PAPERS

논문 트래커

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

725건학회 채택 2건

2610.31661v12026.10.22

OpenTac: 맞춤형·확장형·전이 가능한 3D 촉각 센싱을 위한 오픈 에코시스템

OpenTac: An Open Ecosystem for Customizable, Scalable, and Transferable 3D Tactile Sensing

Ariel Slepyan, Geeta Chandra Raju Bethala, Jiafeng Gu, Anagha Rajendra Dangle, Yinzhe Zhou 외 10명

OpenTac은 저항성(resistive) 촉각 피부(tactile skin)와 전체 소프트웨어 생태계로 구성된 로봇용 3D 촉각 센싱 시스템이다. 구조화된 변형 오버레이(structured deformable overlay)가 접선 하중을 공간적으로 변화하는 압력으로 변환하며, 인접 택셀(taxel) 간 차동 응답으로 국소 전단 벡터(shear vector)를, 공통 모드 응답으로 법선 힘(normal force)을 복원한다. 2D 윤곽선·전개 가능 3D 표면은 물론 텍스트 설명을 입력받아 제작 파일을 자동 생성하는 CAD 설계 도구도 함께 제공된다. 이 도구를 활용해 30종 이상의 센서를 설계·제작했으며, 4가지 실제 로봇 플랫폼에서 접촉이 많은 피드백 제어 및 조작 정책 학습(manipulation policy learning)에 적용함을 검증했다. 1024-택셀 피부에서 업데이트당 16개 택셀을 샘플링하는 적응형 취득(adaptive acquisition) 방식은 전체 배열 래스터 스캐닝 대비 19.2배 빠른 킬로헤르츠급 부분 판독을 가능하게 한다.

2610.31625v12026.10.22

근궤적을 활용한 조화 함수 기법 확장: 협조 경로 생성

Extending Harmonic Function Methods via Root Locus for Coordinated Path Generation

Matteo Frascarelli, Lucia Pallottino, Alberto Landi

다각형 장애물이 있는 평면 환경에서 N개의 교환 가능한 로봇과 N개의 목표 지점을 대상으로 협조 경로를 오프라인으로 생성하는 방법을 제안한다. 등각사상(conformal map)으로 원형 도메인으로 변환하면 출발점과 목표점은 유리 함수 R의 극점·영점이 되고, 경로는 로그 포텐셜 −log R의 일반화 근궤적(Generalized Root Locus, GRL) 가지(branch)로 표현된다. 유한 개의 임계 위상을 제외한 모든 위상에서 유도된 기울기 운동이 각 로봇을 서로 겹치지 않는 경로를 따라 별도의 목표 지점으로 안내하며, 로봇-목표 할당은 구성 과정에서 자동으로 결정된다. 밀른-톰슨(Milne-Thomson) 반사를 반복 적용하여 장애물을 유선(streamline)으로 처리하고, 유한 반사 횟수에 대해 안전성을 인증하는 유한 테스트가 존재한다. 100개의 무작위 인스턴스에서 독립 조화 계획법 및 인공 포텐셜 기법과 비교 실험하였으며, 로봇 10개·장애물 10개 시나리오에서도 방법을 시연하였다.

2610.31617v12026.10.22

DiffDreamer: 민첩한 쿼드로터 제어를 위한 세계 모델과 미분 가능 시뮬레이션의 결합

DiffDreamer: Coupling World Models with Differentiable Simulation for Agile Quadrotor Control

Fanxing Li, Yuxiang Huang, Shengyang Wang, Fangyu Sun, Shuyu Wu 외 5명

DiffDreamer는 학습된 세계 모델(world model)과 미분 가능 시뮬레이션(differentiable simulation)을 결합한 강화학습(RL) 프레임워크다. 하나의 최적화 단계 내에서 세계 모델은 외부 환경의 잠재 상태와 이력 의존 특징을 전파하고, 미분 가능 시뮬레이터는 로봇의 명시적 물리 상태를 전파하는 방식으로 역할을 분리한다. 행위자(actor) 목표 함수는 비미분 과제 보상을 처리하는 비평가(critic) 경로와 미분 가능 모션 보상을 처리하는 시뮬레이터 경로로 분해된다. 공격적 궤적 추적 및 동적 게이트 레이싱 실험에서 모델 프리, 모델 기반, 미분 가능 RL 기준선과 고전적 계획·제어 기법보다 학습 수렴 속도와 최종 성능 모두 우수한 결과를 보였다. 실세계 비행 실험을 통한 개념 검증도 함께 제시된다.

2610.31613v12026.10.22

Progress Probes P²: 시각-언어-행동 모델을 위한 경량 런타임 모니터링

Progress Probes P²: Lightweight Runtime Monitoring for Vision-Language-Action Models

Atiksh Bhardwaj, Edward W. Duan, Junwon Seo, Prithwish Dan, Wei-Chiu Ma 외 2명

시각-언어-행동 모델(VLA)은 시각 관찰과 자연어 지시만으로 다양한 조작 작업을 수행하지만 예측 불가능한 실패에 취약하다. 기존 런타임 모니터는 외부 비전-언어 모델(VLM)을 감독자로 활용해 연산 비용과 복잡도가 높다는 문제가 있다. 이 연구는 VLA 모델 자체의 내부 활성화(activation)에 선형 프로브(linear probe)를 훈련해 실행 진행 상황을 추정하고, 예상 진행 경로에서 이탈한 실행을 감지하는 방법을 제안한다. 오픈소스 VLA인 π_0.5를 대상으로 시뮬레이션 및 실제 환경의 조작 작업에서 실험한 결과, 이 방법은 VLM 기반 모니터 및 실패 데이터를 필요로 하는 방법들과 동등하거나 높은 실패 감지 성능을 보인다. 외부 파운데이션 모델 없이 VLA 내부 프로브만으로 신뢰 가능한 런타임 모니터를 구축할 수 있음을 보인 연구다.

2610.31608v12026.10.22

어텐션 기반 접촉을 통한 휴머노이드 이동성

Humanoid Mobility via Attention-based Contacts

Junzhe He, Kehan Wen, Chong Zhang, Clemens Schwarke, Zewei Zhang 외 5명

이 논문은 복잡한 지형에서의 휴머노이드 이동을 위해 모션 참조 기반 방법과 강화학습(RL)을 결합한 학습 프레임워크를 제안한다. 자기지도 어텐션(attention) 기반 접촉 계획기(contact planner)가 미래의 신체-환경 접촉을 예측하고, 접촉 조건부 추적기(contact-conditioned tracker)가 이 계획을 전신 협조 운동으로 변환한다. 접촉 표현이 감각 관측과 제어 행동 사이의 인터페이스 역할을 함으로써, 정책은 운동학을 직접 모방하지 않고도 접촉 인식 운동 구조를 내재화한다. 이후 파인튜닝 단계에서 학습된 계획기와 추적기의 능력을 활용해 원본 모션 데이터 범위를 벗어난 환경 변화에도 적응한다. 배포 시에는 외부 참조 입력 없이 온보드 관측만으로 동작한다.

2610.31569v12026.10.22

Echo: 시각-언어-행동 모델을 위한 행동·작업 상태 신호 결합 디노이징

Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models

Yufeng Liu, Bohao Fan, Juntu Zhao, Xinyi Wang, Hang Yu 외 9명

로봇이 작업 성공 여부를 스스로 판단하려면 정책 모델이 완료·실패 신호를 생성할 수 있어야 한다. Echo는 시각-언어-행동 모델(VLA) 하나 안에서 '정지'와 '실패' 두 가지 작업 상태 신호를 각 액션 청크(action chunk)의 두 차원으로 추가해 로봇 행동과 함께 디노이징(denoising)한다. 프레임 단위 진행률 주석 없이 학습할 수 있도록, 성공·실패·복구 궤적을 상호 보완적 감독 방식으로 구성한다. 상태 신호를 행동보다 먼저 디노이징해 이후 행동 생성 단계가 더 정제된 상태 추정치를 조건으로 활용하도록 설계한다. 실제 환경의 조작 실험에서 작업 상태를 정확히 예측하고 정책 성능을 일관되게 향상시키는 결과를 보였다.

2610.31562v12026.10.22

강체 탑재물의 협력적 궤도 운반을 위한 분산형 이중 레벨 최적화

Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload

Sidhdharth D. Sikka, Revathy Ravuri, Hei Yin Jowett Chan, Tim Echtermeyer, Shaoshuai Mou

우주 경제 성장과 궤도 혼잡 문제로 대형 비협력 물체의 궤도 내 운반 수요가 높아지고 있으며, 소형 우주선 군집을 활용하면 단일 장애점을 제거할 수 있다. 그러나 각 우주선의 원추 제약 추력(cone-constrained thrust)을 탑재물의 회전 동역학과 결합해야 하는 비볼록(non-convex) 궤도 최적화 문제가 핵심 과제로 남아 있다. 저자들은 정확한 기울기를 사용하는 분산형 이중 레벨(bi-level) 프레임워크를 제안하며, 내부 문제는 볼록 추력 배분으로, 외부 문제는 탑재물 토크 궤적 탐색으로 분리한다. 이 분해 방식은 완전한 비선형 계획법(NLP) 수렴 없이도 연료 효율적 해를 빠르게 산출하며, 단시간 척도에서는 에이전트 수 증가에 따라 성능이 향상된다고 저자들은 보고한다. 이론적 수렴 보장을 제시하였고, 비행 중 결함으로부터의 폐루프 복구를 포함한 몬테카를로 시뮬레이션으로 프레임워크를 검증하였다.

2610.31540v12026.10.22

다중 로봇 협조를 위한 Dispersive Tree 합의

Dispersive Tree Agreements for Multi-Robot Coordination

Shashank A. Deshpande, Blake T. Edwards, Jonathan P. How

비선형 시스템의 다중 로봇 협조 문제를 분산·실시간으로 근최적(near-optimal) 수준에서 해결하는 WarpWeaver 프로토콜을 제안한다. 단일 로봇용 분산 트리(dispersive tree) 탐색 프레임워크를 다중 로봇 팀으로 확장하며, 로봇 간 결합 조건을 지역 제약으로 대체해 각 로봇이 독립적으로 트리를 성장시킬 수 있도록 한다. 각 로봇은 분산 열 생성(column generation) 방식으로 공유 공간에 대한 '렌트'를 협상하며, 협상이 수렴하면 근최적성이 보장된다. Dynobench 벤치마크에서 중앙집중식 오프라인 플래너 대비 이동 시간을 최대 22%, 분산 실시간 기준선 대비 최대 37% 단축했으며, 그래프 연결성 과제에서는 특화 플래너 대비 성공률이 약 두 배로 나타났다. 6대 로봇을 이용한 온보드(onboard) 계획 하드웨어 실험으로 실제 환경에서의 구현 가능성도 확인했다.

2610.31518v12026.10.22IROS

SCOPE: 로봇 장기 계획 데이터셋을 위한 계획 오류 수정 최적화 장면 그래프 구성

SCOPE: Scene-graph Construction Optimized by Plan Error-correction for Robot Long-term Planning Datasets

Chaoyue Li, Zeyu Gao, Yanfeng Lu, Fan Luo

과제 및 모션 계획(TAMP, Task and Motion Planning)은 자율 에이전트가 복잡한 장기 과제를 수행하기 위한 핵심 문제로, 최근 대규모 언어 모델(LLM)을 활용한 새로운 접근이 시도되고 있다. 그러나 LLM 파인튜닝에 필요한 고품질 TAMP 데이터셋이 부족하고, 기존 자동 생성 방법은 시나리오 동질성과 물리적으로 실행 불가능한 장면 그래프 생성 문제를 안고 있다. 이 논문은 SCOPE라는 자동화 프레임워크를 제안하며, 다단계 다양성 지표를 통해 시나리오 정보 엔트로피를 극대화하고 계획 피드백 오류 수정 파이프라인으로 장면 그래프의 논리적 불일치를 소급 교정한다. 실험 결과, SCOPE로 생성한 데이터로 파인튜닝한 모델은 PDDL 기반 플래너인 DELTA 생성 데이터 대비 성공률에서 절대 12.33%p 향상을 달성했다.

2610.31476v12026.10.22

공간 이해를 위한 포인트 수준 정제 가능 시맨틱 매핑

Point-Level Refinable Semantic Mapping for Spatial Understanding

Taimeng Fu, Yi Du, Zitong Zhan, Qiwei Du, Shaoshu Su 외 2명

오픈 어휘(open-vocabulary) 3D 시맨틱 맵은 로봇의 장기 자율성을 위한 공간 메모리 표현으로 활용되고 있으나, 기존 방법은 새로 관측된 포인트를 단순 누적하는 방식이어서 인식 오류가 쌓이고 이동·소멸된 객체의 포인트가 잔존하는 문제가 있다. 본 연구는 확률적 포인트 수준 신뢰도(confidence) 갱신을 통해 객체 표현을 지속적으로 정제하는 온라인 정제 가능 시맨틱 매핑 프레임워크를 제안한다. 각 포인트는 다시점 시간적 증거(세그멘테이션 마스크, 깊이 측정, 가시성 단서)를 사용해 신뢰도 점수가 실시간으로 업데이트되며, 객체 추적 및 재식별(re-identification)을 결합해 이동·재배치 후에도 인스턴스 정체성을 유지한다. Replica와 ScanNet 벤치마크에서 기존 방법 대비 매핑 정확도가 각각 3.46%, 2.55% 향상되었으며, 객체 탐색과 체화 질의응답(embodied question-answering) 과제에서 각각 82.4%, 76.7%의 성공률을 기록했다.

2610.31474v12026.10.22

로봇 월드 모델을 위한 골격 기반 잠재 행동 모델 SkeLAM

Skeleton-Grounded Latent Action Model for Robot World Models

Qi Lv, Jiayi Lin, Yuxin Jiang, Jianzong Wang, Xiang Deng 외 1명

기존 잠재 행동(latent action) 모델은 재구성 과정에서 로봇 동작과 객체 반응, 배경 변화가 뒤섞여 실제 로봇 제어와의 대응 관계를 파악하기 어렵다는 문제가 있다. 이를 해결하기 위해 SkeLAM은 로봇 골격(skeleton) 감독 신호로 운동학적(kinematic) 성분과 보완적 시각 변화를 담은 잔차(residual) 성분으로 잠재 행동을 분리한다. 교차 모달 스왑 재구성(cross-modal swap reconstruction)으로 RGB 기반과 골격 기반 운동학 표현이 상호 교환 가능하도록 학습하며, 브랜치 드롭아웃(branch dropout)으로 미래 정보 의존성을 줄인다. DROID 데이터셋에서 DreamDojo 대비 엔드이펙터 평균 변위 오차(ADE)를 19.5%, LPIPS를 11.1% 감소시켰다. 정책 평가 실험에서는 모델이 예측한 성공률이 실제 로봇 실행 성공률과 일치하는 결과를 보였다.

2610.31472v12026.10.22ICRA

VecTile: 3축 힘 감지를 위한 저비용 유연 촉각 어레이

VecTile: A Low-Cost Flexible Tactile Array for 3-DoF Force Sensing

Jian Hou, Xin Zhou, Adam J. Spiers

VecTile은 압저항(piezoresistive) 층과 수동형 실리콘 돌기(silicone nub)를 결합해 법선력과 전단력을 구별 가능한 압력 패턴으로 변환하는 3축 촉각 센서 어레이다. 두께 6 mm의 유연한 구조이며 전문 장비 없이 자체 제작이 가능하고, 4×4 어레이 기준 비용은 35달러 미만이다. 1~5 N 법선력 및 최대 1.5 N 전단력 범위 실험에서 법선력 RMS 오차 0.39 N, 전단력 RMS 오차 0.16 N을 기록했다. 평면 상태에서 보정한 센서는 굴곡 상태에서도 정확도를 유지하며, 5분 수동 보정으로 실용적인 성능을 낼 수 있다. 메스 접촉 시 풍선 보호 및 확산 정책(Diffusion Policy) 기반 전원 플러그 삽입 작업 개선의 두 가지 응용을 하드웨어로 시연했다.

2610.31432v12026.10.22

확장 가능한 크로스 세션 실내 내비게이션을 위한 희소 위상계량 그래프

A Sparse Topometric Graph for Scalable Cross-Session Indoor Navigation

Eun Sun Lee, Minkyun Seo, Gwangtak Bae, Junho Kim, Seunggu Kang 외 2명

실내 환경에서 동작하는 체화 에이전트(embodied agent)는 실세계 측정값을 누적해 지도를 구축하지만, 세션 간 장면 변화나 센서 설정 차이로 인해 정밀 매칭이 어렵다는 한계가 있다. 본 연구는 탐색 가능한 통로의 위상 구조를 활용한 희소 위상계량 그래프(sparse topometric graph)를 실내 내비게이션 표현으로 제안한다. 그래프는 지역 3D 기하 정보를 인코딩하는 노드와 이동 가능한 연결성을 나타내는 거리 가중 엣지로 구성되며, 학습 기반 그래프 매칭 네트워크가 노드 수준 기하 디스크립터와 이웃 연결성을 함께 고려해 세션 간 일관된 부분 그래프 구조를 탐색한다. 포인트-골 내비게이션(point-goal navigation) 실험에서 Gibson 데이터셋 기준 77.1%, 3D-FRONT 장면 변화 조건에서 40.0%의 성공률을 기록했으며, 포인트 수준 표현 대비 메모리를 100배 이상 절감한다.

2610.30136v12026.10.21

에이전틱 월드 액션 모델

Agentic World Action Models

Zhuoyang Liu, Dantong Niu, Botong Zhang, Boning Shao, Jing Wang 외 13명

AW-0는 코드 기반 계획(code-based planning)과 비디오·행동 예측을 결합한 에이전틱 세계 행동 모델(World Action Model, WAM) 프레임워크다. 혼합 트랜스포머(mixture-of-transformers) 아키텍처 안에서 코드, 미래 비디오, 로봇 행동을 세 개의 결합된 생성 스트림으로 공동 모델링한다. 코드 전문가 모듈은 매개변수화된 스킬 루틴과 제어 로직을 생성하고, 비디오·행동 전문가 모듈은 미래 시각 상태와 저수준 모터 명령을 생성한다. 자동화된 큐레이션 파이프라인을 통해 로봇·인간 비디오 궤적에 프로그램을 정렬 레이블링하고, 반복 루틴을 재사용 가능한 스킬 라이브러리로 통합한다. RoboTwin 2.0 시뮬레이션 및 실물 양손 조작(bimanual manipulation) 실험에서 기존 VLA·WAM 기준 모델 대비 향상된 과제 수행 성능과 언어 추종·시맨틱 추론·견고성 개선이 보고되었다.

2610.30125v12026.10.21

PhysiCalWorld: 월드 모델을 위한 인컨텍스트 물리 캘리브레이션

PhysiCalWorld: In-Context Physics Calibration for World Models

Yunhao Luo, Wentao He, Yinpei Dai, Hyelin Nam, Hongze Fu 외 3명

기존 월드 모델(world model)은 짧은 시각 이력만으로 장면을 인식하기 때문에 질량 분포, 관절 감쇠, 표면 마찰 같은 물리 특성을 파악하지 못해 새로운 테스트 환경에서 예측 오차가 누적되는 문제가 있다. PhysiCalWorld는 파인튜닝이나 분석적 물리 모델링 없이 인컨텍스트 프롬프팅(in-context prompting)을 통해 행동 조건부 월드 모델을 인스턴스별 동역학에 맞게 캘리브레이션하는 방법을 제안한다. 테스트 장면에서 수집한 탐색적 상호작용 클립을 압축된 물리 디스크립터 토큰(physics descriptor token)으로 인코딩하여 이후 예측이 해당 장면의 실제 물리 거동에 기반하도록 한다. 물리 레이블 없이 잠재 예측 손실만으로 엔드투엔드 학습되며, 추론 시 디스크립터 토큰은 한 번 추출한 뒤 여러 롤아웃에서 재사용 가능해 추가 연산 부담이 거의 없다. 다양한 물리 변이를 포함하는 4개 환경에서 평가한 결과, 롤아웃 예측 정확도와 시각적 계획 성공률이 향상되었고, 학습된 디스크립터는 훈련 범위를 벗어난 물리 조건에도 일반화되는 것으로 나타났다.

2610.30117v12026.10.21

CW-WAM: 힘 감응 조작을 위한 구조화된 접촉-렌치 월드 액션 모델

CW-WAM: A Structured Contact-Wrench World Action Model for Force-Sensitive Manipulation

Houzhu Ding, Xinda Qi, Luqi Wang, Ming Yang

CW-WAM은 시각 관측만으로는 얻기 어려운 접촉·부하 정보를 다루기 위해 비디오, 모션, 접촉 렌치(contact wrench)를 함께 예측하는 월드 액션 모델(world action model)이다. 통합 상호작용 모듈은 모션과 접촉 렌치를 동시에 모델링 대상으로 삼으며, 쌍방향 인과 어텐션(pair-causal attention) 메커니즘이 두 요소 간 의존성을 구조화하고, 긴 고정 길이 렌치 메모리가 과거 상호작용 이력을 보존한다. 예측된 렌치 청크는 20Hz 외부 루프 어드미턴스 제어기(admittance controller)의 힘 기준값으로 활용되어 모델 조회 사이에도 힘 피드백과 부드러운 동작을 유지한다. 렌치 입력이 없는 기준 모델 WAM 대비, 측면당 1mm 여유 공간의 사각 페그 삽입 성공률이 25%에서 70%로, 전원 어댑터 삽입 성공률이 40%에서 95%로 향상되었다. 어드미턴스 제어기를 포함한 프레임워크는 페그 삽입 시 힘 기준 RMSE를 4.8N에서 2.7N으로, 닦기 작업에서는 2.0N에서 1.3N으로 줄인다.

2610.30108v12026.10.21

멀티모달 체화 에이전트: 컴퓨터 사용에서 로봇 사용까지 통합 역량 중심 관점

Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use

Yanzhe Chen, Ziyi Yang, Jifeng Zhu, Qiming Huang, Ruihe An 외 12명

이 논문은 멀티모달 에이전트(MMA)와 로봇 시스템을 통합하는 개념으로 멀티모달 체화 에이전트(Multimodal Embodied Agent, MMEA)를 정의하고, 에이전트가 컴퓨터 사용에서 로봇 사용으로 전환될 때 무엇이 달라지는지를 분석한다. 저자들은 PAPAV라는 다섯 가지 기능 중심 프레임워크를 제안하며, 각 기능은 현재 상태 인식(Perceive), 행동 결과 예측(Anticipate), 계획 수립(Plan), 행동 실행(Act), 결과 검증(Verify)으로 구성된다. 부분 관측 가능성과 결과 검증 불가 등 다섯 가지 물리적 제약이 에이전트의 사전 선택 폭을 좁히고 오류 복구 여지를 줄이는 것으로 분석된다. 64개 벤치마크를 검토한 결과, 명시적 평가는 Act에 집중되어 있으며 Anticipate를 평가하는 벤치마크는 5개, Verify는 3개에 불과해 두 역량이 과제 성공 지표 뒤에 가려진 것으로 나타났다. PAPAV는 과제 성공 단일 지표 대신 다섯 가지 역량 전반을 측정하는 공통 기반을 제공하는 것을 목적으로 한다.

2610.30105v12026.10.21

비대칭 온폴리시 증류를 통한 인컨텍스트 탐색 학습

Asymmetric On-Policy Distillation Learns In-Context Exploration

Sriyash Poddar, Yanda Bao, Jacob Krantz, Matthew Chang, Xavier Puig 외 3명

ASTEROID는 부분 관측 가능성(partial observability) 환경에서 탐색 행동을 학습하는 학생-교사 지도학습 프레임워크다. 특권 교사(privileged expert)가 학생의 온폴리시(on-policy) 히스토리를 조건으로 행동 레이블을 제공하면, 학생은 불확실한 상태에서 탐색하고 숨겨진 상태가 드러나면 활용하는 방식을 체계적으로 익힌다. 이산 탐색 벤치마크, 로봇 조작, 탐색, Procgen 환경 등 11개 환경 실험에서 고정 탐색 예산 내 리턴이 기준선 대비 약 2배 높았고, 강화학습(RL) 기준선보다 약 100배 적은 상호작용을 사용했다. 시뮬레이션에서 학습한 정책을 시각 정보가 차단된 실제 로봇 조작 태스크에 이전했을 때 표준 증류(distillation) 대비 성공률이 +40% 향상되었다.

2610.30102v12026.10.21

다중 로봇 네트워크를 위한 동적 마이크로세그멘테이션 구현

Implementation of Dynamic Microsegmentation for a Multi-Robot Network

Vishwam Raval, Jaewon Kim, Ravi Pattabhi, Sandip Roy

이 논문은 다중 로봇 사물인터넷(IoT) 네트워크에 동적 마이크로세그멘테이션(microsegmentation) 기능을 실험실 환경에서 구현한 연구를 보고한다. 상용 소프트웨어 정의(software-defined) 마이크로세그멘테이션 도구를 사용하며, 자산의 기능 태그와 상태 태그에 따라 세그먼트가 동적으로 조정되는 세밀한 정책을 정의한다. 자동화된 정책 적용 소프트웨어를 통해 지정된 위협을 실시간으로 격리하면서 나머지 운영은 정상 유지되는 것을 시연하였다. 이 결과는 IoT 기반 다중 로봇 네트워크에서 마이크로세그멘테이션이 위협과 장애에 견고하게 동작할 수 있음을 보여 준다.

2610.30097v12026.10.21

AtomicRL: 장기 조작 과제를 위한 원자적 강화학습

AtomicRL: Atomic Reinforcement Learning for Long-Horizon Robotic Manipulation

Likui Zhang, Zhe Zhu, Zhihao Zhan, Yibo Bai, Hanlin Wang 외 5명

시각-언어-행동 모델(VLA)의 로봇 조작 성능을 높이기 위해 강화학습(RL)을 사후 학습에 활용하면, 기존 방법은 궤적 수준의 희소 보상으로 인한 신용 할당(credit assignment) 왜곡과 부분 과제 숙달 불균형 문제를 겪는다. AtomicRL은 원자적 과제 구조를 활용해 이 두 문제를 동시에 완화하는 RL 사후 학습 프레임워크다. 의미 인식 정책 최적화(SAPO)는 실패한 원자적 부분 과제의 TD 잔차가 과제 경계를 넘어 전파되지 않도록 차단하여 신용 오염을 억제한다. 병목 적응 탐색(BATE)은 각 부분 과제의 숙달도에 따라 과제 샘플링과 국소 탐색 인센티브를 동적으로 조정한다. LIBERO-LONG 벤치마크에서 PPO 대비 최대 4.0%, CALVIN ABC-D에서 최대 9.5% 성능 향상을 기록했으며, Real2Sim2Real 파이프라인을 통한 실제 로봇 실험에서 평균 21.3%의 성능 향상을 보였다.