PAPERS

논문 트래커

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

725건학회 채택 3건

2610.28470v12026.10.20

확장 가능한 휴머노이드 로봇 학습을 위한 고속 모션 리타게팅 파이프라인

Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning

Daniel Marew, Sangjun Park, Nisal Perera, Donghyun Kim

FRDV(Fast Retargeting with Dynamics Validation)는 대규모 인간 모션 캡처 데이터셋을 다양한 휴머노이드 로봇에 적용하기 위한 확장형 모션 리타게팅(motion retargeting) 프레임워크다. 운동학 단계에서 맞춤형 순차 이차 계획법(Sequential Quadratic Programming, SQP) 솔버, 실시간 반복(Real-Time Iteration), 병렬 청크 기반 처리를 결합해 초당 최대 9,156 프레임을 처리하며, 이는 GMR 및 ProtoMotions 대비 최대 136배 빠른 수준이라고 저자들은 밝히고 있다. 로봇별 제약 조건을 최적화에 통합해 지면 관통(ground penetration)·자기 충돌(self-collision) 같은 리타게팅 아티팩트를 줄인다. 추가 검증이 필요한 모션에는 접촉 암묵적 iLQR 컨트롤러를 적용해 발 부유(foot floating)·발 미끄러짐(foot skating) 등 동역학적으로 실현 불가능한 모션을 식별하고 정제한다. Unitree G1 휴머노이드에서 시뮬레이션-실제 전이(sim-to-real transfer)를 실증하였다.

2610.28465v12026.10.20

MARE: 인식·자율주행을 위한 그림자 정답 데이터 포함 오픈소스 달 탐사 로버 시뮬레이터

MARE: An Open-Source Lunar Rover Simulator with Shadow Ground Truth for Perception and Autonomy

Raúl Castilla-Arquillo, Miguel Olivares-Mendez

MARE(Modular Autonomy and Rendering Environment)는 달 표면 탐사 로버의 인식 및 자율주행 알고리즘 개발을 지원하는 오픈소스 시뮬레이션 스위트다. Unreal Engine 5와 ROS 2를 기반으로 구축되었으며, 지형 생성 모듈(Terrain Studio), 물리 기반 로버 시뮬레이션, 유도·항법·제어(GNC) 스택의 세 구성요소로 이루어진다. 달 극지방의 낮은 태양 고도에서 발생하는 고대비 그림자 환경을 재현하며, 스테레오·라이다·이벤트·단광자 사태 다이오드(SPAD) 카메라 플러그인과 픽셀 단위 정답 데이터를 제공한다. 검증 결과, 낮은 태양 고도 조건에서 예측 그림자와 렌더링 그림자 간 평균 교차-합집합(IoU)은 0.79로 나타났다. 또한 그림자 영역에서 스테레오 깊이 픽셀 커버리지가 일조 영역 대비 감소하는 현상도 분석을 통해 확인되었다.

2610.26855v12026.10.19

Ropedia W0: 인간 경험을 활용한 다양한 형상 간 이동-조작 세계 모델 확장

Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

Tianqi Liu, Hanfei Zhao, Qifeng Liang, Hui En Pang, Jiarui Xu 외 10명

Ropedia W0는 인간과 다양한 형상의 로봇을 포괄하는 1인칭 시점 이동-조작(loco-manipulation) 세계 기반 모델(world foundation model)이다. 학습 데이터로 1인칭 인간 영상 1만 시간과 로봇 데이터 3천 시간을 통합 다중모달 어노테이션으로 정제한 Xp-Data를 활용한다. 이동은 카메라 포즈로, 조작은 투영 골격(projected skeleton)으로 인코딩하는 통합 운동학 표현을 도입해 이기종 형상의 행동 공간을 단일 체계로 다룬다. DreamDojo, Ψ_0, ω-HOME, Xp-Teleop, AgiBot 등 5개 교차 형상(cross-embodiment) 벤치마크에서 제로샷부터 전체 데이터 사후 학습까지 최고 수준의 성능을 보고한다. 증류(distillation) 후 실시간 분 단위 롤아웃을 지원하며, 정책 평가·모델 기반 계획·세계-행동 모델링 등 구체화된 의사결정 응용 사례도 함께 제시한다.

2610.26854v12026.10.19

Physical Words: 로봇 조작의 잠재 추론을 구조화하기 위한 어휘 체계

Physical Words: A Vocabulary for Structuring Latent Reasoning in Robot Manipulation

Jiaming Liu, Xinghao Zhu, Yiming Zhang, Shanghang Zhang, Yinxi Wang 외 6명

PhysWord는 원자적 행동 동사(atomic action verb)를 연속적인 물리 역학 표현의 의미 앵커로 활용하는 추론-후-행동(reasoning-before-acting) 기반 모델이다. 언어 기반 추론이 세밀한 물리 역학을 표현하기 어렵고, 잠재 추론(latent reasoning) 모델이 재사용 가능한 추론 기본 단위를 구조화하기 어려운 한계를 함께 극복하고자 설계되었다. 모델은 다가올 원자적 행동 단어를 예측하고 해당 문맥의 은닉 상태를 미래 관측에서 도출한 잠재 목표와 직접 정렬시키며, 시각 및 촉각 변형을 포함한 시간 구조화된 PhysWord 공간을 자기회귀적으로 예측해 행동 생성을 위한 멀티모달 맥락을 제공한다. 시촉각(visuotactile) 벤치마크 UniVTAC에서 90.3%, 비전 기반 벤치마크 LIBERO-Long에서 99.6%의 성공률을 보고하며, 쌍팔 그리퍼와 정교한 손을 사용하는 실세계 과제에서도 비교 방법들을 상회한다고 논문은 밝힌다.

2610.26852v12026.10.19CoRL

CoopUQ: 불확실성 인식 협력 예측 기반 강건한 다중 로봇 소셜 내비게이션

CoopUQ: Robust Multi-Robot Social Navigation via Uncertainty-Aware Cooperative Forecasting

Zehao Wang, Jianpeng Yao, Yuping Wang, Yiping Li, Jiaqi Li 외 7명

CoopUQ는 사람과 공유하는 환경에서 다중 로봇의 안전하고 효율적인 소셜 내비게이션(social navigation)을 위한 프레임워크다. 로봇 간 시공간 특징 융합(cross-robot spatiotemporal feature fusion)으로 미래 점유 격자 지도(occupancy grid map)를 예측하고, 예측값과 불확실성을 정책 학습에 함께 반영한다. 제약 다중 에이전트 강화학습(constrained multi-agent reinforcement learning)을 적용해 점유가 예측되거나 불확실성이 높은 구역 통과 시 비용을 부과하는 방식으로 위험 민감도를 조정한다. Unity3D 기반 시뮬레이션에서 다양한 레이아웃·보행자 밀도·돌진 행동 등 분포 내·외(OOD) 설정을 포함해 기준 방법 대비 예측 정확도와 안전성 향상을 확인했으며, 실제 로봇 실험에서도 여러 환경에 걸친 강건성을 검증했다.

2610.26848v12026.10.19

물리적 RSI 능력은 어디서 오는가? LLM-as-policy의 관측적 스케일링 법칙

Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy

Zekai Li, Jiayi Yu, Jinlu Zhang, Luyang Niu, Zekun Qi 외 6명

이 논문은 물리적 재귀적 자기개선(Recursive Self-Improvement, RSI)의 작동 메커니즘, 스케일링 거동, 일반화 능력을 체계적으로 분석한다. 연구팀은 PhysRSI-eval을 제안하여 최초 시도 성능·효율성·성공률·예산·실패로부터의 개선이라는 5축 지표로 물리적 RSI를 정량화하며, 다양한 시각-언어 모델(VLM)을 고정된 상호작용 예산 하에 18개 조작(manipulation) 태스크에서 평가하였다. 실험 결과를 바탕으로 '물리적 배럴 가설(Physical Barrel Hypothesis)'을 도출하였는데, 이는 서로 다른 능력이 개선 과정의 서로 다른 단계를 병목으로 제약할 수 있다는 내용이다. 공개 벤치마크 평균 점수가 유사한 시스템들도 5축 지표로는 구분되며, 높은 점수가 반드시 이른 또는 효율적인 개선으로 이어지지 않음이 나타났다. 작업 공간 개입 실험에서는 히스토리 제거 시 후반 라운드 성공률이 떨어지고, 고정된 작업 공간 경험이 미확인 배치에도 활용되어 장면별 적응과 재사용 가능한 경험이 공존할 수 있음을 시사한다.

2610.26846v12026.10.19

GPT-6 Astra: 접촉 집약적 조작을 위한 시각-촉각 정책

GPT-6 Astra Is a Native Visuo-Tactile Policy for Contact-Rich Manipulation

Chen Yang, Linzhe Shi, Hang Zhang, Mu Xu, Jiansheng Fan 외 1명

GPT-6 Astra가 시각 기반 촉각 이미지를 기존 시각 인터페이스로 직접 입력받아 접촉 집약적 조작(contact-rich manipulation)에 활용할 수 있음을 시뮬레이션 실험으로 검증한다. UniVTAC와 OpenViTac 벤치마크의 19개 시뮬레이션 과제에서 장면 시드 210개를 기반으로 퓨샷(few-shot) 폐루프 제어를 수행하였다. 시각-촉각 입력 조건에서 각각 93.8%와 81.8%의 평균 성공률을 달성하며, 논문의 비교 대상 전문 정책 기준선을 22.9포인트, 13.1포인트 상회한다. 시각 입력만 사용한 경우에도 76.3%와 80.6%로 동일 기준선을 웃돈다. 궤적 분석에서는 능동적 탐색, 신중한 파지, 접촉 유도 정렬, 복구 동작이 확인되었으나 접선 방향 하중 처리와 수정 실행에는 한계가 드러났다.

2610.26813v12026.10.19

PICA-WAM: 세계 행동 모델에서 교차 외관 자기 정렬을 통한 시각적 섭동 불변성

PICA-WAM: Visual Perturbation Invariance via Cross-Appearance Self-Alignment in World Action Models

Yude Zou, Yifei Yao, Guanbo Jiao, Jianming Ma, Guanjie Zheng 외 1명

세계 행동 모델(WAM, World Action Model)은 미래 비디오를 예측하는 동시에 행동을 생성하지만, 과제와 무관한 시각적 변화에 취약하다는 문제가 있다. 기존 학습 방식에서 비디오 예측은 외관 정보를 보존하도록 표현을 유도하지만, 행동 생성 단계에서는 과제 무관 외관에 대한 불변성이 명시적으로 강제되지 않는다. PICA-WAM은 이 간극을 해소하기 위해 지수이동평균(EMA, Exponential Moving Average) 교사 모델이 정상 관측을 처리해 심층 표현을 제공하고, 온라인 WAM이 섭동된 관측을 처리해 얕은 층의 행동 표현을 해당 목표에 정렬하는 자기지도 학습 프레임워크다. RoboTwin 2.0, LIBERO-Plus, EBench 및 실제 로봇 환경에서 4종의 WAM에 적용한 실험에서, 시각적 섭동 하에서의 강건성 향상과 실제 로봇 성공률 증가가 확인됐다고 저자들은 보고한다. 층별 진단 분석을 통해 비디오 특징의 과제 무관 외관 민감도와 그 행동 표현으로의 전파가 감소함을 보였다.

2610.26810v12026.10.19IROS

족형-항공 로봇에서의 생체모방 추력 보조 트로팅: 실시간 QP-MPC

Bio-inspired Thrust-Assisted Trotting on a legged-Aerial Robot via Real-Time QP-MPC

Shreyansh Pitroda, Eric Sihite, Alireza Ramezani, Morteza Gharib

본 논문은 추력 보조 이족보행 로봇 Harpy에 이차계획법(QP) 기반 모델 예측 제어(MPC)를 실제 하드웨어에 구현해 트로팅 보행을 수행한 연구를 다룬다. 제어기 설계는 추력 벡터링으로 지면 반력을 조절하는 자고새(chukar partridge)의 날개 보조 이동에서 착안하였다. 제어 구조는 시상면 동역학에 QP-MPC를, 전두면 동역학에 캐스케이드 자세 안정화 제어기를 적용하는 분리형으로 구성되며 500 Hz로 동작한다. 0 m/s 및 0.1 m/s 기준 속도를 사용한 두 실험에서 평균 속도는 목표치를 추종하였고 관절 추적 오차는 1도 이내로 유지되었다. QP-MPC 문제는 0.18 ms 이내에 안정적으로 풀려 2 ms 계산 예산을 크게 밑돈다.

2610.26765v12026.10.19

HandsOn: 일반화 가능한 정교한 조작(dexterous manipulation)을 위한 대규모 시뮬레이션 벤치마크

HandsOn: A Large-Scale Simulation Benchmark for Generalizable Dexterous Manipulation

Tianwei Luo, Yiming He, Hongjin Wu, Ting Pan, Debin Ren 외 12명

HandsOn은 로봇 본체 간 전이(cross-embodiment)를 지원하는 정교한 조작 시뮬레이션 플랫폼 및 벤치마크로, 5종 로봇 팔과 6종 다지(多指) 손, 약 200개의 강체·관절·변형 가능 물체 자산을 무작위 장면에서 활용한다. 1만 8,000개의 인간 시연 데이터와 66개의 인간 검증 태스크를 제공하며, Core-50은 시연 기반 학습을, Transfer-16은 별도 훈련 없이 자산 전이·스킬 조합·변형체 조작을 평가한다. 확산(diffusion), 시각-언어-행동 모델(VLA), world-action, 프롬프트 기반 시각-언어 모델(VLM) 등 여러 방법론을 비교한 결과, 최고 성능의 멀티태스크 정책은 Core-50 기준 29.1%의 성공률을 기록했다. 파인튜닝 없이 GPT-6를 활용한 경우 Core-50 5.2%, Transfer-16 1.9%를 달성했으며(660회 시도 기준), 실기 로봇에서의 시뮬레이션-현실 전이(sim-to-real transfer) 사례도 정성적으로 제시된다. 진단 분석에서는 접촉 수립 실패, 행동 조율 오류, 목표 유지 실패가 주요 취약점으로 드러났다.

2610.26762v12026.10.19

DexOAK: 물체 인식 기반 기구학적 리타겟팅

DexOAK: Object-Aware Kinematic Retargeting

Federica Spinola, Robert Katzschmann, Cordelia Schmid

DexOAK는 인간 모션캡처 데이터로부터 접촉 일관성을 갖춘 로봇 손 동작 참조를 생성하는 학습 기반 기구학적 리타겟팅(kinematic retargeting) 프레임워크다. 손-물체 결합 그래프에 인터랙션 그래프 라플라시안(interaction-graph Laplacian) 목적함수를 적용해 인간 손 자세 자체가 아닌 물체 상대적 상호작용 기하학을 재현한다. 피드포워드 네트워크가 인간 키포인트와 물체 포인트 클라우드를 입력으로 리타겟팅 함수를 학습하며, 접촉·비관통·자기충돌 손실로 미세조정된다. Inspire 손 기준으로 OakInk-v2에서 성공률이 39.5%에서 48.4%로, ARCTIC에서 ADD-AUC가 62.7%에서 77.9%로 향상되었다. 하드웨어 실험에서는 5개 과제에 걸쳐 56회 오픈루프 재생 중 46회가 성공했다.

2610.26759v12026.10.19

촉각 기반 인핸드 물체 회전: 시뮬레이션과 실하드웨어에서 손 형태 비교 연구

Tactile In-Hand Object Rotation: A Comparative Study of Hand Morphology in Simulation and Hardware

Wenhao He, Max Yang, Chenghua Lu, Yijiong Lin, David A. W. Barton 외 1명

연속 인핸드(in-hand) 물체 회전 과제에서 손 형태와 촉각 피드백이 조작 성능에 미치는 영향을 분석한 연구다. 저비용 LEAP Hand의 의인형(anthropomorphic)과 대칭형(symmetric) 두 버전에 TacTip 시각 기반 촉각 센서를 통합하고, 공유 강화학습(reinforcement learning) 프레임워크를 적용해 비교했다. 시뮬레이션(12개 미학습 물체)에서 전체 촉각 관측은 고유감각(proprioception) 단독 대비 에피소드당 정규화 회전량을 의인형 손에서 94.8%, 대칭형 손에서 66.9% 높였다. 하드웨어 실험(10개 물체)에서는 대칭형 손이 의인형 손보다 평균 회전 횟수 32.0%, 누적 회전율 25.8% 높게 나타났으며, 평균 손끝 하중은 19.9% 낮았다. 이 결과는 손가락 배열 방식이 접촉 조직과 하중 분산에 영향을 미치며, 풍부한 촉각 정보가 더 낮은 하중에서 더 높은 과제 진행도를 지원함을 보여 준다.

2610.26757v12026.10.19

자율 레이싱 모델 기반 강화학습에서 빠른 적응을 위한 시뮬레이션 사전 정보

Simulation Priors for Rapid Adaptation in Model-Based RL for Autonomous Racing

Adrian Remonda, Jiajun Xi, Nicklas Hansen, Marcus Greiff, Thomas Lew 외 3명

사전 정보 기반 적응(PIA, Prior-Informed Adaptation)은 시뮬레이션 사전 정보를 활용한 오프라인-온라인 전환 방식의 모델 기반 강화학습(RL) 프레임워크다. 저·고충실도 시뮬레이션 궤적을 혼합해 세계 모델(world model)을 사전 학습한 뒤, 불확실성 정규화 플래닝(uncertainty-regularized planning)을 통해 제한된 실환경 데이터로 적응한다. 시뮬레이션 궤적을 편향된 사전 정보로 간주하고, 온라인 적응 단계에서 잔존 불일치를 보정하는 방식으로 정확한 시뮬레이터 없이도 정책 이전(transfer)이 가능하다. 고충실도 시뮬레이션 실험에서 PIA는 트랙·노면 변화 조건 모두에서 비교 기법 대비 더 낮은 랩 타임과 적은 실패 횟수를 기록했다. 실물 크기 자율 레이싱 차량을 이용한 실기 평가에서는 1시간 미만의 차량 주행 데이터만으로 안정적인 few-shot 적응을 달성했다.

2610.26717v12026.10.19

농업 조작을 위한 시각-언어-행동 모델 기반 로봇 학습

Robot Learning with Vision-Language-Action Models for Agricultural Manipulation

Hamid Hafezi, Javad Mohammadpour Velni, Mohammadreza Davoodi

식물 형태의 다양성, 시야 가림, 카메라 시점 변화로 인해 농업 환경에서의 로봇 조작은 난이도가 높다. 이 연구는 MuJoCo 기반 토마토 식물 시뮬레이션 환경을 구축하고 조이스틱 원격 조작으로 전문가 시연을 수집하는 시뮬레이션-실기 전이(sim-to-real) 프레임워크를 개발하였다. 사전 학습된 범용 로봇 정책인 Octo와 π_0.5를 시뮬레이션 시연으로 적응시킨 뒤, Franka Research 3 실물 로봇에서 추가 파인튜닝을 진행하였다. 분포 내, 시점·공간 이동, 분포 외 조건의 세 가지 평가 시나리오에서 π_0.5가 Octo보다 높은 작업 성능 점수를 기록했으며 분포 이동에 따른 성능 저하도 적었다. 고유수용 감각(proprioceptive) 정보가 정책 성능에 미치는 영향도 함께 분석하였다.

2610.26690v12026.10.19NeurIPS

파운데이션 모델 기반 광학 흐름 추정

Foundation Model Driven Optical Flow

Praroop Chanda, Suryansh Kumar

이 논문은 동결된(frozen) 사전학습 시각·깊이 표현을 지도학습 기반 매칭 네트워크와 결합해 밀집 광학 흐름(dense optical flow)을 추정하는 방법을 분석한다. TTSFlow를 기반으로 밀집 예측 트랜스포머(DPT, Dense Prediction Transformer) 특징 디코딩과 단일 조대-세밀(coarse-to-fine) 정제 단계를 연구하며, DINOv2와 Depth Anything V2의 동결 가중치에서 추출한 특징을 융합하여 훈련 가능한 트랜스포머 매칭 파이프라인으로 광학 흐름을 추정한다. FlyingChairs·FlyingThings3D에서 학습한 후 Sintel 훈련 분할 Final pass에서 끝점 오차(EPE) 2.37을 달성했으며, 이는 FlowSeek (T)의 2.52보다 낮은 수치다. RoCo-Spring 2026 제출본(RoCo-29.VSAI)은 견고성 균형 점수 1.1038, Spring EPE 1.411을 기록했으나, 12개 참조 기준선 중 7개보다 낮은 균형 점수를 나타냈다.

2610.26680v12026.10.19

생체모사 피부를 활용한 생물학적·반사실적 감각 배열의 로봇 물리 비교

Robotic Physical Comparison of Biologically Motivated and Counterfactual Sensory Arrangements using Biomimetic Skin

Akihiro Miki, Shun Hasegawa, Yoshimoto Ribayashi, Yuta Sahara, Kento Kawaharazuka 외 1명

인간 피부에는 Merkel 세포와 Pacinian 소체 등 다양한 기계수용체(mechanoreceptor)가 특정 부위에 분포하며, 이 공간적 배열이 촉각 기능에 미치는 영향을 생체 내에서 직접 검증하기는 어렵다. 연구팀은 수용체 유사 센서를 유연한 연질 매체에 내장한 다층 생체모사(biomimetic) 로봇 피부를 개발하여 인간 피부의 주요 구조적 특성을 재현했다. 이 플랫폼을 이용해 생물학적으로 동기된 배열과 반사실적(counterfactual) 배열을 구현하고, 약한 접촉 감지·두 점 식별 유사 평가·질감 식별의 세 가지 수동 촉각 과제에서 성능을 정량 비교했다. 평가 결과, 생물학적으로 동기된 감각 배열이 대안적 구성보다 높은 성능을 나타냈다.

2610.26663v12026.10.19

RoboValue: 로봇 가치 모델의 통합 평가를 위한 세밀한 시뮬레이션-실세계 벤치마크

RoboValue: A Fine-Grained Sim-and-Real Benchmark for Unified Evaluation of Robotic Value Models

Shengbang Liu, Zhengye Du, Zhilong Wan, Honghao Su, Chenxiang Xia 외 14명

로봇 가치 모델(robotic value model)은 시각 관찰과 지시를 바탕으로 작업 수행을 평가하고 정책 학습과 실행 모니터링에 피드백을 제공한다. RoboValue는 이를 통합 평가하기 위한 벤치마크로, 과제 상태 이해·시간적 진행 모니터링·실패 및 복구 추론·가치 일관성의 네 가지 능력 차원을 공통 인터페이스로 측정한다. 데이터셋은 시뮬레이션 15개·실세계 조작 과제 20개를 포함하며, 전문가 시연과 세밀한 평가용 주석 궤적을 함께 제공한다. 제로샷·원샷 조건에서 대표 가치 모델들을 평가한 결과, 결과 및 전진 점수가 높은 모델에서도 세밀한 지시어 접지(instruction grounding), 이력 의존적 진행 추적, 복구 평가에서 오류가 나타났다. 또한 동일한 의미의 하위 과제도 유효한 실행 순서에 따라 가치 이득이 크게 달라질 수 있음이 확인되었다.

2610.23849v12026.10.16

블라인드 정밀 조립: 다양한 부품을 위한 고유감각 기반 시뮬레이션-실기 전이 페그-인-홀

Blind Precise Assembly: Proprioceptive Sim-to-Real Peg-in-Hole for Diverse Parts

Antonia Bronars, Younghyo Park, Kushal Kedia, Pulkit Agrawal

이 연구는 관절 위치·속도와 행동 이력만을 입력으로 받는 고유감각(proprioception) 기반 조립 정책을 학습한다. 시각·힘·토크·촉각 센서 없이 강화학습으로 시뮬레이션에서만 훈련된 정책이 페그 삽입(peg insertion), 기어 맞물림, 너트 체결 과제를 수행한다. 고정구와 부품의 자세가 정책에 주어지지 않고 파지 자세도 무작위로 변경되므로, 정책은 고유감각으로 감지된 접촉만으로 조립을 완수해야 한다. 페그 삽입 정책은 제로샷(zero-shot) 시뮬레이션-실기 전이(sim-to-real transfer)를 달성하며, 실제 환경에서 다양한 형상·크기의 페그를 73%의 시도 성공률로 삽입한다. 시뮬레이션 내 시각 정책과의 대조 실험에서 블라인드 정책이 미학습 부품 형상·크기에 대한 일반화 성능이 더 높은 것으로 나타났다.

2610.23841v12026.10.16

StopWatch: 물체 목표 탐색을 위한 목표 그라운딩

StopWatch: Goal Grounding for Object-goal Navigation

Xinhao Liu, Yunsheng Tian, Yuheng Qiu, Pieter Abbeel, Xi Chen 외 2명

사전학습된 시각-언어 모델(VLM)을 탐색 정책으로 파인튜닝하는 방식이 물체 목표 항법(object-goal navigation)에 널리 쓰이고 있으나 성공률은 여전히 낮다. 이 논문은 그 원인으로 목표 그라운딩(goal grounding) 실패를 지목하는데, 학습된 정책이 탐색 자체는 잘 수행하지만 목표 물체가 이미 시야에 있거나 얼마나 떨어져 있는지를 제대로 인식하지 못한다. 명시적 목표 그라운딩을 도입한 결과, 세 개의 장면 컬렉션(scene collection)에 걸친 여섯 개 벤치마크에서 최고 성능을 기록했다. 이와 함께 기존 벤치마크의 어노테이션 결함도 수정하여 이후 연구의 평가 신뢰도를 높였다. 수정된 벤치마크에서 정답 그라운딩을 사용하면 정책 성능이 시연 전문가 수준에 근접해, 남은 성능 격차가 정책 학습이 아닌 인식(perception) 단계에 있음을 보였다.

2610.23837v12026.10.16

SparseMax-dSTL: 시간 논리 궤적 최적화를 위한 건전 강건성 및 호라이즌 독립 기울기 할당

SparseMax-dSTL: Sound Robustness with Horizon-Independent Gradient Allocation for Temporal Logic Trajectory Optimization

Sai Sandeep Damera, Ryan Matheu, John S. Baras, Calin Belta

신호 시간 논리(STL, Signal Temporal Logic) 기반 궤적 최적화에서 기존 근사 기법인 log-sum-exp와 일반화 평균 강건성(generalized-mean robustness)은 건전성(soundness)과 수평선(horizon) 길이에 무관한 기울기 할당을 동시에 만족하지 못한다. 이 연구는 sparsemax 투영을 활용한 최솟값·최댓값의 하위 근사를 새로 도입하여 두 성질을 모두 충족하는 강건성 함수를 제안하고 이를 이론적으로 증명한다. 새 근사는 정확한 강건성 아래에 위치하므로 건전하고, 오차 상한이 샘플 수와 수평선 길이에 무관하며 최적화 전에 미리 알 수 있다. 7관절 매니퓰레이터 시뮬레이션에서 수평선이 10초에서 80초로 늘어날 때 기존 건전 변형의 위반 샘플 기울기 가중치는 0.22에서 0.04로 감소한 반면, sparsemax 기반 방식은 1을 유지했다. 평면 유니사이클 궤적 최적화에서도 log-sum-exp 제약은 위반 궤적을 반환했으나 sparsemax 강건성 제약은 요구 마진을 갖춘 만족 궤적을 반환했다.