PAPERS

논문 트래커

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

725건학회 채택 3건

2609.28427v12026.09.23

외골격 로봇 개인화를 위한 Context-Continuous Preference Learning

Context-Continuous Preference Learning for Exoskeleton Personalization

Sunin Baek, Sungwoo Park, Daekyum Kim

외골격 로봇의 보조 설정을 사용자에게 맞추려면 다양한 운동 조건에서 피드백을 수집해야 하나, 이에 드는 시간과 신체적 부담이 크다. 이 논문은 인접한 운동 조건 간 선호도 관측치를 공유하면서 조건별 효용 추정은 유지하는 가우시안 과정(Gaussian process) 기반 선호 모델 CCPL을 제안한다. 건강한 성인 9명의 발목·팔꿈치 외골격 선호도 데이터를 활용한 시뮬레이션 및 후향적 분석에서, CCPL은 독립 학습 대비 발목 보조의 재구성 상관계수를 0.644에서 0.720으로, 팔꿈치 보조를 0.476에서 0.526으로 향상시켰다. 동일 정확도를 달성하는 데 필요한 피드백 횟수는 발목 기준 약 37%, 팔꿈치 기준 약 17% 감소한 것으로 나타났다. 다만 선호도의 맥락 연속성이 약할 경우 부정적 전이(negative transfer)가 발생할 수 있으며, 실제 온라인 개인화에서의 효과는 추가 검증이 필요하다고 저자들은 밝혔다.

2609.28414v12026.09.23

Frozen Flows Forget: 잠재 흐름 월드 모델에서 손실된 모션의 진단과 복원

Frozen Flows Forget: Diagnosing and Restoring Lost Motion in a Latent-flow World Model

Xiwen Chen, Rigaudiere Z. Li, Zhiruo Zhou, Xiaojun Zhu, Houde Liu

동결된 자기지도(self-supervised) 잠재 공간에 흐름(flow)을 통합한 잠재 월드 모델(latent world model)은 안정적으로 학습되지만, 조작(manipulation) 과제에서 모션(motion) 정보를 암묵적으로 손실하는 문제가 있다. 사전 학습된 흐름은 조작 대상 객체를 실제로 이동시키지 못하며, 잠재 손실만으로 재학습하면 정지 현상 대신 순간이동식 움직임이 나타난다. 연구진은 이 실패 원인이 표현(representation) 자체가 아니라 앵커가 희소한 잠재 전용 훈련 신호에 있다고 추적했다. DART(Decode-Augmented Rollout Training)는 표현을 동결한 채 디코딩 경로 지도 학습으로 흐름만 재학습해 모션의 시간 구조를 복원하며, 대규모 실험에서 오라클 기반 보간 참조값과의 나머지 격차를 절반 가까이 좁혔다. 아울러 픽셀 오류 단독 평가가 동결 예측에 보상을 줄 수 있다는 평가 지표의 맹점도 함께 보고된다.

2609.28396v12026.09.23

시공간 튜브 보상을 활용한 신호 시간 논리 전체 명세 클래스의 효율적 강화학습

Tractable Reinforcement Learning for Full Class of Signal Temporal Logic Specifications Using Spatiotemporal Tube Reward

Vaishnavi Jagabathula, P Sangeerth, Pushpak Jagtap

이 논문은 미지의 동역학과 엄격한 액추에이터 제한 하에서 비홀로노믹(non-holonomic) 및 부족 구동(underactuated) 로봇 플랫폼이 신호 시간 논리(Signal Temporal Logic, STL) 명세를 만족하도록 하는 제어 문제를 다룬다. 기존 분석적 시공간 튜브(Spatiotemporal Tube, STT) 컨트롤러는 입력 제약 조건 적용이 어렵고, 기존 강화학습 방법은 상태 이력에 의존해 메모리 부담이 크다는 한계가 있다. 제안 프레임워크는 STL의 논리적·시간적 복잡성을 시변 기하학적 경계로 변환하고, 상태 공간에 시간 정보를 추가하여 연속적인 기하 인식 보상 함수로 시간 인식 Soft Actor-Critic(SAC) 에이전트를 훈련한다. 이 방법은 실행 중 복잡한 논리 의미론을 명시적으로 평가하지 않아도 되며, 상태 이력 없이 입력 제약을 준수하는 연속 제어 정책을 학습할 수 있다.

2609.28393v12026.09.23

PointCast: 강체·관절체·변형체 조작을 위한 단일 세계 모델

PointCast: One World Model for Rigid, Articulated, and Deformable Object Manipulation

Hantao Ye, Ross Worobel, Zhuoli Xie, Mingen Li, Houjian Yu 외 2명

PointCast는 강체, 관절 객체, 변형 가능 객체 조작을 단일 아키텍처로 처리하는 포인트 집합 기반 세계 모델(world model)이다. 객체와 엔드이펙터(end-effector)의 3D 포인트 집합으로 상태를 표현하며, 메시나 위상 구조에 의존하지 않고 각 포인트의 궤적을 개별 감독한다. 백본은 확산 트랜스포머(diffusion transformer)로, 파라미터 수 1,980만 개의 단일 구조가 강체·천·로프·다관절 캐비닛 네 가지 환경을 각각의 체크포인트로 다룬다. 무작위화 시뮬레이션 학습 후 네 환경 중 세 곳에서 비교 기준 모델을 앞섰으며, 실제 로봇 원격 조작 데이터셋에서는 6개 카테고리 중 4개에서 가장 낮은 평균 오차를 기록하고 나머지 두 카테고리에서도 2위를 차지했다. 샘플링 기반 모델 예측 제어(MPC)에 통합해 시뮬레이션 4개 과제를 64 에피소드에 걸쳐 계획했을 때 비교 모델들과 동등하거나 높은 성능을 보였다.

2609.28378v12026.09.23

ForgetMimic: 강화학습 휴머노이드 제어를 위한 모션 언러닝

ForgetMimic: Motion Unlearning for Reinforcement Learning Humanoid Control

Xukun Luan, Zhongxiang Lei, Chen Gong, Shaowei Li, Yuanguo Bi 외 1명

인간 시연 데이터로 훈련된 강화학습(RL) 기반 휴머노이드 제어 정책에서 특정 모션을 선택적으로 제거하는 방법인 ForgetMimic을 제안한다. 이 방법은 N개 모션으로 훈련된 정책 π_θ에서 K개 대상 모션의 성능만 저하시키되 나머지 N-K개 모션의 성능은 그대로 유지하는 구조로 설계됐다. 악의적·오염된 모션 제거와 GDPR의 '잊혀질 권리' 규정 준수가 주요 개발 동기로 제시된다. 연구팀은 로봇 제어 환경에서 언러닝 실패를 유발하는 두 가지 핵심 훈련 메커니즘을 규명하고 이를 해결했다. Unitree G1 및 H2 휴머노이드 로봇에서 댄스·격투·플립 등 12개 모션을 대상으로 실험한 결과, 지정 모션은 제거되고 나머지 모션은 정상 작동함을 확인했다.

2609.28377v12026.09.23

Amplify: 로봇공학의 재현 가능한 비선형 프로그래밍 문제를 위한 경량 라이브러리

Amplify: A Lightweight Library for Reproducible Nonlinear Programming Problems in Robotics

Nelson Rosa

Amplify는 로봇 궤적 최적화(trajectory optimization) 문제의 재현성 확보를 목표로 개발된 경량 비선형 프로그래밍(nonlinear programming) 라이브러리다. 전체 코드는 537줄(한 줄 80자)로 구성되며, AMPL 모델링 언어와 텍스트 편집기만 있으면 실행할 수 있다. 핵심 설계 원칙은 동역학 계산·궤적 생성·참조 모션 알고리즘을 최적화 모델의 제약 조건으로 직접 표현하는 선언형 프로그래밍(declarative programming) 패러다임이다. 논문은 이 설계 방식이 재현성을 추구하는 다른 전사(transcription) 라이브러리에도 적용 가능함을 설명한다. 이족 보행(bipedal locomotion)과 파지 계획(grasp planning)을 포함한 벤치마크 최적화 문제에서 기존 3개 라이브러리와 비교 실험을 수행하였다.

2609.28364v12026.09.23

LEAP-CBF: 최소 노력 적대적 포텐셜을 활용한 불확실 시스템의 안전 필터

LEAP-CBF: A Safety Filter for Uncertain Systems with Least-Effort Adversarial Potentials

Oswin So, Eric Yu, Chuchu Fan

제어 장벽 함수(CBF, Control Barrier Function)는 비선형 동적 시스템의 안전을 보장하는 안전 필터로 널리 쓰이지만, 외란과 불확실성이 존재할 때 로버스트 CBF 설계는 어렵고 과도하게 보수적인 결과를 낳기 쉽다. 이 연구는 외란이 시스템 실패를 유발하는 데 필요한 '노력(effort)'으로 현재 상태의 강건성을 정량화하는 인증서인 최소 노력 적대적 포텐셜(LEAP, Least-Effort Adversarial Potentials)을 제안한다. LEAP는 외란 없는 시스템에서 CBF로 동작하며, 누적 노력이 유계(bounded)인 외란에 강건한 안전 필터 구성에도 활용된다. LEAP 생성에는 온-폴리시 심층 강화학습(deep reinforcement learning) 기반 방법이 사용된다. 외란이 존재하는 다중 에이전트 시스템 시뮬레이션과 쿼드루페드(quadruped) 및 쿼드로터(quadrotor) 하드웨어 실험을 통해 방법의 유효성을 확인하였다.

2609.28360v12026.09.23

고해상도 깊이와 초저해상도 RGB를 활용한 프라이버시 보존 시맨틱 분할

Privacy-Preserving Semantic Segmentation from High-Resolution Depth and Ultra-Low-Resolution RGB

Xuying Huang, Swithinraj Moses Daniel, Sicong Pan, Sebastian Houben, Maren Bennewitz

모바일 로봇의 탑재 카메라로 인한 프라이버시 우려를 줄이기 위해, 고해상도(HR) 깊이(depth)와 초저해상도(ULR) RGB를 결합한 비대칭 감지 설정을 제안한다. 이 설정은 밀도 높은 기하 정보를 유지하면서 세부 시각 정보를 원천에서 제한한다. HR 기하 정보로 의미론적 RGB 재구성을 유도하고 RGB-D 분할을 수행하는 공동 2D 프레임워크를 설계하였으며, 장면 수준의 일관된 이해를 위해 2D 의미론적 특징을 3D 분할로 통합하는 종단간(end-to-end) 파이프라인도 함께 개발하였다. ScanNet 데이터셋 실험에서 프라이버시 보존 방식 중 가장 높은 2D·3D 분할 성능을 기록하였고, SUN RGB-D 및 SceneNN으로의 제로샷(zero-shot) 전이에서도 가장 우수한 결과를 보였다. 실제 로봇 실험에서는 생성된 3D 의미론적 맵이 객체 목표 탐색(object-goal navigation)에 활용 가능함을 확인하였다.

2609.28339v12026.09.23

미래 예측을 넘어서: 로봇 제어를 위한 생성적 적응으로서의 디노이징

Beyond Future Prediction: Denoising as Generative Adaptation for Robot Control

Zanyi Wang, Yuheng Lei, Dengyang Jiang, Ping Luo, Mengdi Wang 외 2명

사전 학습된 생성형 확산 트랜스포머(Diffusion Transformer, DiT)를 로봇 제어에 전이할 때 미래 시각 예측이 반드시 필요한지를 검토한 연구다. 저자들은 NowWAM이라는 미래 타깃 없는 공동 학습(co-training) 방식을 제안하며, 현재 관측을 디노이징하는 동시에 로봇 행동을 예측하는 단일 시각 스트림 구조를 택한다. 통제된 비교 실험에서 과거·미래 시각 타깃의 성능은 유사했으나, 디노이징 궤적 없이 클린 엔드포인트만 사용하면 견고성이 크게 낮아졌다. LIBERO-Plus 벤치마크에서 FLUX2-Klein 백본 기준 87.7% 성공률을 기록했으며, 이는 미래 타깃 공동 학습 기준선 대비 6.1포인트 향상이다. 훈련 시각 토큰 수를 784에서 392로 절반으로 줄이고 스텝 시간을 2.85초에서 1.63초로 단축해 1.8배 속도 향상도 확인했다.

2609.28325v12026.09.23

모델 예측 경로 적분 제어를 위한 운동뉴런 모방 샘플링

Motoneuron-Inspired Sampling for Model Predictive Path Integral Control

Alexis Poignant, Jan Babič

모델 예측 경로 적분(MPPI, Model Predictive Path Integral) 제어는 확률적 궤적 샘플링에 의존하며, 제한된 롤아웃 예산 조건에서 제안 분포의 구조가 성능을 좌우한다. 이 논문은 운동뉴런(motoneuron) 동역학을 단순화한 모델로 시간적으로 구조화된 교란을 생성하는 Spike-MPPI를 제안한다. Spike-MPPI는 토크 구동 및 길항 구동 MuJoCo Ant 모델에서 표준 가우시안 샘플링과 스펙트럼 매칭 가우시안 기법에 비교 평가되었다. 구조화된 샘플링은 실행 제어의 부드러움(smoothness)을 크게 향상시켰으나, 과제 성능에 대한 효과는 롤아웃 조건과 구동 방식에 따라 달라지는 것으로 나타났다. 스펙트럼 매칭이 관찰 거동의 상당 부분을 재현하는 반면, 완전한 Spike 제안은 2차 스펙트럼 구조를 넘어선 추가적인 효과를 보였다.

2609.28317v12026.09.23

소셜 로봇 중재를 위한 멀티모달 음성 활동 예측: 기대 동작과 배포 제약

Multimodal Voice Activity Projection for Social Robot Mediation: Expected Behavior and Deployment Constraints

Antonio Cano, Guillermo Perez, Luis Merino, Randy Gomez

이 논문은 인간-인간 상호작용의 중재자 역할을 하는 소셜 로봇을 위한 발화 차례 교대(turn-taking) 예측 프레임워크를 제안한다. 멀티모달 음성 활동 예측(MM-VAP, Multimodal Voice Activity Projection) 모델은 동기화된 오디오-비주얼 증거로부터 대화 흐름의 미래 변화를 추정하며, Hold·Shift·Backchannel 예측 등 차례 교대 이벤트를 도출한다. 모델은 사전 학습된 오디오-비주얼 인코더, LoRA 적응(adaptation), 화자 간 어텐션(inter-speaker attention), 미래 음성 활동 예측 기반 제로샷(zero-shot) 이벤트 추론을 활용한다. NoXi, NoXi+J, Haru EDR 데이터셋 실험에서 시선 준비·적극적 청취·보수적 개입과 연결 가능한 발화권 관리 이벤트에 대해 방식의 타당성을 확인한다. 또한 실시간 추론, 전처리 지연, 멀티모달 동기화, 입력 품질 모니터링 등 실제 배포 시 주요 제약 조건을 함께 논의한다.

2609.28314v12026.09.23

TANDEM: 효율적인 시각-언어-행동 모델 파인튜닝을 위한 필요 시 시연 기반 태스크·모션 계획

TANDEM: Task and Motion Planning with As-Needed Demonstrations for Efficient Vision-Language-Action Model Fine-tuning

Samrat Sahoo, Liang Ji, Tom Silver, Yixuan Huang

TANDEM은 태스크·모션 계획(TAMP)과 선택적 인간 원격 조작을 결합하여, 계획기가 처리하지 못하는 단계에서만 사람의 시연을 수집하는 시스템이다. 사전 학습된 시각-언어 모델(VLM)을 활용해 누락된 술어(predicate)와 인간 실행 연산자를 계획 도메인에 동적으로 추가하며, 자율 실행 단계와 인간 개입 단계를 언어 지시·시각 관측에 기반해 교차 수행한다. 각 인간 개입 단계 종료 후 장면을 재인식하여 의도된 효과가 달성되었는지 확인한 뒤 자율 계획을 재개한다. 동일한 인간 개입 시간 기준으로 TANDEM은 전체 태스크 원격 조작 대비 2.9배 많은 시연 데이터를 수집하는 것으로 나타났다. 태스크당 20개의 TANDEM 시연으로 π_0.5-DROID 모델을 파인튜닝한 결과, 5개 장기 조작 태스크의 평균 성공률이 0%에서 60%로 향상되었다.

2609.26795v12026.09.22

φ-RIE: 사진 수준 재구성에서 상호작용 환경으로

φ-RIE: From Photorealistic Reconstruction to Interactive Environments

Runyi Yang, Deheng Zhang, Xiaoye Wang, Kanzhi Wu, Lei Sun 외 4명

3D 가우시안 스플래팅(3D Gaussian Splatting, 3DGS)은 장면을 사실적으로 재구성하지만, 결과 표현은 물리적 상호작용을 지원하지 않는다. φ-RIE는 선택된 객체를 이동 가능한 시뮬레이터 에셋으로 변환하는 동시에 나머지 배경 재구성을 보존하는 Gaussian 기반 파이프라인이다. 핵심 설계 원칙은 에셋 구성과 배경 제거를 결합하는 것으로, 하나의 객체 식별자가 이동 가능한 에셋과 제거·복원할 장면 콘텐츠를 함께 정의한다. ScanNet++ 50개 장면 실험에서 증거 기반 선택과 등록 재시도를 적용한 결과, 20 mm 기준 매칭 F1 점수가 0.336에서 0.383으로 향상되었다. 추가 실험에서는 에셋 실행 가능성과 단일 생성기 기준 대비 조작 성능 향상도 확인되었다.

2609.26792v12026.09.22CoRL

DreamStream: 종단간 주행을 위한 정책 지향 생성 시뮬레이션

DreamStream: Towards Policy-Oriented Generative Simulation for End-to-End Driving

Ziyang Leng, Sicheng Mo, Seth Z. Zhao, Haoyuan Cai, Yu Zeng 외 2명

종단간(end-to-end) 주행 정책을 시뮬레이션에서 평가할 때 기존 플랫폼은 시뮬레이션-실제 시각적 격차(sim-to-real visual gap)로 인해 정책의 폐쇄 루프(closed-loop) 의사결정 평가가 왜곡된다는 문제가 있다. DreamStream은 시뮬레이터 기반 자기회귀 비디오 모델을 활용하는 생성형 폐쇄 루프 시뮬레이터로, 시나리오 레이아웃과 동적 객체의 시간적 일관성 같은 정책 관련 특징을 유지하면서 시각적 외양을 변화시킨다. 기존 FID 등 지각 지표가 이러한 특징 보존을 잘못 순위 매기는 문제를 해결하고자, 공개된 종단간 정책의 장면 맥락 특징에 대한 프레셰 거리(Fréchet distance)로 시뮬레이션-실제 격차를 측정하는 새 지표 FDπ를 제안한다. FDπ 기준으로 DreamStream은 nuScenes에서 기존 최강 폐쇄 루프 시뮬레이터 대비 1.6배, NAVSIM에서 4.7배 개선된 수치를 보인다. 이를 바탕으로 비반응형 실제 세계 벤치마크 NAVSIM을 적대적 주행 행동과 날씨 변화가 있는 상호작용 테스트 환경으로 전환한 Navhard-CL 벤치마크를 구성하며, 기존 벤치마크에서 간과되어 온 스코어러 편향·회복 행동 부재 등 여러 실패 유형을 드러낸다.

2609.26766v12026.09.22

TM-APR: 해석적 온라인 적응을 통한 열화상 시간적 기억 기반 위치 인식

TM-APR: Thermal Temporal-Memory Localization via Analytic Online Adaptation

Yanshuo Bai, Kanji Tanaka

열화상 시각적 장소 인식(Thermal VPR)은 카메라 관측값을 지도상 좌표에 매핑하는 기술로 자율 주행의 전제 조건이 된다. 기존 방법은 환경 의존성이 높고 온라인 재학습 비용이 크며 비선형 도메인 이동을 처리하지 못해 실시간 배포 단계에서 실패한다. 이 연구는 해석적 클래스 증분 학습(Analytic Class-Incremental Learning, ACIL)을 도메인 불변 VPR에 처음으로 결합하며, 역전파 없이 그래디언트 프리 행렬 업데이트만으로 기존 미세 조정 방법을 능가하는 기준선을 구성한다. 표준 ACIL의 선형 가정으로 인한 비선형 열화상 변동 취약점을 극복하기 위해, ACIL과 현대 제어 이론의 대수적 등가성을 활용해 비선형 언센티드 전파(U-ACIL), 가우시안 혼합 분할(GMM-ACIL), 미니맥스 H∞ 최적화(H∞-ACIL)를 업데이트 루프에 통합한다. 제안 프레임워크는 O(1) 연산 복잡도에서 폐형(closed-form) 행렬 업데이트를 보장하며, 온라인 업데이트 지연 시간이 센서 수집 주기 미만으로 엄격히 유지되어 실시간 SLAM 파이프라인에서 궤적 점프를 제거한다.

2609.26753v12026.09.22ICRA

단일 센서 유닛의 측정 이력을 활용한 비정상 유동 내 수중 탐색

Underwater Navigation in Unsteady Flows Using Measurement Histories from a Single Sensing Unit

Linhao Jin, Qimin Feng, Peter Gunnarson, Qiang Zhong

분산 유량 센서 배치가 어려운 소형 수중 로봇 환경에서, 인과적 관측기(causal observer)를 이용해 단일 센서 유닛의 유한 측정 이력으로부터 횡방향 속도를 추정하는 방법을 제안한다. 이를 통해 기존 3점 동시 유량 샘플링을 로봇 중심 단일 측정으로 대체한다. 원형 실린더 후류의 레이놀즈수(Re) = 100 조건에서만 학습한 관측기가 재훈련 없이 Re = 205와 240 환경에서 각각 84.4%와 80.6%의 탐색 성공률을 기록하며, 이는 직접 공간 센싱 대비 각각 7.4, 4.6 퍼센트포인트 낮고 단일 시점 유량만 쓰는 기준 관측기보다 30퍼센트포인트 이상 높다. 장애물 형상별 실험에서 정방형 프리즘 후류에서는 성능이 유지되나 삼각형 프리즘 후류에서는 저하되는 경향이 나타났다.

2609.26672v12026.09.22

ε4P: 고정밀 로봇 조작을 위한 불완전 데이터 업사이클링

Imperfection for Precision: Upcycling Imperfect Data for High-Precision Robotic Manipulation

Hao Wei, Yang Liu, Chao Tang, Shengbao Li, Jiangtao Chen 외 5명

시각-언어-행동 모델(VLA) 기반 고정밀 조작 학습에는 원격조작 등 태스크별 고품질 데이터가 필요해 수집 비용이 크다. 연구팀은 ε4P(varepsilon4P)를 제안하며, 통상 폐기되던 두 종류의 데이터—목표 태스크의 저정밀 데이터와 다른 태스크의 고정밀 데이터—를 업사이클링한다. 플로우 매칭(flow-matching) 궤적에서 고잡음 구간에는 저정밀·목표 태스크 데이터를, 저잡음 구간에는 고정밀·타 태스크 데이터를 각각 할당해 두 데이터의 강점을 분리 활용한다. 실기 로봇 실험에서 불완전 데이터 추가 시 정책 성능이 최대 31.7 퍼센트포인트 향상되었다. 동량의 태스크별 고품질 데이터를 불완전 데이터로 대체할 때 평균 성능 저하는 4.2 퍼센트포인트에 그쳤다.

2609.26618v12026.09.22

NavSafe-infty: 포토리얼리스틱 환경에서의 폐루프 주행 안전성 벤치마킹

NavSafe-infty: Benchmarking Closed-Loop Driving Safety in Photorealistic Environments

Yuxin Bao, Hongwei Ruan, Luobin Wang, Seth Z. Zhao, Ziyang Leng 외 5명

NavSafe-infty는 28가지 이벤트 유형을 포괄하는 280개 시나리오로 구성된 포토리얼리스틱 폐루프(closed-loop, CL) 주행 안전 벤치마크로, 교통사고·취약 도로 이용자 충돌·교통 위반·교통 사고 4개 범주의 능력 점수를 산출한다. 20개 종단간(end-to-end, E2E) 주행 정책을 평가한 결과, 개방 루프(open-loop, OL) 벤치마크에서의 성능 향상이 폐루프 안전성으로 신뢰성 있게 전이되지 않는 것으로 나타났다. 수동 시연 교란(passive demonstration perturbation)은 폐루프 롤아웃이 교란된 훈련 상태 근방에 머무를 때만 효과적이었다. OL 강화학습 파인튜닝은 안전 여유를 자아 진행(ego progress)으로 대체하는 보상 해킹(reward hacking) 현상을 보였으며, 폐루프 피드백이 이를 복합 안전 오류로 증폭시켰다. 벤치마크와 커스터마이즈 가능한 이벤트 큐레이션·정책 진단 툴박스는 오픈소스로 공개될 예정이다.

2609.26580v12026.09.22

심층 Koopman MPC를 이용한 휠로더 V-사이클 자동화

Wheel-loader V-Cycle Automation with Deep Koopman MPC

Armin Abdolmohammadi, Navid Mojahed, Dinesh Kumar, Bahram Ravani, Shima Nazari

이 논문은 토공 작업 중 전진·후진을 반복하는 휠로더(wheel loader)의 V-사이클 기동을 자동화하기 위한 계층적 제어 프레임워크를 제안한다. 상위 계층에서는 저차수 관절형 기구학 모델을 사용해 전진·후진 경로를 공유 중간 상태를 통해 공동 최적화한다. 하위 계층에서는 Algoryx Dynamics 고충실도 시뮬레이션 데이터를 기반으로 전진·후진 각각에 대한 심층 이중선형 쿠프만(Koopman) 모델을 학습한다. 학습된 쿠프만 표현은 모델 예측 제어(MPC, Model Predictive Control) 정식화에 통합되어 50ms 실행 루프 내에서 실시간으로 동작한다. 고충실도 시뮬레이션 실험에서 제안 프레임워크가 정확하고 계산 효율적으로 V-사이클 기동을 수행함이 확인되었다.

2609.26567v12026.09.22IROS

최종 과제 성공률을 넘어서: 로봇공학에서 시각적 경험 검색을 감사하는 방법

Beyond End-Task Success: How to Audit Visual Experience Retrieval in Robotics

Eshika Pathak, Leela Krishna

로봇이 과거 경험을 저장하고 새로운 장면에서 재사용할 때 대부분의 시스템은 시각적 유사도로 경험을 선택하며, 기존 평가는 선택된 경험의 과제 성공률만 보고한다. 이 방식은 라이브러리 내 소수의 범용 경험에 의존해 높은 점수를 얻거나, 선택 규칙 자체의 결함을 드러내지 못하는 한계를 가진다. 연구진은 감사(audit) 방법론을 제안해 2가지 조작 과제, 3가지 재사용 메커니즘, K=3·10·50 크기 라이브러리에서 저장된 모든 경험을 모든 쿼리 장면에 실행했다. 실험 결과, 시각적 거리는 특정 경험-장면 쌍의 성공 여부 예측에서 AUROC 최대 0.96을 기록했으나, K=50 조건에서 5개 시각 임베딩(visual embedding) 중 4개는 장면 내 후보 순위를 무작위 수준(AUROC 0.45~0.52)으로만 정렬했다. 완전한 실행이 불가능한 실제 상황을 위해, 선택된 경험의 분포와 사후(hindsight) 최적 단일 경험의 성공률이라는 두 가지 저비용 보고 지표를 제안한다.