추론 시점에 선형 탐침(linear probe)이 공격을 감지할 때에만 조건부로 억제하는 방식으로 VLA 전체 재학습 없이 강건성을 높인다. LIBERO-10 벤치마크에서 평가한 결과, 조건부 개입은 간헐적 공격 환경에서 성공률을 향상시키는 반면, 공격 여부와 무관하게 지속 적용하면 정책 성능이 크게 저하된다. 이 결과는 공격과 연관된 내부 표현이 방어 개입의 유효한 표적이 될 수 있으며, 개입 시점 제어가 정상 정책 동작 보존에 중요함을 보여준다.

2610.03476v12026.10.02CoRL

MobiAgent: 장기 이동 조작을 위한 이중 루프 재귀적 정책 자기 개선

MobiAgent: Dual-Loop Recursive Policy Self-Improvement for Long-Horizon Mobile Manipulation

Chenzhi Liu, Yue Zhang, Jiehong Lin, Jianan Wang, Bo Wang 외 2명

MobiAgent는 장기(long-horizon) 이동 조작 과제에서 실행 오류 누적 및 이동·팔 제어 간 능력 간섭 문제를 해결하기 위한 이중 루프(dual-loop) 에이전트 프레임워크다. 내부 루프(Inner Loop)는 고수준 추론과 저수준 제어를 분리하고, 시각-언어 모델(VLM)을 활용한 후퇴 수평선(receding-horizon) 계획과 시각 반성(visual reflection)으로 강인한 오류 복구를 수행한다. 저수준 제어는 통합 VLM 백본을 공유하는 플로우 매칭(flow-matching) 전문가들이 담당하여 능력 간섭을 완화하면서 재사용성을 높인다. 외부 루프(Outer Loop)는 배포 롤아웃을 자동으로 분절·검증·클러스터링해 원자 스킬(atomic skill)을 발견하고, 인간 주석 없이 스킬 라이브러리를 지속적으로 미세조정한다. RoboCasa, BEHAVIOR-1K 및 실세계 과제 평가에서 BEHAVIOR-1K 기준 π_0.5-TA 대비 22.5%p 향상, RoboCasa 성공률 7.50%→27.50%, Astribot S1 실세계 과제 성공률 32.5%→57.5%로 개선됐다.

2610.02204v12026.10.01

Reconstruct, Practice, Go Real: 체화 에이전트의 가이드 자기 개선

Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents

Yen-Jen Wang, Haozhe Jiang, Shuying Deng, Haoru Xue, Weirui Ye 외 5명

RPG는 모델 가중치를 업데이트하지 않고 오프라인 데이터셋에서 조작 능력을 식별한 뒤 시뮬레이션에서 연습 과제를 구성하는 로봇 실행 시스템 자율 개선 프레임워크다. 연습 중 실행 피드백, 시뮬레이터 특권 상태(privileged simulator state), 데이터셋 영상을 활용해 실패를 진단하고 재사용 가능한 심볼릭 스킬(symbolic skill)을 개발하거나 기존 스킬을 개선한다. 테스트 시에는 멀티모달 대형언어모델(LLM)이 생성된 시스템 프롬프트와 스킬 라이브러리를 이용해 인식과 로봇 제어를 조율한다. 22개 조작 과제 평가에서 첫 라운드 후 28.6%였던 과제 성공률이 15라운드 후 95.0%로 향상되었으며, ASPIRE(75.5%)와 GPT-6 Astra Pro 기반 CaP-Agent0(60.0%)를 포함한 모든 비교 기준을 상회했다. 캘리브레이션 및 하드웨어 적응 절차를 마친 뒤 3개 과제에서 각 10회씩 총 30회 실물 시험을 모두 성공했다.

2610.02198v12026.10.01

FERPO: 순방향 엔트로피 정규화 정책 최적화

FERPO: Forward Entropy-Regularized Policy Optimization

Sebastian Sanokowski, Alireza Sarmadi, Majid Khadiv

연속 제어 분야의 온라인 강화학습(reinforcement learning)에서 일부 기법은 학습된 크리틱(critic)을 행동에 대해 미분해 정책을 갱신하지만, 정확한 가치 예측이 정확한 행동 미분을 보장하지는 않는다. FERPO는 크리틱을 행동에 대해 미분하지 않고 엔트로피와 쿨백-라이블러(Kullback-Leibler, KL) 발산으로 정규화된 정책 개선 목표에서 최적 목표 행동 분포를 유도하는 온-정책 최대 엔트로피 강화학습 알고리즘이다. 행동자(actor)는 롤아웃 정책에서 추출한 행동에 자기정규화 중요도 샘플링(self-normalized importance sampling, SNIS)을 적용해 순방향 KL 목표를 최소화하는 방식으로 목표 분포에 맞춰 학습된다. 역방향 KL 목표가 목표 분포의 일부 최빈값만 선호하는 경향이 있는 것과 달리, 순방향 KL 목표는 다수의 고가치 최빈값 탐색을 촉진한다. MuJoCo Playground와 ManiSkill 실험에서 경쟁력 있는 성능과 샘플 효율 향상을 보였으며, Relative Entropy Pathwise Policy Optimization(REPPO) 대비 행동자 업데이트 속도도 빠른 것으로 나타났다.

2610.02196v12026.10.01

InterEvolve: 휴머노이드 로코-매니퓰레이션을 위한 보상 프로그램의 테스트 시간 진화

InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation

Zhuo Lin, Sirui Xu, Liuyu Bian, Yu-Xiong Wang, Liang-Yan Gui

InterEvolve는 재훈련 없이 테스트 시간에 기존 컨트롤러의 스킬을 재활용하여 새로운 로코-매니퓰레이션(loco-manipulation) 과제를 해결하는 프레임워크다. 객체 인식 순방향-역방향(forward-backward, FB) 행동 파운데이션 모델(behavioral foundation model)을 개발하여, 새로운 보상 신호를 테스트 시간에 곧바로 로코-매니퓰레이션 행동으로 변환한다. 과제는 단계별 보상·완료 조건·조정 가능한 상수로 구성된 보상 프로그램(reward program)으로 명세되며, 대형 언어 모델(LLM) 에이전트가 실행 피드백과 검증된 프로그램 라이브러리를 바탕으로 프로그램 구조를 반복 수정하고 수치 최적화기가 상수를 조정한다. 실험에서 사람이 직접 설계한 보상보다 InterEvolve가 진화시킨 프로그램이 FB 모델의 잠재 능력을 더 많이 이끌어내는 것으로 나타났다. 시뮬레이션에서 다양한 과제와 장기 구성을 다루며, 진화된 스킬 일부는 자기중심 온보드 인식(egocentric onboard perception)만으로 Unitree G1 실체 로봇에서도 자율 작동하는 것을 확인했다.

2610.02170v12026.10.01

Watch, Infer, Coordinate: 제로샷 협력을 위한 로봇 파트너 제약 조건 추론

Watch, Infer, Coordinate: Inferring Robot Partner Constraints for Zero-Shot Coordination

Suyu Ye, Zheyuan Zhang, Vaishnav Tadiparthi, Hossein Nourkhiz Mahjoub, Ehsan Moradi Pari 외 3명

물리적으로 결합된 조작 과제에서 하드웨어 열화나 액추에이터 결함으로 인해 파트너 로봇의 행동 제약이 발생할 수 있지만, 그 제약이 협력 상대 로봇에게는 알려지지 않은 경우가 많다. 이 연구는 관찰자 로봇이 제약이 있는 파트너 로봇이 제3의 로봇과 협력하는 장면을 관찰해 제약을 추론하고, 새로운 과제에서 동일 파트너와 제로샷 협력(zero-shot coordination)을 수행할 수 있는지 탐구한다. 핵심 통찰은 제약이 팀 전체의 공동 행동에 영향을 미치므로 두 로봇 모두의 행동이 파트너 능력에 관한 정보를 제공한다는 점이다. 연구팀은 세 가지 물리적 결합 조작 환경을 포함하는 벤치마크 Watch, Infer, Coordinate를 제안하고, 관측된 공동 행동으로 후보 제약을 점수화하는 추론 방법을 도입했다. 세 환경 모두에서 제안 방법은 제약 추론과 제로샷 협력 성능을 크게 향상시켜 실제 제약 정보를 보유한 오라클에 근접한 결과를 보였다.

2610.02161v12026.10.01

DuoMind: 시맨틱 통신을 통한 분산 다중 로봇 협력 지원

DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication

Hanchu Zhou, Dechen Gao, Hang Wang, Brendan Lynch, Boqi Zhao 외 3명

시각-언어 모델(VLM)과 시각-언어-행동 모델(VLA)을 결합한 분산 계층 프레임워크 DuoMind를 제안한다. 각 로봇은 저수준 실행을 담당하는 VLA 기반 행동 모델과 고수준 추론 및 에이전트 간 조율을 맡는 VLM 기반 오케스트레이터로 구성된다. 오케스트레이터는 작업 지시, 로컬 관측, 다른 로봇으로부터 수신한 메시지를 종합해 행동 모델에 저수준 명령을 내리고 동료 로봇에게 시맨틱 메시지를 전송한다. 다중 로봇 협력 벤치마크 부족 문제를 해결하기 위해 분산 제어 환경에서 협조적 폐루프(closed-loop) 실행이 필요한 장기(long-horizon) 조작 과제를 포함하는 RoboPoly 벤치마크를 함께 개발했다. RoboPoly와 RoboTwin에서의 실험 및 절제 연구(ablation study)를 통해 계층적 오케스트레이션과 시맨틱 통신 각각의 기여를 확인했다.

2610.02120v12026.10.01

SkeleWAM: 효율적인 로봇 조작을 위한 골격 세계-행동 모델링

SkeleWAM: Skeleton World-Action Modeling for Efficient Robotic Manipulation

Juyi Sheng, Hua Wang, Mengyuan Liu

세계-행동 모델(WAM, World Action Model)은 로봇 행동 생성과 미래 상태 예측을 결합하는 방식이지만, 기존 모델들은 영상 또는 학습된 시각 잠재 표현을 사용해 기하 정보를 암묵적으로만 표현한다. SkeleWAM은 로봇 관절·물체 중심·상호작용 점으로 이루어진 희소 3D 골격으로 조작 장면을 표현한다. 골격은 RGB-D 관측과 고유감각(proprioception)으로부터 온라인으로 구성되며, 행동 생성과 미래 골격 예측에 공통 상태 표현으로 사용된다. 미래 골격 예측은 시각 재구성 없이 행동 학습에 추가적인 기하 지도 신호를 제공하며, 추론 시에는 메도이드 행동 합의(MAC, Medoid Action Consensus) 전략이 확률적 행동 샘플의 보조 합의 기제로 작동한다. LIBERO-Plus 벤치마크에서 57.1M 파라미터로 전체 성공률 85.9%를 기록해 Cosmos-Policy 대비 3.7 퍼센트포인트 높은 성능을 보였다.

2610.02110v12026.10.01

GlassGuard: 로봇 내비게이션을 위한 검증된 유리 평면 매핑

GlassGuard: Verified Glass Plane Mapping for Robot Navigation

Hanwen Guo, Zhengzhi Lin, Yusen Xie, Ji Zhang

투명·반사 표면은 LiDAR 기반 SLAM에서 레이저가 유리를 통과해 충돌 경계가 지도에서 누락되는 문제를 일으킨다. GlassGuard는 파운데이션 비전(foundation vision) 모델이 제공하는 유리 인스턴스 마스크, 3D 구조 단서 기반 계량적 평면 가설, 그리고 깊이 정보 없이 수행하는 2D 투영 기하학 검증을 결합해 건축용 평면 유리를 전역 지도에 통합하는 프레임워크다. 유리 커버리지와 가용 공간 오염이라는 두 지표를 동시에 최적화하도록 설계되었다. 9개 건물 규모 장면, 총 2.1 km의 실제 로봇 주행 데이터에서 평가한 결과, 파노라마 버전 기준 유리 커버리지 85%를 달성했다. 동일한 핀홀(pinhole) 카메라 입력 조건에서는 비교 베이스라인 최대 61% 대비 82%의 커버리지를 기록하면서 프레임당 오탐 복셀(false voxel)은 5~17배 적게 발생했다.

2610.02089v12026.10.01

HumanoidToolBench: 도구 선택부터 이동 실행까지 휴머노이드 도구 사용 벤치마크

HumanoidToolBench: Benchmarking Humanoid Tool Use from Selection to Mobile Execution

Kyochul Jang, Seohyeon Park, Ohchul Kwon, Sangjun Park, Junhyeok Choi 외 7명

HumanoidToolBench는 휴머노이드 로봇의 도구 사용 능력을 통합 평가하는 18개 과제 벤치마크로, 세 가지 시나리오·실행 수준·도구 세트 모드로 구성된다. 함께 공개된 ToolBook은 시뮬레이션과 실제 Unitree G1에서 수집한 3,100개의 시연 데이터셋이다. 시뮬레이션에서 7개, 실제 로봇에서 3개의 정책을 평가한 결과, 적절한 도구를 선택하는 능력과 최종 과제 완료 사이에 큰 성능 격차가 나타났다. GR00T N1.7을 대상으로 한 집중 실험에서는 학습되지 않은 도구에 대한 선택 정확도가 낮아지고, 관련 없는 지시가 주어져도 과제 실행이 중단되지 않는 현상이 확인됐다.

2610.02054v12026.10.01

UniWAM: 통합 월드-액션 모델

UniWAM: Unified World-Action Model

Jiayi Chen, Wenxuan Song, Jingbo Wang, Shuai Zhou, Xicheng Gong 외 11명

UniWAM은 물리적 추론기(physical reasoner), 세계 생성기(world generator), 행동 예측기(action predictor)를 단일 아키텍처로 통합해 시맨틱 이해, 시각 생성, 행동 예측을 공동으로 학습한다. 시각-언어-행동 모델(VLA)의 언어 능력을 체화 과제에 유지하기 위해 저수준 행동을 자연어로 표현하고, VQA 데이터·인간 1인칭 데이터·로봇 시연 데이터를 각 구성 요소에 배분하는 사전학습 방식을 도입한다. 사후학습 단계에서는 미래 시각 노이즈 증강(future visual noise augmentation)과 히스토리 조건부 플로우 매칭(history-conditioned flow matching)을 적용해 디노이징 스텝 수를 줄이면서 성능을 유지한다. 인간 1인칭 데이터와 로봇 데이터 모두에 데이터 정제·주석 파이프라인을 별도로 구축해 학습 데이터 품질을 확보했다. 분포 내 성능, 강건성, 일반화, 장기 과제 수행 등 다수 평가 항목에서 최고 성능을 기록했으며, 인간-로봇 공동 학습에서 로그-선형 스케일링 법칙(log-linear scaling law)이 존재함을 확인했다.

2610.01985v12026.10.01

H-SPAR: 입자 수송 및 자율 로봇을 위한 수역학 인식 시뮬레이션

H-SPAR: Hydrodynamic-aware Simulation for Particle Transport and Autonomous Robots

Navid Zarrabi, Nariman Yousefi, Sajad Saeedi

H-SPAR는 해양 환경 로봇 샘플링 임무를 통합 평가하기 위한 시뮬레이션 프레임워크다. 시공간적으로 변하는 유속장(velocity field), 라그랑지안(Lagrangian) 입자 수송, 확률적 샘플링, ROS 2/Gazebo 기반 무인 수상 로봇(USV) 자율주행을 하나의 구성으로 결합한다. 경로 계획 실험에서 전류 인식 계획기 SVF-RRT*는 계획 단계에서 기존 RRT* 대비 상류 비용을 69.4% 낮추었으나, 시변 유동 조건의 실행 단계에서는 이 절감 효과가 41.7%로 줄어들었다. 커버리지 실험에서는 스윕 방향 선택에 따라 입자 샘플링 비율이 최대 22.2% 달라지는 것으로 나타났다. 코드는 GitHub에 오픈소스로 공개되어 있다.

2610.01972v12026.10.01

BLT*: 디지털 트윈 불확실성 인식 계획을 위한 Informed Belief Localization Trees

BLT*: Informed Belief Localization Trees for Uncertainty-Aware Planning on Digital Twins

Elliot Preston-Krebs, Abhishek Goudar, Timothy D. Barfoot

Informed BLT*는 포인트 클라우드(point-cloud) 관측을 활용해 대규모 야외 디지털 트윈(digital twin)으로 확장 가능한 샘플링 기반 신뢰 공간 계획(BSP, belief space planning) 알고리즘이다. RRT*와 Informed RRT*를 2-바서스타인(W₂) 거리 메트릭을 사용해 신뢰 공간에 적용하였으며, 등방성 가우시안(isotropic Gaussian) 신뢰 상태를 가정해 관측을 반복 전파하지 않고도 조향(steering)과 재연결(rewiring)이 가능하다. 이를 통해 이전에 계산된 측정 정보를 재사용할 수 있어 계산 효율이 높아진다. 포인트 클라우드 기반 위치 추정에 활용 가능한 의미론적 레이블이 부여된 디지털 트윈 생성 프레임워크도 함께 제시한다. 시뮬레이션 환경과 디지털 트윈에서의 실험에서 대부분의 지도 조건 하에 초기 해 발견 속도가 더 빠르고 비용 수렴도 경쟁력 있는 수준으로 나타났다.

2610.01959v12026.10.01

해석적 국소 점수를 이용한 학습 불필요 확산 기반 모션 계획

Training-Free Diffusion Planning with Analytical Local Scores

Michael Y. Fatemi, Jinhao Liang, Ferdinando Fioretto

경로 탐색과 다중 로봇 모션 플래닝(motion planning)은 복잡한 기하학적 제약 환경에서 부드럽고 충돌 없는 궤적을 요구하며, 기존 확산(diffusion) 기반 플래너는 대규모 실현 가능 궤적 데이터를 학습해야 해 특정 지도에 종속되는 한계가 있다. 본 논문은 학습된 전역 점수 대신 장애물·부드러움·속도·에이전트 간 실현 가능성 항으로부터 유도한 해석적 국소 점수를 사용하는 학습 불필요 확산 기반 플래너를 제안한다. 핵심 관찰은 궤적의 점수가 인접 웨이포인트(waypoint)와 근접 제약 조건 간의 국소 상호작용만으로 재구성될 수 있다는 것이다. 이 구조를 활용해 고전적 궤적 최적화의 구조와 확산 모델의 반복 정제 특성을 동시에 유지하는 분해된 디노이징 절차를 구성한다. 실험에서는 100개 이상의 장애물이 있는 환경에서 300개 이상의 에이전트에 대한 실현 가능 경로를 GPU로 6초 이내에 생성하며, 학습 기반 및 최적화 기준선보다 높은 성능을 보였다.

2610.01943v12026.10.01

TouchTherm: 촉각 및 열 렌더링을 위한 객체 멀티모달 디지털 트윈 구축

TouchTherm: Building Multimodal Digital Twins of Objects for Tactile and Thermal Rendering

Yitao Zhang, Hong Ying, Haoran Guo, Xiaoying Zhou, Guanyu Chen 외 1명

TouchTherm은 실제 물체로부터 시각·촉각·열 속성을 통합한 시뮬레이션용 객체 자산을 구축하는 프레임워크다. 시각·촉각 재구성에는 구조광(structured-light) 스캐닝과 포토메트릭 스테레오(photometric stereo)로 얻은 다시점 법선 맵을 결합해 미세 표면 높이장(micro-height field)을 복원한다. 열 재구성에는 제어된 가열 후 자연 냉각 과정을 동기화된 다시점 적외선 영상으로 촬영하고 물리 정규화된 동적 열장(thermal field)을 추정한다. 20개 객체 실험에서 표면 온도 평균절대오차(MAE)는 30초 시점에서 0.465°C, 45초 시점에서 0.592°C로 나타났다. 복원된 촉각 자산은 합성-실제 간 전이(synthetic-to-real) 물체 인식에 활용되었으며, 장갑 기반 가상현실(VR) 시스템을 통해 공간·시간적으로 변화하는 온도 피드백이 구현되었다.