PAPERS

논문 트래커

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

725건학회 채택 2건

2609.20776v12026.09.17ICRA

GeoAAC: VLA 정책의 디노이징 궤적에서 추출한 기하학 기반 적응형 행동 청킹

GeoAAC: Geometry-Based Adaptive Action Chunking from Denoising Trajectories in VLA Policies

Xin Chen, Sen Chen, Yujuan Ding, Jian Liu, Guoqing Wang 외 3명

시각-언어-행동 모델(VLA) 정책에서 행동 청킹(action chunking)은 고정된 행동 수평선(action horizon)을 사용하는 것이 일반적이나, 작업 단계마다 요구되는 제어 정밀도와 피드백 빈도가 달라 고정 수평선으로는 대응이 어렵다. GeoAAC는 플로우 매칭(Flow Matching) 디노이징 궤적의 기하학적 특성을 이용해 현재 예측의 신뢰도를 측정하고, 이를 바탕으로 행동 수평선을 동적으로 결정하는 방법이다. 접두사별 기하학적 변화량이 예측 불확실성과 양의 상관관계를 가진다는 점을 활용해, 별도의 추가 학습 없이 단일 생성 과정에서 수평선을 적응적으로 조정한다. GR00T N1.5와 π0.5를 대상으로 LIBERO, LIBERO-Pro, RoboCasa365 및 실기 조작 과제에서 실험한 결과, 고정 수평선 기준선 대비 시뮬레이션에서 최대 8.7 퍼센트포인트 향상, 실기 평균 성공률은 53.3%에서 74.4%로 높아졌다.

2609.20761v12026.09.17

Agile-WAM: 접촉 집약적 로봇 제어를 위한 민첩한 촉각 세계 행동 모델

Agile-WAM: An Agile Tactile World Action Model for Contact-Rich Robot Control

Hanchu Zhou, Brendan Lynch, Raman Goyal, Dechen Gao, Begum Kasap 외 2명

세계 행동 모델(WAM, World Action Model)은 미래 환경 상태와 로봇 행동을 함께 예측함으로써 물리적 동역학 학습을 지원하는 정책 방식이다. 본 논문의 ABBR은 시각과 촉각 관측을 공유 잠재 공간으로 인코딩한 뒤, 플로우 매칭(flow-matching) 방식으로 행동 청크와 미래 시각·촉각 잠재 표현을 동시에 생성한다. 시각 신호는 인접 프레임 간 변화가 작고 촉각 신호는 접촉 시 급변한다는 특성을 반영해, 시각 잠재는 더 큰 시간 간격으로, 촉각 잠재는 다음 프레임을 예측하는 다중 수평선 다중 모달(multi-horizon multimodal) 예측 구조를 도입했다. 9개 시뮬레이션 과제와 5개 실제 환경 접촉 조작 과제에서 평가한 결과, 기존 최강 기준선 대비 전체 성공률이 29.4% 향상되었으며 추론 지연 시간은 11.9 ms로 측정되었다.

2609.20756v12026.09.17

OPTED: 렌더링 없는 교사 모델을 이용한 엔드투엔드 자율주행 온-정책 파인튜닝

OPTED: On-Policy Fine-Tuning for End-to-End Driving using a Render-Free Teacher

Damiano Da Col, Maximilian Igl, Peter Karkus, Kashyap Chitta, Boris Ivanovic 외 3명

엔드투엔드(end-to-end) 자율주행 정책은 인간 시연 데이터로 개방 루프(open-loop) 사전학습을 거치지만, 폐쇄 루프(closed-loop) 배포 시 오류 누적으로 학습 데이터 분포를 벗어날 위험이 있다. 이를 완화하기 위해 연구팀은 OPTED를 제안하며, 강화학습(RL)을 엔드투엔드 정책의 포스트학습과 분리하는 방식을 채택한다. HD 맵과 바운딩 박스 등 벡터화된 입력으로 훈련된 특권 교사(privileged teacher) 모델이 폐쇄 루프 포스트학습 중 사전학습된 학생 모델에 감독을 제공한다. 카메라 기반 모델 TransFuser와 VaVAM에 OPTED를 적용하고 3DGS(3D Gaussian Splatting) 기반 신경 재구성을 활용한 AlpaSim에서 파인튜닝한 결과, 주행 점수가 각각 1.6배, 9.5배 향상되었다. 통제 실험에서 OPTED는 직접 RL 포스트학습 대비 약 1,000배 적은 시뮬레이터 상호작용으로 유사한 폐쇄 루프 성능을 달성하면서 인간 행동 사전(prior)에도 더 가깝게 유지되었다.

2609.20747v12026.09.17

MILER: 비정형 자율주행 환경의 시뮬레이션-실기 강화학습을 위한 의미론적 중간 레벨 표현

MILER: Semantic Mid-Level Representation for Sim-to-Real Reinforcement Learning in Unstructured Autonomous Driving

Thomas Steinecker, Denis Trescher, Alexander Bienemann, Thorsten Luettel, Mirko Maehlisch

MILER은 비정형 환경(unstructured environments) 자율주행을 위한 강화학습(reinforcement learning) 기반 엔드-투-엔드 정책 프레임워크로, 제로샷(zero-shot) 시뮬레이션-실기 이전(sim-to-real transfer)을 목표로 한다. 오프라인 학습 단계에서 커스텀 의미론적 중간 레벨 표현(MLR, Mid-Level Representation) 시뮬레이터를 사용하고, 정책 네트워크의 제어 출력은 자전거 모델(bicycle model)에 적용해 훈련한다. 실차 배포 시에는 카메라와 LiDAR 데이터를 BEVFusion으로 처리해 MLR 시뮬레이터와 일관된 의미론적 조감도(bird's-eye-view) 표현을 생성하며, 정책 출력을 실차에 직접 넣는 대신 궤적 정렬(trajectory-alignment) 전략을 통해 인식과 제어 모두의 도메인 간격을 좁힌다. 두 대의 차량으로 3.0 km 테스트 트랙을 총 17.3 km 인간 개입 없이 주행했으며, 최대 33.6 km/h, 헤어핀 커브, 오프로드 구간을 포함한 다양한 조건에서 평가했다. 전체 소프트웨어 스택은 Jetson AGX Orin 위에서 구동된다.

2609.20731v12026.09.17

표적 특화 깊이 추정과 적응형 모델 융합 예측 제어를 이용한 수중 시각 표적 추적

Underwater Visual Target Tracking with Target-Specific Depth Estimation and Adaptive Model-Fusion Predictive Control

Yuheng Zhou, Haiyang Cheng, Yanqi Feng, Pangkit Fong, Mei Xuan Lee 외 3명

이 논문은 자율수중로봇(AUV)을 위한 스테레오 시각 서보(visual servoing) 기반 수중 표적 추적 프레임워크를 제안한다. 인식 모듈은 색상·시차(disparity)·시간적 단서를 결합한 표적 깊이 마스크를 구성하고 칼만 필터(Kalman filter)를 적용해 신뢰성 있는 3D 상대 상태를 추출한다. 제어 모듈은 요(yaw) 조절과 병진 제어를 분리하여 다자유도 결합 최적화를 피하고 실시간 모델 예측 제어(MPC)를 가능하게 한다. 병진 제어기는 등속 모델과 정지 모델을 결합한 적응형 모델 융합 예측 제어를 사용하며, 과거 예측 오차를 바탕으로 모델 가중치를 갱신하고 구동, 추적 거리, 시야각 제약 조건 하에서 명령을 산출한다. 시뮬레이션과 실환경 실험을 통해 프레임워크를 검증하였다.

2609.20709v12026.09.17

MoWAM: 효율적인 World Action Model을 위한 명시적 미래 동작 예측

MoWAM: Explicit Future Motion Prediction for Efficient World Action Models

Jiayu Wang, Bin Zhu, Yue Yu, Jingjing Chen

월드 액션 모델(World Action Model, WAM)은 미래 동역학을 정책 학습에 반영하지만, 추론 시 미래 비디오를 명시적으로 생성하면 연산 부담이 크게 증가한다. MoWAM은 미래 비디오 생성을 명시적 미래 동작 예측으로 대체해, 로봇이 현재 장면과 상호작용 제약 아래 어떻게 움직일지를 컴팩트한 구조화 표현으로 모델링한다. Mixture-of-Transformer 아키텍처는 학습 중 미래 시각 동역학을 함께 학습하면서 동작(motion)과 행동(action)을 공동 예측하고, 추론 시에는 비디오 생성 없이 이 표현만으로 동작한다. 추론 시 스케일링을 위해 동작-행동 쌍의 후보를 여러 개 샘플링한 뒤 동작 인식 태스크 진행도 검증기로 최적 후보를 선택하며, 후보 수가 늘어날수록 성능이 향상된다. LIBERO, LIBERO-Plus, 실세계 조작 과제 실험에서 배포 내(in-distribution) 성능과 배포 외(out-of-distribution) 강건성 모두 대표적인 WAM 기준선보다 높은 성공률을 보인다고 저자들은 보고한다.

2609.20694v12026.09.17

HOPHY: 비도로 경로 및 임무 계획을 위한 계층적 하이퍼그래프 표현

HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning

Pranay Meshram, Charuvahan Adhivarahan, Prithvi Poddar, Ehsan Tarkesh Esfahani, Chen Wang 외 2명

HOPHY(Hierarchical Off-Road Planning using Hypergraphs)는 재난 대응·수색구조·전술적 무인지상차량(UGV) 운용에서 반복적인 경로·임무 계획을 지원하는 계층적 지형 표현 프레임워크다. 지도 규모의 지형을 기하학적으로 연결된 의미 영역(GSNode), 연결성 보존 핵심 영역(Coarse Region), 지형·에이전트·기상 맥락을 담은 유형화된 하이퍼에지로 구조화하며, 상태 변경 시 계층 전체를 재구성하지 않고 영향받는 영역과 에지만 선택적으로 갱신한다. 실제 킬로미터 규모 오프로드 지도에서 100% 계획 성공률과 픽셀 A* 대비 중앙값 비용 편차 0.01% 미만을 기록했다. 다중 로봇 작업 할당(MRTA) 문제에 적용했을 때 픽셀 A* 대비 총 연산량을 79배, 가장 빠른 추상화 기법 대비 7.2배 줄이면서 임무 완료 시간은 픽셀 A*에 준하는 수준을 유지했다. Clearpath Jackal 실물 로봇에서 혼합 지표면 야외 지형을 대상으로 1.5km, 8개 작업 임무와 장애물 발생 시 경로 재계획을 성공적으로 수행했다.

2609.20691v12026.09.17

자율 공중-수면 복합 임무를 위한 커스텀 PX4 펌웨어

Custom PX4 firmware for autonomous hybrid aerial-marine missions

Andrea Capuozzo, Fabio Ruggiero, Vincenzo Lippiello

수중·수변 환경 매핑에 활용할 수 있는 하이브리드 공중-수상 드론을 위한 PX4 펌웨어 확장을 제안한다. 이 프레임워크는 수동 및 자율 수상 항법(marine navigation) 모드를 표준 PX4 미션 파이프라인과 QGroundControl 인터페이스에 통합한다. 기존 비행 기능과 안전 메커니즘을 그대로 유지하면서, 공중 웨이포인트와 수상 웨이포인트를 구분하여 단일 미션으로 계획·실행할 수 있다. 시뮬레이션 사례 연구를 통해 잔잔한 수면과 파도가 있는 조건 모두에서 안정적인 수상 항법을 확인하였다.

2609.20680v12026.09.17

합성 데이터를 활용한 해양 인식 확장 연구

Towards Scaling Marine Perception with Synthetic Data

Haoyu Ma, Onur Bagoren, Anja Sheppard, Elias Fandi, Ashrith Edukulla 외 4명

수중 환경에서의 기계 학습은 레이블된 실세계 훈련 데이터 부족으로 크게 제한된다. 이 연구에서는 IsaacSim 기반 수중 인식 시뮬레이터인 OceanSim에 합성 데이터 생성(SDG, Synthetic Data Generation) 파이프라인을 추가하였다. 제안 파이프라인은 장면 외관·구조·센서 설정을 구성 가능하게 하여 대규모 자동 레이블 포토리얼리스틱 데이터셋 생성을 지원한다. 연구팀은 실제 해양 환경의 성게(sea urchin) 탐지 과제에서 파이프라인을 평가하고, 합성 장면 변형 방식이 시뮬레이션-실제(sim-to-real) 전이 성능에 미치는 영향을 분석하였다. 코드는 오픈소스로 공개되었다.

2609.20673v12026.09.17

FunArt: 생성형 3D 잠재 표현으로부터 기능 구조와 가동 구조 디코딩

FunArt: Decoding Functional Structure and Articulation from Generative 3D Latents

Dennis Rotondi, Abdelrhman Werby, Kai O. Arras

FunArt는 단일 정적 자세 추정(posed) RGB-D 관측에서 관절 인식 기능 3D 장면 그래프(scene graph)를 구성하는 프레임워크다. 객체 인스턴스를 재구성한 뒤 융합된 기하 정보를 TRELLIS.2의 O-Voxel 표현으로 변환하고, 동결(frozen)된 희소 압축 VAE(Variational Autoencoder)를 구조적 사전 분포로 활용한다. 경량 쿼리 기반 디코더가 컴팩트 객체 수준 잠재 벡터와 표면 정렬 특징을 결합해 가동부·기능 인터랙션 요소를 동시에 분할하고, 운동 유형·축·원점·범위를 추정한다. Articulate3D 데이터셋에서 가동부 분할, 관절 추정, 기능 요소 분할 모두 최고 성능을 기록했다. 종단간(end-to-end) 설정에서 가장 강력한 기준 모델 대비 가동부 AP_50 +1.5점, 관절 원점·축 통합 조건 +2.8점, 기능 요소 +6.7점을 달성했다.

2609.20670v12026.09.17

MAGNETAR: 어퍼 미드밴드 송신기 포즈 추론을 위한 멀티패스 기반 공간 사후확률 추정

MAGNETAR: Multipath-Guided Spatial Posteriors for Transmitter Pose Inference in the Upper Mid-Band

Haozhe Lei, Ruibin Chen, Yuhan Jiang, Ali Rasteh, Aditya Dhananjay 외 1명

MAGNETAR는 방 레이아웃과 수신기 포즈가 주어졌을 때, 단일 비동기 무선주파수(RF) 멀티패스(multipath) 스냅샷으로부터 평면 송신기의 위치와 방향에 대한 결합 사후확률(joint posterior)을 추론하는 시스템이다. 입력으로 도착각(angle-of-arrival)과 신호 대 잡음비(SNR) 추정값을 활용하며, 다섯 가지 신경 스코어러 중 후보 방향을 조건으로 하는 공유 2D U-Net을 채택해 이산화된 위치-방향 격자 위에서 점수를 공동 정규화한다. 학습에는 실제-시뮬레이션 교정된 10 GHz 시뮬레이션 데이터와 소규모 실측 데이터 서브셋을 사용한다. 격자 기반 결합 사후확률은 홀드아웃 시뮬레이션에서 파라메트릭 방식보다 높은 성능을 보였으며, 방향 조건부 스코어러는 실제 로봇 측정 환경으로의 전이(transfer) 성능이 가장 우수한 것으로 나타났다.

2609.19142v12026.09.16

PointZero: 전이 가능한 3D 역학 학습을 위한 3D 포인트 트랙 완성

PointZero: 3D Point Track Completion for Learning Transferable 3D Dynamics

Bardienus P. Duisterhof, Kaifeng Zhang, Adam Hung, Bowen Wen, Stan Birchfield 외 3명

PointZero는 로봇 행동(action) 레이블 없이 전이 가능한 3D 역학(dynamics)을 학습하기 위한 사전학습 목표로 3D 포인트 트랙 완성을 제안한다. 단일 RGB-D 관측과 희소한 부분 3D 궤적을 입력받아 관측된 모든 포인트의 미래 3D 트랙을 예측하며, 로봇 데이터 없이도 웹 동영상을 학습에 활용할 수 있다. 연구팀은 변형 가능한 물체, 관절형 물체, 강체를 포괄하는 290만 프레임 규모의 합성 데이터셋을 구축해 트랜스포머 기반 PointZero를 사전학습했다. 행동 조건부 3D 역학 예측에서 PGND 벤치마크 기준선을 상회하며, 모방학습(imitation learning)에서는 7개의 시뮬레이션·실세계 로봇 조작 태스크 중 6개에서 기준선과 동등하거나 이를 웃돈다.

2609.19138v12026.09.16

VLM 에이전트를 활용한 인-컨텍스트 로봇 학습

In-Context Robot Learning with VLM Agents

Dongzhou Cheng, Taoran Yi, Ye Fang, Xingwu Zhang, Fan Feng 외 10명

기존 로봇 정책은 새로운 환경에서 맥락 정보만으로 즉시 적응하는 인-컨텍스트 학습(in-context learning, ICL)을 수행하기 어렵다. 이 연구는 GPT-6 Astra 등 상용 시각-언어 모델(vision-language model, VLM)을 활용한 범용 에이전트 프레임워크 GPT-Policy를 제안한다. GPT-Policy는 과제 관련 시각적 전이를 보존하는 컨텍스트 컴파일러, 행동을 제안하는 VLM, 각 행동을 검증·실행하고 결과를 보고하는 제약 제어기(constrained controller)로 구성된다. 실로봇 실험에서 사람의 시연 영상은 로봇 행동 레이블 없이도 과제 완료율을 향상시켰으며, 정렬된 행동 참조를 추가하면 접촉 민감 과제에서 추가 성능 향상이 나타났다. 이 프레임워크는 그래디언트 업데이트나 과제 특화 파라미터 변경 없이 VLM의 범용 역량을 물리적 행동으로 전환하는 경험적 기반을 제시한다.

2609.19137v12026.09.16

접촉 소리를 꿈꾸다: 비디오·오디오 생성을 활용한 제로샷 힘 인식 조작 및 데이터 생성

Dreaming the Sound of Contact: Leveraging Video and Audio Generation for Zero-Shot Force-Aware Manipulation and Data Generation

Guanhua Ji, Tianyu Li, Dayoon Suh, Yuqian Zhang, Boyan Zhang 외 1명

비디오 생성 기반 로봇 조작 방식은 운동학적(kinematic) 궤적만 제공하고 힘 정보를 포함하지 않아, 적절한 접촉력이 필요한 작업에서 실패하는 문제가 있다. 이 연구는 생성된 접촉 소리의 음량(loudness)을 이용해 시간에 따라 변화하는 목표 힘 프로파일을 구성하는 방법을 제안한다. 자연어 프롬프트를 입력으로 받아 비디오와 오디오를 동시에 생성하고, 이로부터 운동 궤적과 힘 프로파일을 함께 도출하는 파이프라인을 구성하였다. Franka Panda 로봇에서 폐루프(closed-loop) 힘 조절기를 통해 오디오 기반 힘 프로파일을 추종하도록 실행하였으며, 운동학 전용 기준 방법이 실패하는 접촉 작업에서 성공적인 조작을 달성하였다. 동일 파이프라인을 데이터 생성 엔진으로도 활용하여, 폐루프 방식으로 작업을 수행하는 정책을 학습시켰다.

2609.19104v12026.09.16

rMuscle: 효율적인 시각-언어-행동 모델 추론을 위한 로봇 근육 기억

rMuscle: Robotic Muscle Memory for Efficient Vision-Language-Action Model Inference

Kaijun Zhou, Zhiyang Li, Le Chen, Jinyu Gu

rMuscle은 반복적인 공장 작업에 투입된 로봇의 시각-언어-행동 모델(VLA) 추론 지연을 줄이기 위한 실시간 추론 프레임워크다. 이 연구는 동일 과제의 반복 실행 간에 관측값·행동 궤적뿐 아니라 내부 모델 상태에서도 높은 유사성이 존재함을 실증하고, 이를 이중 단계 근육 기억 캐시(muscle-memory cache)로 활용한다. Context Cache는 시각 토큰 출력을 재사용해 연산량을 줄이고, Action Cache는 뉴런 활성화 패턴을 재사용해 가중치 접근 횟수를 낮춘다. 캐시 메모리 사용량과 오버헤드를 관리하기 위해 온라인 캐시 재계산, 슬라이딩 윈도우 검색, 연속 디노이징 단계 간 마스크 공유를 적용한다. LIBERO·RoboTwin 벤치마크 및 실물 조작 과제에서 RTX 4090과 Jetson Thor 기준 1.29~1.42배 속도 향상을 달성하면서 기존 성공률을 유지한다고 보고한다.

2609.19080v12026.09.16

ElastiQP: 제약 조건 로봇 제어를 위한 항상 실현 가능한 QP 솔버

ElastiQP: An Always-Feasible QP Solver for Constrained Robot Control

Daniel Morton, Jon Arrizabalaga, Zachary Manchester, Marco Pavone

이차계획법(QP, Quadratic Programming) 기반 컨트롤러는 제약 조건이 늘어날수록 순간적인 충돌이 발생할 수 있으며, 이때 솔버가 '비실현 가능(infeasible)' 상태를 반환하면 컨트롤러가 실행할 명령이 없어지는 문제가 생긴다. ElastiQP는 이중 활성 집합(dual active-set) 방식을 수정한 QP 솔버로, 등식 제약(동역학)은 엄격히 유지하면서 모든 부등식 제약을 제약 조건별 정확한 l1 패널티로 완화한다. 슬랙 변수를 분석적으로 솔버 내부에 통합해 압축 선형 시스템의 크기를 일정하게 유지함으로써 계산 비용 증가를 막는다. 로봇 제어 벤치마크에서 마이크로초 수준의 성능을 달성하며, 실현 가능한 문제에서는 최신 솔버와 동등한 성능을 보였다. 비실현 가능 문제에서는 위반을 충돌하는 부등식 항에만 국한하며, 최선의 대안 솔버 대비 최대 40배 빠르게 사용 가능한 해를 반환한다고 연구팀은 보고한다.

2609.18930v12026.09.16

이족 이동 매니퓰레이터를 이용한 전신 이동-조작 통합 학습

Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator

Zhongyu Chen, Yuxuan Nai, Qian Chen, Yidong Zhu, Chen Jing 외 6명

이족 보행 로봇이 다리와 팔을 협조시켜 팔의 기본 작업 공간을 넘어서는 이동-조작(loco-manipulation)을 수행하려면 균형을 유지하면서 조작 목표를 전신 동작으로 변환하는 저수준 제어기가 필요하다. 연구팀은 강화학습(reinforcement learning)으로 훈련된 통합 전신 제어기를 제안하며, 6자유도(DoF) 엔드이펙터 목표를 이족 베이스와 로봇 팔의 협조 동작으로 직접 매핑한다. 베이스 속도나 발걸음 명령 없이 엔드이펙터 목표만 주어지면 도달, 자세 적응, 발 내딛기를 자율적으로 조율한다. 학습 중 엔드이펙터 추적·이동·균형 간 균형을 조절하는 보상 게이팅(reward-gating) 전략과, 윈도우 트랜스포머 인코딩·순환 GRU 메모리·보조 동역학 예측을 결합한 시간적 맥락 추정기(temporal context estimator)를 도입했다. 실제 로봇 실험에서 VR 텔레오퍼레이션, 학습된 확산 정책(diffusion policy), 스크립트 궤적 등 다양한 상위 명령 소스 모두에서 동일한 제어기가 작동함을 확인했다.

2609.18910v12026.09.16

CaSCo: 연쇄 충돌 인식 소프트-충돌 동작 계획

CaSCo: Cascade-Aware Soft-Collision Motion Planning

Shivaram Kumar, Gaoyuan Liu, Yoonchang Sung

CaSCo는 충돌을 이진 제약이 아닌 의미적 위험도로 처리하는 동작 계획(motion planning) 프레임워크다. 시각-언어 모델(VLM) 또는 언어 모델이 각 물체에 의미적 위험도를 부여하고, 물리 시뮬레이터가 후보 동작의 결과를 예측한다. 로봇이 직접 접촉하거나 연쇄 충돌로 간접 이동시킨 물체의 총 의미적 위험도를 최소화하는 경로를 탐색하며, 충돌에 따른 환경 변화를 반영하고자 로드맵 상태에 예측된 물체 배치와 위험 발생 이력을 포함한다. 허용 가능하고 일관된 연쇄 완화 휴리스틱(cascade-relaxed heuristic)과 캐싱·가지치기 메커니즘을 갖춘 최적 그래프 탐색 알고리즘을 제안하며, 혼잡한 조작 환경과 실물 로봇에서 실험을 수행했다.

2609.18900v12026.09.16IROS

가상 환경과 실제 환경에서의 인간-로봇 팀협업 간 인간 행동 차이 분석

Examining the Difference in Human Behavior Between Virtual and Real-World Human-Robot Teaming

Sean Dallas, Absalat Getachew, Motaz AbuHijleh, Andrea Macklem-Zabel, Douglas Zytko 외 2명

실세계 인간-로봇 팀협업(HRT) 시나리오를 직접 구성·평가하는 데는 비용이 크기 때문에, 가상 시뮬레이션이 사용자 연구의 대안으로 활용된다. 이 연구는 동일한 HRT 시나리오를 가상 환경과 실제 환경에서 각각 수행하고, 혼합 연구 방법(mixed methods)으로 팀 성과와 인간 요소(human factors)를 비교하였다. 정량 분석 결과, 두 환경 간 작업 부하(workload)에서 유의미한 차이가 나타났다. 정성 분석에서는 참가자들의 과제 전략, 로봇에 대한 심적 모델(mental model), 신뢰의 유형이 환경에 따라 다르게 나타났다.

2609.18893v12026.09.16

SOL-SLAM: 빠른 소나 단독 로컬 SLAM을 위한 역합성 Gauss-Newton 직접 정합

SOL-SLAM: Inverse Compositional Gauss-Newton Direct Registration for Fast Sonar-Only Local SLAM

Kalvik Jakkala, Jason O'Kane

SOL-SLAM은 전방향 소나(Forward-Looking Sonar, FLS)만을 사용하는 수중 로컬 동시 위치추정 및 지도 작성(SLAM) 시스템이다. 기존의 희소 특징점(sparse keypoint) 기반 방법 대신, 소나 강도 스캔 전체를 재귀적으로 갱신되는 로컬 맵에 정렬하는 밀집 직접 정합(dense direct registration) 방식을 채택한다. 역합성 Gauss-Newton 최적화를 통해 실시간 처리가 가능하며, 넓은 변위 구간에서도 1미터 이하의 안정적인 추적 정밀도를 유지한다. 희소 키포인트 기준선 대비 병진 오차에서 유의미한 개선을 보였고, FLS·DVL·IMU를 결합한 다중 센서 융합 파이프라인과 유사한 오도메트리 성능을 나타냈다. AUV(자율수중차량) 현장 실험을 통해 임베디드 제한 컴퓨팅 환경에서의 실기 적용 가능성을 검증하였다.