PAPERS
arXiv cs.RO 신규 논문을 매일 수집해 한국어 요약을 붙입니다. 학회 채택 정보는 저자 코멘트에서 자동으로 추출합니다.
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.
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.
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.
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.
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.
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.
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.
Beyond Ensemble Disagreement: Predictive STL Monitoring of RL Locomotion under Distribution Shift
Qurban Ali, Badaruddin Chachar, Maqsood Ali, Sajjad Ali Rajper
강화학습(RL) 기반 보행 정책은 훈련 환경 밖에서 분포 이동을 겪으면 안전성이 저하될 수 있다. 연구팀은 동결된 Ant-v5·HalfCheetah-v5 정책을 대상으로 폐루프 세계 모델(world model) 롤아웃과 3-모델 앙상블을 사용해 예측적 신호 시간 논리(STL, Signal Temporal Logic) 모니터링을 평가했다. 외력·관측 노이즈·질량 변화 조건에서 예측 강건성(robustness)은 HalfCheetah의 미래 STL 위반을 잘 순위화한 반면, 앙상블 불일치는 관측 예측 오차나 위반을 신뢰성 있게 추적하지 못했다. 심한 노이즈 조건에서 위반 발생률이 K=20 기준 64.2±24.4%에 달함에도, 예측 없이 현재 상태 강건성만 사용했을 때 AUROC 기준 0.03 이내로 예측적 강건성과 차이가 없었다. 앙상블 불일치로 예측 강건성을 보정해도 순위화 성능이 일관되게 개선되지 않아, 앙상블 불일치를 안전 불확실성의 신뢰 지표로 사용하는 데 주의가 필요하다는 결론이 도출됐다.
Directional Bounded-Confidence Matrix Alignment in Vicsek Flocking
Hossein B. Jond
이 논문은 이산시간 Vicsek 다중 에이전트 모델의 방향성 유계신뢰(bounded-confidence) 변형을 제안한다. 쌍별 방향 정렬이 순간 시선(line-of-sight) 프레임에서 직교하는 반경 및 접선 성분을 독립적으로 조절하는 상태 의존적 양반정치(positive semidefinite) 행렬로 변조된다. 정규화된 행렬 가중 시스템에 대해 임의 네트워크 상태에서 전역적 적정성(global well-posedness)을 보장하는 균일 비소실 하한이 증명된다. 완전 계량 상호작용 조건의 국소 소분산 상태에서 방향 직경의 선형 기하급수적 수축을 증명하고, 계량 접촉 보존 및 충돌 회피를 사전에 보장하는 오프라인 검증 가능한 공간 부트스트랩 조건을 확립한다. 반례를 통해 연결 행렬 그래프에서 불변 편광(polarized) 상태의 존재를 보여 수렴 보장의 구조적 한계를 명시하며, 수치 실험에서 비필터링 Vicsek 평균화·스칼라 신뢰 기준선 대비 성분 선택적 필터링 성능이 확인된다.
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.
RoboArchitect: Automating the Design of Robotic Agents with Persistent Memory
Shengguang Wu, Suning Huang, Cherie Ho, Ria Doshi, Hao Zhu 외 1명
RoboArchitect는 고정된 로봇 정책(frozen policy)을 감싸는 에이전트 하네스(agent harness)의 설계를 자동화하는 프레임워크다. 코딩 모델이 로봇의 실행 기록을 관찰하고 실패를 진단하며, 모델 가중치를 갱신하지 않은 채 하네스를 반복적으로 수정한다. 미확인 장면에서 평균 성공률이 9.7%에서 43.3%로(4.5배), 미확인 과제에서 12.7%에서 40.2%로(3.2배) 향상되는 결과가 복수의 벤치마크에서 나타났다. 진화된 하네스는 효과적인 파지 깊이 등 학습된 경험을 이후 결정에 전달하는 영속 메모리(persistent memory)를 자체적으로 발전시킨다. 범용 정책을 감싼 하네스가 파인튜닝(finetuning)된 버전을 능가하는 사례도 저자 실험에서 보고된다.
ROOF: Learning Humanoid Fall Recovery under Overhead Constraints
Yidan Lu, Jiayuan Yu, Zongrui Cai, Jingwen Sun, Jinrui Han 외 3명
머리 위 장애물 아래에 쓰러진 휴머노이드는 공간을 먼저 확보한 뒤 일어서야 하는 복합 회복 문제에 직면한다. ROOF는 탈출 경로를 명시하지 않고 로봇-장애물 중첩 면적의 점진적 감소를 보상으로 삼는 접촉 기반 기하학적 탈출 유도(contact-supported geometric escape guidance)를 적용한 강화학습(reinforcement learning) 방법이다. 학습된 동작 사전(motion prior)과 자세 의존적 지지 비용·관절 과부하 비용을 결합한 단일 정책은 고유감각(proprioception)만으로 장애물 회피, 지지 확보, 기립 완료 시점을 결정한다. 시뮬레이션에서 들어올릴 수만 있는 판 아래 88.5%, 크기·질량·위치가 무작위인 자유 판 아래 98.6%의 회복률을 달성했으며, 기하학적 유도를 제거하면 18.9%로 떨어진다. Unitree G1에 배포한 결과, 훈련에 포함되지 않은 가구와 다중 물체 배치를 포함한 실제 7개 장면에서 150회 시도 중 95회 성공했다.
CausalWAM: Learning the Causes of Actions in World Action Models
Juntao Cheng, Jinzhou Tang, Fan Feng, Henrik I. Christensen, Yujia Zheng
월드 액션 모델(World Action Model, WAM)은 관측에서 잠재 변수를 학습하여 장면 변화를 예측하고 행동을 생성하는 모델이다. 기존 WAM은 시연 데이터에 피팅될 때 행동 관련 잠재 변수와 불필요한 변수(누이선스 변수)가 얽히기 쉬워, 행동이 실제 인과 변수만으로 생성된다는 보장이 없다. 이 논문은 희소성(sparsity) 제약 조건 하에서 행동 생성에 쓰이는 잠재 변수가 행동 관련 잠재 변수만의 가역 함수임을 수학적으로 증명하며, 이 결과는 잠재 변수 간 통계적 의존성이 있어도 성립한다. 이를 구현한 CWAM(Causal WAM)은 사전 학습된 WAM의 행동 헤드에 희소 라우팅 경로를 추가하며, 월드 모델링 목적 함수는 그대로 유지한다. 합성 데이터와 실제 로봇 실험에서 이론을 검증하고 폐루프(closed-loop) 성공률 향상을 확인했다.
REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum Control
Pengfei Zhou, Yixing Ma, Zhengfeiyang Zhang, Haoyuan Chen, Zhenglin Wan 외 3명
REA(Routed Embodied Agent)는 고수준 추론을 담당하는 파운데이션 모델(System 2)과 빠른 반응 정책인 시각-언어-행동 모델(VLA, System 0)을 비동기적으로 연결하는 통합 런타임이다. 설계 핵심 원칙은 '실행 중인 정책이 뇌를 기다리지 않는다'는 것으로, 라우트 메모리(route memory), 경계 트리거 판단 게이트(judge gate), 공유 예산 에스컬레이션(escalation ladder) 세 가지 메커니즘으로 구현된다. LIBERO-Pro 60개 태스크에서 3,000회 에피소드를 평가한 결과 성공률 95.9%를 기록했으며, 최고 단일 에이전트 기준선(94.7%) 대비 제어 스텝 25%, 제어 시간 17%를 줄였다. RoboTwin 2.0 100회 에피소드 평가에서는 VLA 정책 기준 84%, VLA+코드 기준 86%의 성공률로 단일 VLA 기준선 MEDex(80%)를 상회했다. BEHAVIOR-1K와 실제 Unitree G1 휴머노이드로의 이전 적용에서도 비교 방법 중 가장 높은 성공률을 기록했다.
A Hybrid Path Planning Framework for Assistive Wheelchair Navigation in Dynamic Pedestrian Environments
Damla Leblebicioğlu, Rachel Barume, Taşkın Padır
이 논문은 이동 장애인을 위한 자율 휠체어의 다중 목표 내비게이션 문제를 다룬다. 전역 경유지 방문 순서 결정에는 순회 판매원 문제(TSP, Traveling Salesman Problem)를, 전역 경로 정보 전달에는 포텐셜 필드(PF, Potential Field) 기법을, 장애물 회피에는 RRT(Rapidly-exploring Random Tree)와 A* 두 가지 지역 경로 계획기를 결합한 하이브리드 프레임워크를 제안한다. 이를 통해 TSP-PF-RRT, TSP-PF-A* 두 알고리즘을 개발하였으며, 이기종 정적·동적 장애물이 혼재하는 혼잡 및 초혼잡 시나리오에서 몬테카를로(Monte Carlo) 시뮬레이션으로 성능을 평가하였다. 실험 결과, TSP-PF-RRT가 TSP-PF-A*에 비해 충돌 횟수가 적거나 충돌이 없었고 이동 거리도 짧은 것으로 나타났다.
Proof-Carrying Evolution: Black-Box Search, White-Box Flight
Amit Jain, Sergio Sanchez-Hurtado, Victor Rodriguez-Fernandez, Richard Linares
PCE(Proof-Carrying Evolution)는 언어 모델이 제어기와 수학적 인증서(certificate)를 함께 제안하고, 인증을 통과한 후보만 채택하는 제어기 설계 방식이다. 속도 제한이 있는 도킹, 기동 표적 추적, SO(3) 자세 제어의 세 과제에서 4개 언어 모델과 고전 탐색·합성 기법을 비교하였다. 선형 문제에서 최상위 언어 모델은 모든 실행에서 고전 기준선을 앞섰지만, 동일 목적함수로 인증서를 선택하는 고전 최적화기를 도입하면 그 차이가 크게 줄었다. SO(3)에서는 고전 변이와 혼합하면 어떤 모델도 CMA-ES를 명확히 상회하지 못했다. 인증된 후보를 유지하는 규칙을 제거한 도킹 실험에서는 인증된 설계가 단 하나도 생성되지 않아, 인증서 기반 선택 규칙의 역할이 확인되었다.
Nexus-VLA: Bridging Human and Robot Experiences via a Shared Hierarchical Semantic Latent Space
Biaoliang Guan, Tingyu Yuan, Wen Ye, Ziming Ji, Xu Yang 외 3명
Nexus-VLA는 대규모 1인칭 시점 인간 영상을 로봇 조작 정책 학습에 활용하기 위한 혼합 정책 학습 프레임워크다. 기존 방법이 신체 간(cross-embodiment) 지식 정렬과 로봇 정책 학습을 분리한 것과 달리, 인간-로봇 공동 엔드투엔드 훈련을 통해 인간 조작 경험이 로봇 행동 학습에 직접 반영되도록 설계되었다. 계층적 신체 간 의미 정렬(hierarchical cross-embodiment semantic alignment) 방식으로 과제 의도부터 세밀한 상호작용까지 단계적으로 공유 조작 의미론을 확립한다. 공유 조작 잠재 표현(shared manipulation latent representation)은 다수준 지식을 연속 행동 생성에 직접 쓰이는 내부 표현으로 통합한다. RoboCasa-GR1 벤치마크에서 80.5%의 과제 성공률을 기록했으며, 분포 외(OOD) 환경 및 실제 로봇 실험에서도 인간 데이터 활용과 시나리오 일반화 측면의 우위가 보고되었다.
Suspended-Fabric Robotic Manipulation Surfaces: Modelling, Design Space, and Multimodular Extensio
Pratik Ingle, Jørn Lambertsen, Kasper Støy, Andres Faiña
로봇 조작 표면(Robotic Manipulation Surface, RMS)은 물체가 놓인 면을 변형해 물체를 재배치하는 방식이다. 이 논문은 직물 시트를 수직 선형 액추에이터의 희소 격자에 현수하는 RMS에 대해 분리 가능한 현수선(catenary) 모델을 제시한다. 이 모델은 액추에이터 높이로부터 표면 형상을 계산하거나, 원하는 국소 기울기로부터 액추에이터 높이를 역산하는 폐형식(closed-form)을 제공하여 단순 PID 제어기로 물체 위치 제어를 가능하게 한다. 모델은 직물 길이·모듈 간격·액추에이터 스트로크와 도달 가능 작업 공간의 관계를 도출해 최소 직물 길이 하한과 설계 차트를 제공한다. 2×2 프로토타입에서 9개의 액추에이터만으로 1 m² 작업 공간 내 센티미터 크기 물체를 0.03 m 이내 오차로 위치시키고 모듈 간 이송을 실증했다.
Design and Validation of a Robotic Knee Exoskeleton with Musculoskeletal Simulation-Derived Biological Torque Control
Rajiv V. Joshi, Jimin An, Ilseung Park, Dawit Lee, Inseung Kang
본 연구는 시중 부품과 범용 제작 도구로 조립한 오픈소스 무릎 외골격(knee exoskeleton)을 제안하며, 생물학적 토크(biological torque) 추정기를 실기 데이터 없이 시뮬레이션만으로 학습한다. 근육 구동 모방 정책(muscle-driven imitation policy)이 공개 생체역학 데이터셋의 스쿼트 동작을 재현하고, 그 결과로 얻은 무릎 모멘트를 탑재 센서만 사용하는 추정기로 증류(distill)한다. 건강한 성인 7명을 대상으로 한 스쿼트 실험에서 외골격 미착용 대비 최대 생물학적 무릎 신전 모멘트가 21.5%, 안쪽넓은근(vastus medialis) 최대 활성이 26.7% 감소하였다(p<0.05). 하드웨어와 학습 파이프라인을 함께 공개하여 연구 그룹이 추가 데이터 수집 없이 동일 하드웨어에서 컨트롤러를 학습하고 비교할 수 있도록 한다.
Language-Conditioned Behavioral Cloning for Autonomous Endoscope Guidance
Ariel Rodriguez, Lorenzo Mazza, Ortrun Hellig, Alejandra Toscano, Rayan Younis 외 1명
최소 침습 수술에서 내시경 카메라를 자동으로 제어하기 위해 언어 조건부 행동 복제(language-conditioned behavioral cloning) 방식을 제안한다. 연구팀은 임상적으로 유의미한 6가지 카메라 유도 동작을 정의하고, 총 235개의 서브태스크 시연 데이터를 수집했다. 팬텀(모형 조직) 예비 실험에서 단일 시각운동 정책(visuomotor policy)으로 focus·overview·stop 동작은 성공률 100%, search-tip·follow-tip은 80%, horizon leveling은 50%를 기록했다. 이 결과는 서로 다른 특성을 가진 복수의 수술 카메라 동작을 하나의 정책으로 학습하는 것이 가능함을 보여준다. 다만 horizon leveling 등 일부 동작의 실패 사례는 시간적 문맥(temporal context) 추가의 필요성을 시사한다.