AdaTempo, 시연 간 공유 상대 템포로 로봇 조작 속도 높인다
AdaTempo는 시연 데이터의 상대적 템포 구조를 활용해 오프라인에서 궤적을 리샘플링하고 ACT나 Diffusion Policy 같은 표준 정책을 가속 학습시키는 자기지도 방법이다. 시뮬레이션 5개 과제와 실물 6개 과제에서 최대 3.57배 속도 향상을 달성했고, 실물 평균 성공률을 58.3%에서 77.8%로 높이면서 평균 2.02배 빠르게 수행했다. 이 논문은 아직 동료 심사를 거치지 않은 프리프린트다.
시연 데이터 자체에서 단계별 속도 향상 신호를 얻어 실행 시 추가 모듈 없이도 표준 비주얼모터 정책을 가속시킬 수 있는가?
원격 조작 시연은 느리고 조심스러워 모방 학습 정책이 불필요하게 보수적인 속도를 답습한다. 균일한 다운샘플링은 과제 단계마다 가속 허용 범위가 달라 중요한 중간 상태를 건너뛰거나 제어기가 추적하지 못하는 동작을 요구할 수 있다.
기존 실행 가속 방법은 런타임에서 속도 배수를 선택하거나 행동 청크를 미리 실행하고, DemoSpeedup은 보조 생성 정책의 행동 엔트로피로 구간별 다운샘플링 비율을 정하며, SAIL은 런타임에 적응적으로 실행 간격과 행동 스케줄을 조정한다. 이들은 배포 시 추가 메커니즘, 보조 신호, 환경 상호작용이 필요하다.
AdaTempo는 각 시연에서 로봇 목표 채널을 부드럽게 한 뒤 누적 이동 아크 길이와 그리퍼 이벤트를 정렬 기술자로 사용해 DTW로 위상을 맞춘다. 위상 축을 160개 빈으로 나누고 에피소드 내 상대 템포를 순위화한 후, 시연 간 중앙값과 중앙값 절대 편차 기반 신뢰도를 합친다. 이 합의를 연속 속도향상 프로파일로 바꾸고, 앞선 위상의 신중한 구간을 미리 낮추는 룩어헤드 소프트 미니멈과 비대칭 슬루 제한으로 매끄럽게 한 뒤, 원본 시연을 가상 시간 기준으로 리샘플링한다. 그 결과로 ACT나 Diffusion Policy 같은 표준 정책을 학습시켜 배포 시 추가 속도 선택이나 온라인 리타이밍 없이 빠른 실행을 얻는다.
시뮬레이션 5개 과제에서 AdaTempo는 평균 성공률 75.5%를 기록해 DemoSpeedup의 68.1%보다 높았고, 평균 속도 향상은 2.83배로 DemoSpeedup의 2.86배와 비슷했다. 최대 속도 향상은 Can 과제에서 Diffusion Policy로 3.57배였다. 실물 6개 과제에서는 총 성공률 77.8%로 ACT 58.3%, DemoSpeedup 56.7%보다 높았고, 성공 롤아웃 기준 평균 완료 시간은 ACT 대비 2.02배 빨랐다. 특히 Conveyor Fast 과제에서 AdaTempo는 30회 중 29회 성공해 ACT의 2회 성공을 크게 앞질렀다. 모든 시뮬레이션은 과제당 3개 시드와 각 100롤아웃으로, 실물은 과제당 30회 시험으로 평가했다.
저자들은 상대 템포가 최대 가능 속도를 직접 추정하지 않으며 공유된 원격 조작 습관의 영향을 받을 수 있다고 밝혔다. 시연에 무관한 일시 정지, 모호한 대응, 질적으로 다른 전략이 섞이면 단일 메도이드와 합의만으로는 부족할 수 있다. 가속 상한은 과제별로 검증 롤아웃으로 선택해야 하며, 리샘플링은 물리적 한계를 제거하지 못하고 공격적인 목표는 추적 오차, 구동기 한계, 지연, 접촉 역학을 드러낼 수 있다. 학습된 템포는 배포 시 고정되어 온라인 적응이 불가능하다. 코드 공개 여부는 논문에 보고되지 않았다.
AgileX ALOHA 같은 양팔 플랫폼을 쓰는 물류 피킹, 조립, 컨베이어 작업에 적용 가능하다. 다만 현재는 프리프린트 단계이고, 상용 적용에는 태스크별 가속 상한 선택과 실물 안전 검증, 저수준 추적 성능 확보가 선행되어야 한다. 시연 데이터가 충분한 제조와 물류 셀에서는 1~3년 안에 표준 모방 학습 파이프라인에 결합될 수 있다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.