PAPERS

논문 트래커

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

725건학회 채택 1건

2610.37550v12026.10.27

관절형 객체 조작을 위한 기구학적 제약 기반 평가

Kinematic Constraint-Referenced Evaluation for Articulated Object Manipulation

Baptiste Bonin, Caro Strickland, Audrey Durand

대부분의 조작 정책(manipulation policy)은 이진 과제 성공 여부로만 평가되어 명령된 동작이 물체의 기구학(kinematics)적 제약을 실제로 따르는지 알기 어렵다. 이를 해결하기 위해 제약 기반 전략(Constraint-Referenced Strategy, CRS)을 제안하며, 엔드이펙터(end-effector)의 트위스트(twist)를 물체의 관절 축에 투영해 관절 방향 진행량과 제약 외 낭비를 분리한다. CRS는 관절 모델과 이를 기반으로 한 스크립트 컨트롤러만 필요로 하며, 시연 데이터나 학습된 판별기는 요구하지 않는다. 74개의 시뮬레이션 관절형 객체 실험에서, 문 환경으로 학습된 행동 복제(behavior cloning) 정책이 서랍 개방에 성공한 59회 에피소드 동안 서랍 학습 정책 대비 비축 회전(off-axis rotation)을 약 40배 더 많이 명령하는 것으로 나타났다(1.27 vs. 0.032 rad/s). CRS 판정은 관절 축 오차 30° 이내에서는 변화하지 않으며, 절대 임계값 기준으로는 약 8°까지 허용된다.

2610.37547v12026.10.27

언제, 어디서, 무엇을 수정할까: 로봇 정책을 위한 인간 유도 Adaptive Residual Correction

When, Where, and What to Correct: Human-Guided Adaptive Residual Correction for Robot Policies

Anukriti Singh, Maxime Caniot, Pratap Tokekar, Firas Abi-Farraj

모방 정책(imitation policy)은 조작 궤적의 대부분을 수행하더라도 정밀도가 요구되는 국소 구간에서 실패할 수 있다. ARC(Adaptive Residual Correction)는 동결된 기존 정책 위에 강화학습(RL)으로 잔차 교정(residual correction)을 학습하는 경량 사후 훈련 모듈로, 인간의 희소 교정 신호를 자율 탐색의 구조화에 활용한다. 인간 개입 이전 상태로 '언제' 잔차 제어를 활성화할지 판단하고, 교정 기하로 '어디서' 탐색할지 제한하며, 과제 보상이 '무엇을' 최종 실행할지 결정하는 세 단계로 구성된다. 실제 로봇에서 수행한 세 가지 정밀 조작 과제에서 평균 과제 성공률이 33.3%에서 75.0%로 향상되었다. 인간 교정은 7관절 잔차 공간 내 과제별 2~3차원 부분공간을 정의하며, 이 공간이 교정 크기 제곱합의 96.0~97.7%를 설명한다.

2610.37543v12026.10.27

자율 로봇 내비게이션의 빠른 강화학습을 위한 렌더링 없는 이벤트 프레임 시뮬레이션

Rendering-Free Event Frame Simulation for Fast Reinforcement Learning of Autonomous Robot Navigation

Dequan Ou, Austin Lopez, Quentin Missinne, Christophe De Wagter, Guido C. H. E. de Croon

이벤트 카메라(event camera)는 저지연·고동적범위 특성으로 소형 드론 같은 민첩한 로봇에 적합하지만, 기존 시뮬레이터는 사실적 이미지를 먼저 렌더링한 뒤 이벤트로 변환하므로 대규모 강화학습(RL)이 매우 느렸다. 연구팀은 시각 렌더링 없이 장면 기하 구조와 자기 운동으로부터 이벤트 스트림을 직접 합성하는 분석적 이벤트 시뮬레이터를 제안한다. 이 시뮬레이터는 단일 GPU에서 17마이크로초 안에 64×64 이벤트 관측값을 생성하며, 기존 렌더링 파이프라인 대비 약 400배 빠른 속도로 목표 지향 장애물 회피 학습을 30분 이내에 수렴시킨다. 학습된 정책은 Prophesee GenX320 이벤트 카메라와 OpenMV N6 마이크로컨트롤러를 장착한 56그램짜리 Crazyflie 드론에 1.2 MB int8 네트워크로 양자화되어 탑재되었다. 파인튜닝이나 외부 처리 없이 실제 환경의 세 가지 장애물 코스에서 평균 82%의 성공률을 기록했다.

2610.37535v12026.10.27

스윙 예측과 속도 매칭: 학습 기반 스테레오 비전과 잔차 강화학습을 활용한 로봇 파이프 스태빙

Predict the Swing, Match the Speed: Robotic Pipe Stabbing With Learned Stereo Vision and Residual Reinforcement Learning

Mohamed Ashraf Mostafa, Taher El-Fakharany, Samir Khaled

StabBot은 유정(油井) 굴착 작업에서 엘리베이터에 매달린 파이프 조인트가 스윙하며 내려오는 동작을 예측해 자동으로 스태빙(stabbing)하는 6축 로봇 시스템이다. 진자 칼만 필터(pendulum Kalman filter)가 파이프 스윙 궤적을 추적하고, ResNet-18 키포인트 네트워크가 스테레오 영상에서 파이프·핀 코·박스 입구를 3차원으로 측위한다(중앙값 오차 0.4 mm, 스테레오 쌍당 2.3 ms). 잔차 강화학습(residual reinforcement learning) 정책이 최종 포착 동작을 정밀하게 보정하며, 암은 파이프 속도에 맞춰 접근한 뒤 촉각으로 마지막 위치를 확인하고 결합한다. 2-3/8인치 튜빙부터 20인치 케이싱까지 9가지 크기를 대상으로 한 200회 실험에서 성공률 100%를 기록했으며, 기존 고정 가이드(74%) 대비 중앙값 접촉 속도는 18.4→2.3 cm/s, 최대 충격력은 11.3→1.4 kN으로 감소했다. 20 mm 측위 노이즈·300 ms 지연·85% 프레임 손실·20 cm 엘리베이터 오프셋 조건에서도 성공률 100%를 유지했다.

2610.37533v12026.10.27

어느 팔이 늦었나? 양팔 도구 사용에서의 로봇 실패 복구 진단

Which Hand Was Late? Diagnosis for Robot Failure Recovery in Bimanual Tool Use

Baptiste Bonin, Caro Strickland, Audrey Durand

기존 단일팔 조작 실패 진단 연구와 달리, 양팔 도구 사용 과제에서는 도구 소켓 이탈·타이밍 불일치·복합 원인 실패 등 새로운 유형이 발생한다. 시뮬레이션 기반 양팔 도구 사용 과제에서 추적 기록으로 실패 원인을 검증하며 각 감지 채널이 진단기에 전달하는 정보량을 측정했다. 도구 미끄러짐은 도구 팔 센서로, 어느 팔이 늦었는지는 양팔 센서 모두로 식별할 수 있으나, 도구 팔이 늦은 경우 '늦음+약한 힘' 복합 실패는 수동 감지로 구분되지 않는 것으로 나타났다. 원인을 특정할 수 없을 때 시도 강도를 높이는 복구 정책은 두 번의 시도 안에서 실제 원인을 아는 정책과 동등한 복구율을 보였다. 시각-언어 모델(VLM)의 내부 상태에는 '늦은 팔' 정보가 거의 완벽하게 인코딩되어 있으나, 이 정보가 위치한 표현 방향은 모델이 답변을 생성하는 방향과 무관하며, 실제 답변 정확도는 질문 표현 방식에 따라 달라졌다.

2610.37519v12026.10.27

분산 센싱과 초고차원 컴퓨팅을 활용한 비가시선 수동 객체 감지

Leveraging Distributed Sensing and Hyperdimensional Computing for Non-Line-of-Sight Passive Object Sensing

Placido Mursia, Marco Rossanese, Francesco Devoti, Adrian Lendinez Ibanez, Lanfranco Zanzi 외 2명

스마트 팩토리 환경에서 자율 로봇의 시야각(FoV) 밖에 있는 사람이나 이동 장애물을 감지하지 못하면 안전 위험이 발생한다. LiDAR·레이더·카메라 같은 기존 센서는 직접 가시선(LoS) 조건이 필요해 가림 현상에 취약하다. 이 연구는 통신 인프라에 분산 배치된 무선 기기의 채널 측정값만을 이용하는 통합 센싱-통신(ISAC) 기반 프레임워크를 제안한다. 수집된 채널 측정값은 초고차원 컴퓨팅(HDC)을 통해 고차원 표현으로 변환되어 채널 재구성 없이도 위험 인식 분류를 수행한다. 상용 레이 트레이서와 ROS 기반 시뮬레이션으로 검증한 결과, 심각한 가림 환경에서 최대 89%의 분류 정확도를 달성하면서 낮은 연산 복잡도를 유지하는 것으로 나타났다.

2610.37518v12026.10.27

World Dreamer v5-lite: 단일 드리머 기반 다중 로봇 세계 행동 모델

World Dreamer v5-lite: A Multi-Robot World Action Model with One Dreamer

Guoning Wu, Zijian Cai, Yuhang Zhang, Ying Liu, Yongbin Zheng

World Dreamer v5-lite는 여러 로봇의 분산 카메라 뷰를 통합하고 각 로봇별 행동 시퀀스를 독립적으로 예측하는 다중 로봇 세계 행동 모델(world-action model)이다. 사전 학습된 비디오 인코더의 보정된 특징값을 작업 공간 좌표계에 정렬한 공유 세계 상태(shared world state)를 구성하며, 시각-언어 모델(VLM)이 장면 맥락과 로봇별 쿼리를 제공한다. 각 쿼리는 공유 상태를 읽고 포즈 인식 정보를 교환하는 반면 행동 스트림은 분리된 채로 유지된다. 마스킹 뷰 협동 학습(masked-view cooperative training)은 일부 카메라 뷰를 차단하면서도 모든 행동 타깃을 유지해 로봇 간 관측 공유를 유도한다. 사전 학습에는 20종 시뮬레이션 로봇과 실제 로봇의 1만 시간 이상 궤적이 활용됐으며, RoboFactory 벤치마크에서 평균 성공률 74.0%(기존 최강 비교 모델 대비 +23.7퍼센트포인트), 4가지 실제 로봇 과제에서 78.8%를 기록했다.

2610.37509v12026.10.27

Ego-CEVR: 인간 1인칭 영상으로부터 교차-신체 시각 표현 학습

Ego-CEVR: Learning Cross-Embodiment Visual Representations from Human Egocentric Videos

Keru Zhou, Zhirui Fang, Xinrun Xu, Yaopeng Lou, Zeyuan He 외 14명

Ego-CEVR는 인간의 1인칭(egocentric) 비디오와 로봇 시연 데이터를 결합해 로봇 조작 능력을 학습하는 계층적 시각 표현(visual representation) 학습 프레임워크다. 전역(global) 모듈은 1인칭 비디오에서 미래 예측을 통해 객체 관계, 작업 상태, 시간적 진행을 학습한다. 상호작용(interaction) 모듈은 로봇 행동 감독 신호를 이용해 손목 관측값의 지역 정렬과 접촉 단서를 학습하며, 두 표현은 별도의 잔차(residual) 경로를 통해 행동 정책에 동시에 노출된다. 전역 모듈은 로봇 행동 레이블이나 손목 관측값 없이 대규모 인간 1인칭 영상 및 다양한 로봇 신체(embodiment) 영상으로 독립적으로 사전 학습할 수 있다.

2610.37470v12026.10.27

강화학습을 이용한 자율 고정익 요격

Autonomous fixed-wing interception using reinforcement learning

Daan van Hamersveld, Ewoud Smeur, Iurii Kriachko

샤헤드(Shahed)형 드론 등 중고도·장기체공 무인기에 대응하기 위한 자율 고정익 요격기 연구가 제시됐다. 신경망이 단안 카메라(monocular vision) 관측값을 필터링한 뒤 직접 액추에이터 명령으로 변환하며, 강화학습(RL)과 근접정책최적화(PPO, Proximal Policy Optimization)로 커스텀 Python 환경에서 훈련됐다. 학습된 정책은 실제 고정익 플랫폼에 배포돼 실제 요격 시나리오에서 테스트됐다. 시뮬레이션에서는 비교 기준으로 개발된 두 가지 고전적 유도 제어기(classical guidance controller)보다 대부분의 조건에서 높은 성능을 보였다. 실제 비행에서도 기동하는 고정익 표적을 요격하는 데 성공했다.

2610.35862v12026.10.26

힘 반응형 휴머노이드 로코-매니퓰레이션 학습

Learning Force-Reactive Humanoid Loco-Manipulation

Sihang Li, Xiaofeng Guo, Jinkun Cao, Charlie Cheng, Ruihan Yang 외 3명

FLORE는 휴머노이드 로봇이 운동과 접촉 힘을 동시에 제어해야 하는 로코-매니퓰레이션(loco-manipulation) 과제를 학습하는 프레임워크다. 데이터 수집 단계에서는 힘 감지 기능을 갖춘 UMI 방식의 핸드헬드 그리퍼 두 개와 웨어러블 트래커를 사용해 로봇 없이 시연 데이터를 획득한다. 힘 반응형 확산 정책(diffusion policy)은 비전·고유감각·측정 렌치(wrench)를 입력으로 받아 행동과 각 손의 힘 명령을 예측하고, 하이브리드 컴플라이언스 전신 제어기(whole-body controller)가 실제 힘/토크(F/T) 센서의 오차 적분을 통해 이를 추종하며 균형을 유지한다. 접촉이 많은 세 가지 과제에서 FLORE의 힘 반응형 정책은 80%의 성공률을 기록했으며, 동일한 시연 데이터로 학습한 위치 전용 정책의 26.7%와 비교된다.

2610.35852v12026.10.26

보행 로봇을 위한 미분 가능 접촉 동역학: 정책 학습과 접촉 내재적 궤적 최적화

Differentiable Contact Dynamics for Legged Locomotion: Policy Learning and Contact-Implicit Trajectory Optimization

Gijeong Kim, Seungbin Oh, Dongyun Kang, Hae-Won Park

이 논문은 마찰 접촉에 대한 매끄러운 해석적 기울기를 제안하고, 이를 보행 로봇의 정책 학습과 접촉 내재적 궤적 최적화(contact-implicit trajectory optimization)에 적용한다. 쿨롱 마찰을 위한 드 삭세(de Saxcé) 보정 이차 원뿔 상보성 문제의 중심 경로 완화를 통해 접촉 모드 전환 시에도 연속적인 민감도를 유지한다. 제안된 기울기는 역방향 패스에서만 정확한 기울기를 대체하고 순방향 하드 접촉 계산은 그대로 두어 실현 가능한 롤아웃을 보장한다. 데스크톱 PC에서 100,000개 샘플과 2분 미만의 학습으로 생성된 정책은 추가 미세 조정 없이 실제 하드웨어에 전이된다. 하드웨어 실험에서 트로팅 정책을 적용한 로봇은 밀침 충격을 견디고 잔해물과 미끄러운 지면을 통과하였으며, 궤적 최적화에서도 기존 정확 기울기 및 Signorini 완화 기울기가 놓친 접촉 풍부 해(contact-rich solution)에 도달하였다.

2610.35851v12026.10.26

가상 구속 조건을 활용한 비파지 로봇 캐칭

Nonprehensile Robotic Catching Using Virtual Constraints

Aakash Khandelwal, Ranjan Mukherjee

이 연구는 가상 비홀로노믹 구속 조건(VNHC)을 이용해 비파지(nonprehensile) 로봇 캐칭 문제를 다룬다. 로봇 엔드이펙터의 운동을 포착 대상 물체의 상태에 직접 기반하여 설계·제어하므로, 물체 궤적 예측이나 시변 로봇 궤적 생성이 필요하지 않다. 평면 케이스를 대상으로, VNHC 접근법을 통해 원하는 높이에서 물체를 캐칭하면서 접촉 순간의 상대 법선 속도를 최소화할 수 있음을 보였다. VNHC 함수는 목표 캐칭 높이만을 매개변수로 하며 다양한 초기 조건에 동일한 VNHC를 적용할 수 있다. 접촉 이후 물체와 엔드이펙터를 목표 위치에 정지시키기 위해 모델 예측 제어(MPC)를 사용하며, 전체 접근법은 시뮬레이션으로 검증되었다.

2610.35850v12026.10.26

OSWAM: 단일 스텝 행동 생성을 위한 세계 행동 모델

OSWAM: An Effective World Action Model with One-Step Action Generation

Guowen Zhang, Liyi Chen, Xu Hu, Pengfei Wang, Jingfan Chen 외 2명

OSWAM은 자율주행과 체화 제어(embodied control)를 위해 디퓨전(diffusion) 과정을 단 한 스텝으로 줄인 세계 행동 모델(World Action Model, WAM)이다. 기존 직접 정책 WAM은 경쟁력 있는 행동 품질을 얻으려면 수십 번의 디노이징 스텝이 필요해 실시간 배포가 어렵다는 한계가 있었다. OSWAM은 랜덤 노이즈 초기화 대신 상상 토큰(imagination token)을 구성해 물리적 사전 정보와 행동 조건 표현을 디퓨전 초기값으로 제공한다. 여기에 미래 조건부 특권 정보 증류(privileged information distillation)를 추가해 단일 스텝에서도 행동 품질을 유지한다. 저자들에 따르면 직접 정책 WAM 기준 모델 대비 약 3배 속도 향상을 달성했으며, NVIDIA RTX 5090 GPU에서 40ms 이하의 지연 시간으로 실시간 추론이 가능하다고 밝혔다.

2610.35832v12026.10.26

EBench를 이용한 프론티어 에이전트 프로파일링: 직접 제어에서 정책 연동 하네스까지

Profiling a Frontier Agent with EBench: From Direct Control to Harness with Policy

Yifei Yao, Yude Zou, Guanbo Jiao, Xing Gao, Ning Gao 외 10명

이 연구는 로봇 특화 학습 없이 로봇을 제어할 수 있는 프론티어 다중모달 대형 언어 모델(MLLM)과 사후 학습된 시각-언어-행동 모델(VLA) 및 세계 행동 모델(WAM) 정책을 EBench에서 비교 평가한다. GPT-6-Astra를 에이전트 핵심으로 두고, 웨이포인트 명령을 직접 생성하는 직접 제어 방식과 VLA·WAM 정책을 호출하는 정책 연동 하네스(harness with policy) 방식 두 가지 구성을 실험한다. 직접 제어에서는 단기 과제에서 경쟁력 있는 성능을 보이지만, 장기 과제·탁상 조작·고정밀 접촉 집약 과제에서 사후 학습 정책보다 낮은 성능을 기록한다. 정책 연동 하네스에서는 전체 과제 성공률이 비교 대상 사후 학습 정책 중 최고 수준에 도달하고 토큰 비용도 크게 줄어든다. 다만 최적화되지 않은 정책 호출, 하위 목표 없는 고정 명령 실행, 에이전트 제어 재개 시 파지(grasp) 방해 등으로 인해 개별 구성 요소의 과제별 성능 상한에는 미치지 못한다.

2610.35817v12026.10.26

사전학습은 무엇을, 시뮬레이션은 방법을 가르친다: 시뮬레이션 학습 로봇 에이전트의 조합적 일반화

Pretraining Knows What, Simulation Teaches How: Compositional Generalization in a Sim-Trained Robot Agent

Benjamin Pikus, Daniel Saunders, Mircea Mironenco, Salman Mohammadi, Mathew Mathew 외 9명

ZAP(Zero-real Agent Policy)은 27B 파라미터 사전학습 시각-언어 모델(VLM)을 기반으로, 간단한 시뮬레이션 과제에 대한 지도 학습과 GRPO 방식의 강화학습을 결합해 로봇 제어를 습득하는 방법론이다. 실제 로봇 데이터 없이 학습했음에도 연구팀 자체 실험에서 실세계 과제 성공률 96.7%를 기록하였으며, MolmoAct2 VLA(33.3%)를 상회하고 GPT-6 Astra와 동등한 수준이라고 보고된다. GPT-6 Astra 대비 3배 빠르고 17배 낮은 비용으로 동작한다고 연구팀은 밝힌다. ZAP은 훈련 데이터에 등장하지 않은 새로운 물체·목표·전략·언어 지시에도 일반화하며, 시험관 랙 삽입, 양팔 간 공중 전달, 체스 등의 과제를 수행한다. 단일 팔 Franka로의 전이 실험에서는 RoboLab-120 벤치마크 기준 55.9%를 기록하였으며, 이는 선행 VLA/WAM 기준선보다 4.9 퍼센트포인트 높은 수치이다.

2610.35733v12026.10.26NeurIPS

라우티드 앙상블과 궤적 귀인을 이용한 다목적 강화학습

Multi-Objective Reinforcement Learning Using Routed Ensembles and Trajectory Attribution

Zhenshuo Zhang, Ruoxuan Xiong, Hongyang R. Zhang

이 논문은 다목적 강화학습(multi-objective reinforcement learning)에서 목표 간 충돌 정도를 정량화하는 목표 충돌 계수(objective-conflict coefficient)를 도입하고, 온라인 환경에서의 후회(regret) 상한을 이론적으로 도출한다. 소수의 기저 정책(basis policy)을 유지하면서 보상 잠재력이 가장 높은 정책으로 궤적을 동적으로 배분하는 라우티드 앙상블(routed ensemble) 정책 학습 알고리즘을 제안한다. 또한 커널 서로게이트 궤적 귀인(kernel surrogate trajectory attribution) 알고리즘을 설계해, 특정 궤적 집합의 피드백 신호가 다른 궤적 학습에 미치는 영향을 비선형 상호작용까지 포함하여 추정한다. Meta-World 및 MO-Gymnasium 환경 실험에서 라우티드 앙상블은 기준선 대비 평균 성능을 4.3% 향상시켰다. 커널 기반 궤적 선택은 기준선 귀인 방법 대비 보상을 27% 향상시키고, 리브-원-아웃(leave-one-out) 분석과의 상관관계도 50% 개선되었다.

2610.35730v12026.10.26

SPECOLA: 명세 기반 로봇 평가 도구

SPECOLA: A Tool for Specification Driven Robot Evaluation

Immanuel Ampomah Mensah, Hadas Kress-Gazit

시뮬레이션 벤치마크는 대부분 성공률만을 주된 성능 지표로 사용하지만, 이 방식은 과제 달성 여유도, 목표 파라미터 변화에 대한 민감성, 요구사항 위반 여부 등을 드러내지 못한다. SPECOLA는 신호 시간 논리(Signal Temporal Logic, STL)를 이용해 로봇 행동이 명세를 얼마나 충족하거나 위반하는지를 정량적으로 측정하는 시뮬레이션 평가 도구다. 시뮬레이터 상태를 명세 관련 신호에 매핑하고 STL 모니터를 생성·관리하는 인터페이스를 제공하며, Python API와 커맨드라인 인터페이스(CLI)를 통해 기존 정책 실행 루프에 통합할 수 있다. LIBERO, RoboCasa, Isaac Lab, RoboDojo를 포함한 9개 시뮬레이션 환경에 대한 어댑터가 함께 제공된다.

2610.35687v12026.10.26

TrySee: 특수 도메인 폐루프 로봇 작업 계획을 위한 모듈형 인식 강화 VLM 그라운딩

TrySee: Modular Perception-Enhanced VLM Grounding for Closed-Loop Robot Task Planning in Specialized Domains

Elias Hofele, Thomas Trapp, David Timmermann, Tristan Schnell, Georg Heppner 외 1명

시각-언어 모델(VLM)은 로봇의 고수준 추론과 작업 계획에 강점을 보이지만, 특수 도메인에서의 이미지 해석과 그라운딩(grounding)은 여전히 한계로 남아 있다. TrySee는 범용 VLM 추론에 도메인 특화 인식 모듈을 결합한 모듈형 폐루프(closed-loop) 로봇 작업 계획 파이프라인이다. 반응형 순환 계획 구조에 도메인별 모듈형 시각 전처리와 동적 전처리 선택 메커니즘을 추가해 온라인 그라운딩을 제공한다. VLM 파인튜닝이나 엔드투엔드 시연 없이 교체 가능한 인식 모듈과 모션 플래닝(motion planning)으로 도메인 적응이 가능하다. 실제 로봇 분해 작업을 포함한 서로 다른 5개 도메인 과제와 브라운필드(기존 시설) 환경 현장 테스트로 평가되었다.

2610.35686v12026.10.26

FISRF: 대규모 언어 모델 기반 로봇 작업 계획을 위한 유연한 교수적 스캐폴딩 반성 프레임워크

FISRF: Flexible Instructional Scaffolding Reflection Framework for Robotics Task Planning with Large Language Model

Qingmiao Liang, Jiatao Zhang, Runxin Zou, Yufan Song, Wei Song 외 1명

대규모 언어 모델(LLM)을 활용한 기존 반성적 오류 수정 방법은 새로운 환경 초기 탐색 단계에서 잘못된 경험이 누적되는 문제를 안고 있다. FISRF는 교육학의 근접 발달 영역(Zone of Proximal Development, ZPD) 개념을 로봇 작업 계획에 도입한 에이전트-멘토 구조로, 로봇의 현재 역량을 추정해 반성 전략과 멘토 지도를 적응적으로 선택한다. ALFWorld 시뮬레이션 환경과 실제 로봇 플랫폼 실험에서 오류 수정 라운드 수를 평균 37% 줄이고 중복 추론을 25.1% 감소시켰다. 전체 작업 성공률은 기존 대비 8% 향상되었다.

2610.35670v12026.10.26

민첩한 사족보행로봇을 위한 연속시간 안전 경로 계획 및 제어

Continuous-Time Safe Planning and Control for Agile Quadrupeds

Gage MacLin, Mason Peterson, Camilla Tabasso, Venanzio Cichella, Joshua Migdal 외 2명

동적 환경에서의 사족보행로봇 주행은 동역학적으로 실현 가능하면서 충돌 없음이 보장된 궤적을 요구한다. 기존 실시간 경로 계획기는 단순화된 기구학 모델을 사용하고, 이산화 시점에서만 안전성을 인증해 샘플 사이 구간에서 이동 장애물과 충돌할 가능성을 남긴다. 이 논문은 비등방성(anisotropic) 헤딩 결합 속도 한계를 포함하는 완전 작동(fully-actuated) SE(2) 모델을 그대로 유지하면서, 궤적을 복합 베른슈타인 다항식(composite Bernstein polynomial)으로 매개변수화한다. 볼록 껍질(convex hull) 성질을 이용해 전체 계획 구간에 걸쳐 충돌 회피와 입력 한계를 연속적으로 인증하며, 최적화는 온라인 재계획 속도로 닫힌 루프(closed-loop)로 구동되어 보행 컨트롤러에 몸체 속도를 지령한다. 시뮬레이션 절삭 실험 및 외부 기준선과의 비교, 미지의 이동 장애물 환경에서의 실기 실험을 통해 검증되었다.