PAPERS

논문 트래커

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

725건학회 채택 3건

2609.26564v12026.09.22

시간적 모드 전환과 지형 횡단 추적을 갖춘 공중-지상 운동 제어 학습

Learning Air-Ground Motion Control with Temporal Mode Switching and Cross-Terrain Tracking

Ruitian Pang, Mingrui Li, Xuanting Liu, Tiancheng Lai, Juncheng Chen 외 8명

본 연구는 수동 휠 기반 지상-공중 이중모드 차량(TABV)을 위한 학습 기반 운동 제어 프레임워크를 제안한다. 단일 포인트 비행시간(ToF, time-of-flight) 측정값·로봇 상태·미래 경로 정보를 조합한 학습된 모드 선택기가 자율적인 공중-지상 전환을 담당한다. 지상 제어에는 다중 지형 훈련과 동역학 무작위화를 적용한 강화학습(RL) 정책을 사용해 다양한 지형에서 강건한 궤적 추적을 구현한다. 시뮬레이션 및 실기 실험 결과, 학습된 모드 선택기는 어려운 전환 구간에서 규칙 기반 선택기를 앞섰고, 지상 제어기는 모든 테스트 조건에서 PID보다 낮은 위치 RMSE를 기록했으며 비선형 모델 예측 제어(NMPC)가 실패한 구간에서도 추적을 유지하였다. 전체 시스템은 여러 차례의 자율 모드 전환을 포함한 101m 공중-지상 궤적을 위치 RMSE 0.08m로 추적하였다.

2609.26561v12026.09.22IROS

합성 데이터 단독 학습 기반 비전 기초 모델을 활용한 단안 우주선 자세 추정

Vision Foundation Models with Synthetic-Only Training for Monocular Spacecraft Pose Estimation

John Church, Vazghen Nikolian

대규모 자기지도 비전 트랜스포머(ViT) 기초 모델인 DINOv3를 저순위 적응(LoRA, 랭크 64)으로 파인튜닝하여 히트맵 기반 자세 추정 아키텍처의 인코더로 사용했다. 합성 데이터만으로 학습했음에도 SPEED+ 라이트박스와 선램프 테스트 세트에서 평균 회전 오차 각각 1.17°, 1.56°를 기록하여, 기존 EagerNet의 1.75°, 2.66°를 개선했다. 파라미터 수가 300M에서 840M으로 늘어남에 따라 성능이 지속적으로 향상되었으며 포화 현상은 아직 관찰되지 않았다. 840M 모델을 Jetson Orin NX 16GB에서 평가한 결과 크롭당 추론 시간 133.8 ms, 보드 소비 전력 32.0 W를 기록했다. 최종 모델은 3-시드 앙상블과 4-회전 테스트 타임 증강을 함께 적용한 구성이다.

2609.26520v12026.09.22

MATE: 휴머노이드 협업 데이터 수집을 위한 멀티 에이전트 가상 원격조작 플랫폼

MATE: Multi-Agent Virtual Teleoperation Platform for Humanoid Collaboration Data Collection

Yichuan Yu, Youzhuo Wang, Yiming Ren, Di Feng, Yexuan Yang 외 4명

MATE는 지리적으로 분산된 여러 조작자가 물리 기반 공유 가상 환경에서 전신 휴머노이드를 동시에 원격 제어할 수 있는 멀티 에이전트 가상 원격조작(teleoperation) 플랫폼이다. 실제 다수의 로봇과 동일 공간 운용 없이도 휴머노이드 간, 물체 및 환경 간의 물리적 결합 상호작용을 유지한다. 이 플랫폼으로 물체 전달, 릴레이 배달, 환경 상호작용, 협력 운반 등 5가지 장기 태스크에 걸쳐 2,500개 공동 에피소드, 총 24.1시간 분량의 다중 휴머노이드 협업 데이터셋을 구축하였다. 상호작용이 풍부한 시연 데이터 학습 효율 향상을 위해 실행 정렬 상호작용 샘플링 전략인 EAIS(Execution-Aligned Interaction Sampling)를 제안한다. 모방학습 및 시각-언어-행동 모델(VLA) 정책 실험에서 가상 시연으로부터 실제 휴머노이드로의 제로샷 전이가 실물 환경 파인튜닝 없이 가능함을 보였다.

2609.26499v12026.09.22

로컬 코딩 에이전트를 활용한 조작 기술 일반화

Generalizing Manipulation Skills with a Local Coding Agent

Raman Talwar, Elias Nijs, Andreas Verleysen, Francis wyffels

로컬 오픈웨이트 시각-언어 모델(VLM)인 Qwen3.8-27B를 코딩 에이전트 프레임워크에 결합해 UR3e 로봇 팔을 제어하는 시스템을 구성했다. 모델은 운동학·안전 제한·컴퓨터 비전 서비스를 호출하는 코드를 스스로 작성·실행하며, 추가 학습이나 별도 프로그래밍 없이 새로운 과제 변형에 원샷(one-shot) 일반화하는지를 검증한다. 색상·크기·형태 등 다양한 특성을 포함한 아동용 장난감 기반 9개 과제(각 5회 시도, 총 45회)에서 30회 성공하였으며, 과제별 소요 시간은 3.4분에서 67.5분이었다. 성공한 과제를 재수행하도록 했을 때 소요 시간이 50% 단축되어 반복에 따른 자기 개선(self-improvement) 경향이 관찰되었다. 논문은 로컬 코딩 에이전트의 한계도 함께 제시하며 실환경 배포를 위한 향후 과제를 논의한다.

2609.26490v12026.09.22

일상 환경 로봇 벤치마킹: 실험실 실험에서 실세계 운용까지

Benchmarking Robots for Everyday Environments: From Lab Experiments to Real-World Operations

Raphael Memmesheimer, Martina Overbeck, Dominik Beyer, Björn Kral, Sabine Bellmann 외 17명

이 논문은 공공 환경에 배치된 로봇을 평가하기 위한 학제간 벤치마킹(benchmarking) 프레임워크를 제시한다. 2023년부터 2025년까지 3년에 걸쳐 총 7회의 벤치마킹 이벤트(합의 워크숍 1회, 현장 평가 6회)를 진행하였으며, 야외 공원 청소·지하보도 청소·도서관 안내 보조의 세 가지 유스케이스에서 각기 다른 로봇 3종을 평가했다. 로봇공학·인간-로봇 상호작용(HRI)·안전·경제성 분야 전문가 패널이 평가 기준을 체계적으로 개발·정제하여, 기술적 성능뿐 아니라 비구조화된 사람 중심 환경에서의 운용 함의까지 분석했다. 주요 성공 요인으로는 과제 이행률, 상호작용 품질, 안전성, 경제적 실현 가능성이 도출되었다. 연구 결과는 실험실 프로토타입과 실세계 운용 사이의 간극을 좁히려는 연구자 및 실무자에게 구체적 지침을 제공한다.

2609.26467v12026.09.22IROS

RouteRLT: 시각-언어-행동 정책을 제어하는 RL 전문가의 개입 시점과 선택 학습

RouteRLT: Learning When and Which RL Specialist Should Control a Vision-Language-Action Policy

Chongyu Zhu, Jaden Hinds, Hyegang Kim, Juan Sebastian Rojas, Ramy Elmallah 외 1명

시각-언어-행동 모델(VLA)은 커넥터 삽입·케이블 관리 등 접촉이 많은 산업 작업의 정밀 단계에서 성능이 떨어지는 경향이 있다. RouteRLT는 범용 VLA가 어느 시점에, 어떤 강화학습(RL) 전문가 정책에 제어를 넘겨야 하는지를 학습하는 라우팅 프레임워크다. 위상 선택기(phase selector), 일시적 전환을 억제하는 안정화기(stabilizer), 청크 정책 출력 간 전환을 담당하는 행동 경계 관리자(action-boundary manager)의 세 구성 요소로 이루어진다. LIBERO 시뮬레이션 평가에서 학습된 라우팅은 기반 VLA를 상회하며, 배포 시점에 위상 경계 정보 없이도 특권적 경계를 사용한 라우팅에 준하는 성능을 보였다. 실제 로봇 실험에서는 케이블 집기와 포트 삽입 전문가 모두에게 자동으로 제어가 위임됨을 확인했다.

2609.26423v12026.09.22

Dr-LiSA: SE(3) 위치추정을 위한 직접 레이더-라이다 스캔 정합

Dr-LiSA: Direct Radar-Lidar Scan Alignment for SE(3) Localization

Alex Zhang, Daniil Lisus, Cedric Le Gentil, Timothy D. Barfoot

Dr-LiSA는 2D 회전형 레이더 강도 측정값을 3D 라이다(lidar) 지도에 대해 SE(3)로 직접 위치추정(localization)하는 방법이다. 레이더는 악천후에 강인하고 라이다는 양호한 환경에서 정밀한 3D 지도를 제공해, 두 센서의 상호 보완적 특성을 결합하는 것이 목표다. 기존 레이더-라이다 위치추정 방법들은 평면 SE(2) 추정에 그쳤고 레이더-레이더 또는 라이다-라이다 시스템 대비 정확도가 낮았다. Dr-LiSA는 후보 자세에서 라이다 서브맵으로부터 레이더 측정을 예측하는 학습 기반 순방향 모델(forward model)을 활용해 예측 스캔과 실측 스캔 간 직접 광도 정합(photometric alignment)을 수행한다. 90km 이상의 실도로 데이터 평가에서 기존 레이더-라이다 방식보다 SE(2) 정확도가 높았고, 평면 정확도는 최신 레이더-레이더 시스템과 유사한 수준으로 보고되었다.

2609.24996v12026.09.21CoRL

인간이 시연 가능한 범위를 넘어서는 학습

Learning Beyond What Humans Can Demonstrate

Yuchen Song, Aditya Mittal, Unnat Jain

행동 복제(behavior cloning) 기반 로봇 조작 학습은 전문가 시연 데이터를 필요로 하지만, 동적 안정성·정밀 접촉 타이밍·정교한 협응이 요구되는 작업에서는 인간 조작자가 시연 데이터를 수집하기 어렵거나 불가능한 경우가 있다. 이 논문은 GLIDE(Guardrails for Learning from Infeasible Demonstrations Efficiently) 프레임워크를 제안하며, 작업 설명과 원격조작(teleoperation) 코드를 입력받아 작업별 실패 원인을 추론하고 이를 실행 가능한 가드레일로 변환한다. 가드레일은 시스템 상태를 활용해 원격조작 및 정책 명령을 필터링하고 실패 유발 행동을 제약하며, 궤적 피드백을 통해 반복적으로 개선된다. 세 가지 조작 작업(토마토 접시 이동, 마커 전달 및 거치, 와인 서빙)에서 데이터 수집 성공률이 0~10%에서 70~90%로 향상되었다. 정책 실행 단계에서는 각 작업에서 70%, 60%, 60%의 성공률을 달성했다.

2609.24995v12026.09.21

MIGU: 조작 계획을 위한 불확실성 기반 멀티모달 명령 그라운딩

MIGU: Multimodal Instruction Grounding under Uncertainty for Manipulation Planning

Mingke Lu, Anxing Xiao, David Hsu

MIGU는 자연어와 제스처를 상호 보완적 단서로 활용하는 멀티모달 명령 그라운딩(multimodal instruction grounding) 모듈형 프레임워크로, 조작 계획과 직접 연결된다. 시선 방향·깊이 불확실성과 손 방향 추정 오차를 눈-손가락 기하학을 통해 전파하여 3D 기하학적 우도를 구성하고, 시각-언어 모델(VLM)이 생성한 의미론적 사전 확률과 베이즈 방식으로 융합한다. 결합된 신념(belief)을 기반으로 시스템은 하위 계획을 바로 진행하거나 사용자에게 명료화를 요청하는 행동 결정을 내린다. 그라운딩된 목표는 이동 조작(mobile manipulation) 및 탁상 과제-동작 계획(task-and-motion planning)의 목표 정의에 활용된다. 실제 환경 벤치마크에서 평가된 모든 기준선을 상회했으며, 절제 실험(ablation)을 통해 명시적 불확실성 모델링의 효과가 확인되었다.

2609.24976v12026.09.21

DexTacWAM: 정교한 조작을 위한 시각-촉각 세계-행동 모델

DexTacWAM: A Visuo-Tactile World-Action Model for Dexterous Manipulation

Haoran Yuan, Zekai Wang, Boning Shao, Haoran Lu, Trevor Darrell 외 2명

정교한 조작(dexterous manipulation)은 시각만으로는 부분 관측에 그치는 접촉 역학에 의존하며, 기존 세계-행동 모델(WAM)은 시각 중심이라 이 접촉 역학을 직접 모델링하기 어렵다. DexTacWAM은 각 손가락 끝 촉각 정보를 독립적으로 인코딩하고 손가락·자세 인식 촉각 압축기로 집약한 뒤 비디오 확산 세계 모델(video diffusion world model)에 주입하는 시각-촉각 WAM이다. 22자유도(DoF) 양팔 플랫폼에서 접촉이 많은 6개 과제를 수행한 결과, DexTacWAM은 모든 과제에서 평균 70.6점을 기록해 최강 베이스라인 38.0점을 상회했다. 절제 실험(ablation)에서 촉각 세계 모델링을 제거하면 4개 과제 평균이 74.7에서 26.6으로 하락해, 접촉 진화를 예측 세계 상태의 일부로 모델링하는 것이 성능에 핵심임을 나타냈다. 사전 학습된 시각 VAE를 동결한 채 4시간의 촉각 인코더 적응과 과제당 약 100개의 시연만으로 시각 예측 품질을 시각 전용 대비 0.5 dB 이내로 유지하면서 촉각 인식을 추가할 수 있었다.

2609.24952v12026.09.21

화성에서의 주행 학습: 지구 외 탐사 항법을 위한 시각 멀티모달 주행 가능성 추정

Learning to Drive on Mars: Visual Multimodal Traversability Estimation for Off-World Navigation

Darren Chiu, Cole Wilson, Andrei Tumbar, Gaurav S. Sukhatme, Steven Myint

이 논문은 Mars 2020 Perseverance 로버가 Jezero Crater 착륙 이후 수집한 500 솔(sol), 45 km 분량의 주행 데이터셋을 공개한다. 데이터셋에는 그레이스케일 스테레오 영상, 자세 정보, 가속도계 측정값, 로커-보기(rocker-bogie) 각도, 틸트 및 휠 슬립 추정치가 포함된다. 연구팀은 이 멀티모달 데이터를 기반으로 불확실성 인식(uncertainty-aware) 주행 가능성 추정(traversability estimation) 프레임워크를 제안한다. Mars 2020 데이터셋에서 제안 방법은 AUROC 0.874, F1 점수 0.758을 달성하며 가장 강력한 기존 방법 대비 각각 0.058, 0.156 향상된 성능을 보였다. 추출된 시각 표현은 탑재 경로 계획기 ENav와 통합되어 지상 로버 테스트베드에서도 동작이 확인됐다.

2609.24906v12026.09.21

하이브리드 강화학습을 이용한 평면형 과수원의 시각운동 로봇 가지치기

Visuomotor Robotic Pruning in Planar Orchards Using Hybrid Reinforcement Learning

Abhinav Jain, Cindy Grimm, Stefan Lee

이 연구는 V-Trellis 사과·UFO 체리 등 평면형 수형(planar tree training system) 과수원에서 동면기 가지치기를 자동화하는 시각운동(visuomotor) 폐루프 제어기를 제안한다. 합성 데이터와 물리 기반 시뮬레이터만으로 훈련하고, 오프라인 데모와 온라인 롤아웃을 결합한 하이브리드 강화학습(reinforcement learning, RL) 알고리즘으로 정책을 학습한다. 손목 장착 카메라의 광학 흐름(optical flow) 입력만 사용해 완전한 3D 재구성 없이 절단 도구를 목표 절단점까지 안내한다. 3,000개 가지치기 지점에 대한 시뮬레이션 평가에서 V-Trellis 사과 49.9%, UFO 체리 46.0%의 성공률을 달성했다. 상업·실험 과수원 야외 현장 28회와 실내 실험실 10회를 포함한 총 38회의 실물 시험으로 제로샷(zero-shot) 시뮬레이션-실제 전이를 검증했으며, 실험실 시험에서 RRT-Connect 기준선보다 높은 성능을 보였다.

2609.24896v12026.09.21

세 점 인터페이스를 통한 모듈형 조향·반응형 파지 프레임워크

Steerable and Reactive Grasping Through Modular Design with a Three-Point Interface

Andrew Nguyen, Yonghyeon Lee, Sangbae Kim

본 논문은 정교한 파지(dexterous grasping)를 '어디를 잡을지', '목표 지점에 도달하기', '안정적 접촉 유지'의 세 단계로 분리하고, 이를 컴팩트한 세 점 인터페이스로 연결하는 모듈형 프레임워크를 제안한다. 물체 형상과 선택적 언어 명령을 입력받아 사전 계산된 파지 어포던스 히트맵(grasp-affordance heatmap)에서 세 접촉점 집합을 추출한다. 모델 기반 반응형 제어기는 물체 추적과 충돌 회피를 담당하며, 최종 수 센티미터 구간에서는 강화학습(RL) 정책이 고유감각(proprioceptive) 피드백만으로 파지를 보정·안정화한다. RL 정책은 손가락 관절 상태와 최근 행동만 관측하므로 단일 정책이 다양한 물체와 파지 구성에 공유된다. 시뮬레이션에서 들어올리기 성공률을 비교 기준선 대비 평가하였고, 학습 물체 두 종과 미학습 물체 한 종에 대한 실기(hardware) 시연도 수행하였다.

2609.24868v12026.09.21

DualWAM: 비동기 전역 계획 및 국소 정제를 위한 이중 시스템 세계 행동 모델

DualWAM: Dual-System World Action Models for Asynchronous Global Planning and Local Refinement

Yixin Zheng, Jiangran Lyu, Yuntian Deng, Kai Liu, Yizhou Zhou 외 4명

세계 행동 모델(WAM, World Action Model)은 로봇 행동 생성과 미래 시각 상태 예측을 함께 수행하지만, 높은 연산 비용으로 인해 기존 모델은 긴 행동 청크(action chunk)에 의존해 폐루프(closed-loop) 응답성이 저하되는 한계가 있다. DualWAM은 전역 계획과 국소 정제를 분리한 이중 시스템 구조를 도입해 고주파 폐루프 행동 업데이트를 가능하게 한다. 시스템 2는 넓은 세계-행동 청크에 대해 양방향 노이즈 제거(bidirectional denoising)로 전역 계획을 수립하고, 시스템 1은 손목 카메라 최신 관측값을 이용해 짧은 시간 창에서 저노이즈 국소 정제를 수행하며 두 시스템은 공유 노이즈 제거 궤적을 따라 비동기로 동작한다. Franka 및 Galbot 플랫폼에서의 제로샷(zero-shot) 조작 실험에서 가장 강력한 베이스라인 대비 평균 성공률이 4.5%p 향상되고 크리티컬 패스 속도가 16.6배 빨라지는 결과가 보고되었다. 분리 설계는 에지-클라우드(edge-cloud) 배포를 자연스럽게 지원하며 베이스라인 대비 통신 오버헤드도 크게 낮아지는 것으로 나타났다.

2609.24864v12026.09.21

SE(3) 신경 포텐셜 필드를 이용한 3D 재구성 없는 이미지 기반 6-DoF 궤적 계획

SE(3) Neural Potential Fields for 6-DoF Trajectory Planning Directly from Images Without Explicit 3D Reconstruction

Jeffrey Eiyike, Masoud Ataei, Elvis Gyaase, Vikas Dhiman

6자유도(6-DoF) 파지 궤적 계획은 통상 3D 장면 재구성 후 경로를 탐색하지만, 이 논문은 포즈 정보가 부여된 RGB 이미지에서 직접 학습한 SE(3) 신경 포텐셜 필드(neural potential field)를 제안한다. 학습 지도 신호로 측지거리(geodesic distance) 기반 항법 함수를 사용해, 고전 인공 포텐셜 필드의 구배 상쇄로 인한 극솟값 문제를 제거한다. UR10 로봇 암을 이용한 두 가지 테이블탑 장면 실험에서, 제안 방법은 모든 시작 위치로부터 파지 목표 3 cm 이내로 수렴하고 지상 진실 기하에 대해 충돌 없는 경로를 실행했다(이미지 단독 감독 시 각 25%·0% 대비). 팔-링크 접촉 비율은 20.6~50.4%에서 2.7~5.5%로 낮아졌고, 평균 여유 간격은 1 cm 미만에서 8.6~8.8 cm로 늘었다. 계획 소요 시간은 약 2초로, 동일 이미지 재구성 기반 RRT*의 67~133초보다 짧다.

2609.24846v12026.09.21

정확한 방위각 정보를 활용한 거리 보조 SLAM 초기화 방법

Range-Aided SLAM Initialization Exploiting Accurate Heading Information

Isabel Lougheed, James Richard Forbes

이 논문은 거리 보조 동시 위치추정 및 지도작성(RA-SLAM, Range-Aided SLAM)을 위한 새로운 초기화 방법을 제안한다. 자율 수중 로봇(AUV) 항법에서 일반적으로 얻을 수 있는 고정밀 방위각(heading) 정보를 핵심 입력으로 활용하며, 두 단계 절차로 구성된다. 첫 번째 단계에서는 일반화 신뢰 영역 부분 문제(GTRS, Generalized Trust Region Subproblem) 기법으로 비선형 거리 측정값으로부터 트랜스폰더의 상대 위치를 계산하고, 두 번째 단계에서 선형 최소자승(linear least-squares) 문제를 풀어 AUV와 트랜스폰더의 절대 위치를 추정한다. 제안 방법은 관성 항법 시스템(INS)의 방위각 정보와 장기선(LBL, Long Baseline) 거리 측정값이 함께 제공된 실제 AUV 데이터셋을 통해 검증되었다.

2609.24841v12026.09.21

CAST: 동시 궤적 추정 및 계획을 활용한 건설 로봇의 충돌 인식 조립

CAST: Collision-Aware Assembly with Construction Robots using Simultaneous Trajectory Estimation and Planning

Karthik Shaji, Chisung Kim, John D'Amato, Edvard Bruun, Frank Dellaert

건설 환경에서 다중 로봇 시스템이 마주하는 고차원 구성 공간과 충돌 회피 제약을 다루는 프레임워크 CAST를 제안한다. 단일 팩터 그래프(factor graph)를 사용해 궤적 추정(trajectory estimation)과 계획(planning)을 동시에 수행하며, 로봇 상태 측정값·명시적 충돌 제약·학습된 케이블 제약을 통합한다. 변화하는 작업 공간에 대응하면서 무거운 로봇 시스템의 강성 및 진동 유발 불확실성도 고려한다. 목재 그리퍼 역할의 로봇 암 1대와 못 박기 역할의 로봇 1대를 이용한 기둥-인방보(post-and-lintel) 구조물 시공 실험으로 프레임워크의 동작을 실증했다.

2609.24840v12026.09.21

PredActor: 조향 가능한 온보드 휴머노이드 제어를 위한 예측적 행동 확산

PredActor: Predictive Action Diffusion for Steerable Onboard Humanoid Control

Lei Ye, Haibo Gao, Yitang Li, Peng Xu, Zetong Jing 외 8명

PredActor는 확산 모델(diffusion model) 기반의 예측적 행동 정책으로, 고유감각(proprioceptive) 관측 이력과 선택적 태스크 맥락을 입력받아 실행 가능한 행동과 내부 미래 상태 궤적을 동시에 생성한다. 별도의 동작 추적기나 외부 추정 전신 상태를 요구하지 않으며, 분류기 없는 가이던스(classifier-free guidance)로 텍스트 조건부 동작을 강화하고 분류기 가이던스(classifier guidance)로 테스트 시점 목표를 향해 예측 상태를 유도한다. 시뮬레이션 평가에서 15개 목적지 목표를 모두 달성했으며, 텍스트 검색 점수는 0.580으로 조건부 행동 확산 방식(0.373) 대비 높은 수치를 기록했다. 롤링 노이즈 제거와 연산 최적화를 통해 Jetson Orin NX 온보드 컴퓨터에서 콜백 시간 중앙값 16.790 ms, p95 19.383 ms를 달성하며 20 ms 제어 주기를 충족한다. Unitree G1 휴머노이드에 실제 탑재하여 텍스트 조건 모션, 외란 응답, 조이스틱 제어, 의미 보간(semantic interpolation)을 실기로 검증했다.

2609.24832v12026.09.21

비미끄럼 구속조건 하에서 강성 바퀴로 이동하는 차량형 이동로봇의 최소 시간 궤적

Minimum Time Trajectories for a Car-Like Mobile Robot Moving with Rigid Wheels Under Non-Sliding Constraints

Joseph Ben-Asher, Elon Rimon, Leeor Ravina

이 논문은 장애물 없는 환경에서 차량형(car-like) 이동로봇의 최소 시간 궤적(minimum time trajectories)을 연구한다. 로봇은 앞바퀴 가속도와 조향 속도율에 제한이 있으며 전진·후진이 모두 가능하다. 기존 운동학적(kinematic) 모델은 순수 구름(pure rolling) 가정을 사용했으나, 전·후륜의 비미끄럼 구속조건(non-sliding constraints)은 로봇 동역학(dynamics)으로만 처리할 수 있다는 점에서 한계가 있었다. 이 논문은 동역학 기반으로 비미끄럼 구속조건을 공식화하고, 기존 12개 경로 기본요소(path primitives)에 3개의 새로운 비미끄럼 경로 기본요소를 추가하여 시간 최적 궤적을 완성한다. 비미끄럼 경로 기본요소에 대한 근사 해석해(approximate analytic solutions)도 제공하며, 대표적 기동 예제를 통해 구속조건이 최적 궤적에 미치는 영향을 보인다.

2609.24815v12026.09.21

Uranus: 체화 AI를 위한 차세대 시뮬레이션 인프라 구축

Uranus: Building the Next-Generation Simulation Infrastructure for Embodied AI

Wenkang Qin, Yukun Zhou, Noah Shen, Jisong Cai, Dongxiao Mao 외 3명

Uranus는 관절 궤적 조건부 자기회귀 확산 모델(joint-trajectory-conditioned autoregressive diffusion model)을 기반으로 한 데이터 기반 로봇 시뮬레이터다. 미래 관절 위치 궤적을 온라인으로 입력받아 매 단계마다 잠재 프레임 하나(RGB 프레임 4장에 대응)를 자기회귀적으로 생성하는 스트리밍 개방형 롤아웃(streaming open-ended rollout)을 지원한다. 추론 최적화를 통해 24 FPS의 저지연 생성을 달성하며, 다양한 로봇 형상과 카메라 구성에 대해 동기화된 다중 시점 생성을 위한 통합 인터페이스를 제공한다. 분포 내(in-distribution) 및 분포 외(out-of-distribution) 데이터 모두에 걸쳐 정량·정성 평가를 수행하고, 현재 시스템의 한계를 명시적으로 기술한다. 코드와 모델 가중치는 공개된다.