MEKAWIRE
중급arXiv

JustRUA, 제어 연결 구조 개선으로 RoboDojo 점수 50.3 기록

Zefan Wang, Yufan Dang, Xuanwei Shi, Mingqi Gao, Cheng Yin, SikYuen Tam, Hanyu Liu, Yasheng Wang, Yaxi Lu, Songyang Zhang, Xin Cong, Yuan Yao
30초 요약

프리프린트 논문 JustRUA는 학습된 제어 정책 없이 GPT-6 Astra가 시뮬레이션 로봇 팔을 조작하도록 하는 소프트웨어 실행 구조를 제시했다. RoboDojo 42개 과제, 111개 에피소드에서 점수는 공식 L3 harness의 29.7에서 50.3으로 높아졌다. 관측 이력, 동작 중단 주기, 공간 정보의 구성이 범용 모델의 조작 성능을 크게 좌우한다는 결과이다.

연구 질문

동일한 평가 조건에서 실행 구조, 행동 인터페이스, 경험 재사용, 장면 기하 정보 가운데 어떤 변경이 GPT-6 Astra의 로봇 제어 성능을 높이는지가 연구 질문이다.

문제

과제 수행 순서를 적절히 정해도 물체 위치를 잘못 짚거나 정밀 배치에 실패할 수 있으며, 불안정한 동작이 끝날 때까지 새 관측을 받지 못하는 문제도 있다. 기존 robot-use agent 연구는 여러 구성 요소와 평가 조건을 함께 바꾸는 경우가 많아 점수 향상의 원인을 구분하기 어려웠다.

기존 접근

공식 L3 Inspect EEF는 최근 두 관측의 이미지만 유지하고, 절대 좌표의 말단 목표를 향해 CuRobo가 만든 경로를 끝까지 실행했다. RoboDawn, RoboHarness, ORA 등은 시연이나 인지 기능, 인터페이스를 추가했지만 평가 방식이 달라 개별 요소의 효과를 비교하기 어려웠다. 로봇 데이터로 학습하는 VLA 정책과 달리 이번 연구는 모델과 로봇 사이에 학습된 정책이 없는 고정 인터페이스를 분석했다.

새 접근

JustRUA는 Codex 세션에 에피소드의 이미지, 행동, 피드백을 유지하고 각 동작을 최대 20 control steps에서 끊는다. 원래 CuRobo와 월드 좌표계의 절대 목표 명령은 유지했다. 관측에는 간결하게 정리한 그리퍼 측정값, RGB에서 얻은 Depth Pro의 보정하지 않은 깊이 추정치, 카메라 보정 정보를 넣었다. 모델은 코드를 실행해 이미지 픽셀에서 3D 목표 좌표를 계산한다. 최종 구성은 100회 의사결정 제한을 없애되 벤치마크의 500 control steps 제한을 유지했다. 기존 과제 설명 외에 과제별 튜닝이나 학습 정책, 에피소드 간 경험 재사용은 추가하지 않았다. 저자들은 코드, 평가 세트, 재생 기록을 공개했다고 밝혔다.

결과

점수는 완전 성공 여부만이 아니라 중간 진행도를 포함하는 0~100 척도이다. 시뮬레이션 42개 과제의 111개 에피소드에서 전체 이력과 20-step cap을 적용한 구성은 38.0, 간결한 측정값 추가는 39.8, 예측 깊이 추가는 42.4를 기록했다. 좌표 계산 코드와 의사결정 제한 해제를 함께 적용한 최종 점수는 50.3으로, 공식 구조의 동일 평가 세트 점수 29.7보다 20.6점 높았으며 최종 성공률은 43.3%였다. 공식 구조의 별도 전체 평가 2,100개 에피소드 점수는 29.0이었다. 동일한 첫 회차 42개 에피소드에서 허공을 집은 횟수는 간결한 측정값만 제공했을 때 41회에서 예측 깊이를 추가한 뒤 16회로 줄었다. 캐시 입력 요금을 가정한 첫 회차 에피소드당 비용 하한은 기본 테스트 환경 $4.94, 예측 깊이 구성 $7.74, JustRUA $12.53이었다. 코드와 의사결정 예산 확대의 효과는 분리하지 않았다.

한계

단일 모델과 단일 벤치마크의 시뮬레이션 결과이며, 구성마다 평가 세트를 한 번 실행했다. 모든 조합을 시험하지 않고 순차적으로 구성을 추가했다. 평가 세트는 자체 기본 테스트 환경의 결과로 선정했고 공식 평가와 배치 분포도 달라 리더보드 점수로 볼 수 없다. 최종 단계는 코드 실행과 의사결정 예산 확대가 결합돼 있다. 행동 집계는 영상과 로그로 확인된 사건의 하한이다. 경험 재사용 실험은 평가 과제를 활용했으며 자기 개선도 5회 라운드, 과제당 1회 연습에 그쳤다. 남은 실패에는 로봇 팔에 맞지 않는 계획, 충돌, 물체 미끄러짐이 있다. 비용은 입력 캐시를 가정한다. 실물 로봇 성능과 배포 환경의 지연 시간은 논문에 보고되지 않았다.

업계 영향

로봇 팔 제조사와 조작 소프트웨어 기업은 지금 시뮬레이션 설계에 결과를 활용할 수 있다. 관측 이력 보존, 피드백 없이 움직이는 구간 단축, 공간 정보의 효율적 제공이 검토 대상이다. 하드웨어 제품에 적용하려면 실물 검증, 신뢰할 수 있는 센싱, 충돌 대응, 허용 가능한 추론 비용과 지연 시간을 먼저 확보해야 한다. 상용 배포 시점은 논문에 보고되지 않았다.

이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.