PhasePlan, 로봇 두뇌 모델의 순서형 미래 단계 계획으로 행동 예측 오차 22.5% 감소
PhasePlan은 로봇 두뇌 모델이 고정 길이 행동 청크에서 미래 작업 단계를 위치별로 예측하고, 각 행동 토큰을 조건화하는 프레임워크다. π0.5 기반 컨베이어 조작 평가에서 오프라인 관절 행동 오차를 원본 대비 약 22.5% 줄였고, 단계 전환 모델링도 개선했다. 이 연구는 arXiv 프리프린트로 동료 심사를 거치지 않았다.
로봇 두뇌 모델에서 행동 청크 내 미래 작업 단계의 순서와 전환 위치를 보존하면 연속 행동 생성의 타이밍과 정확도가 개선되는가?
로봇 두뇌 모델은 고정 길이 행동 청크를 예측하는데, 하나의 청크가 Wait에서 Act, Act에서 Release 같은 여러 작업 단계를 가로지를 수 있다. 기존 방식은 단계 전환 위치를 명시적으로 구분하지 않고 빈번한 행동 패턴에 최적화되어 동적 환경에서 전환 타이밍이 흐트러질 수 있다.
기존 VLA 정책들은 대부분 고정 길이 행동 청크를 직접 예측하거나 GuidedVLA처럼 미래 기술 분포를 집계한 히스토그램 요약을 사용했다. 이런 접근은 단계의 순서와 청크 내 전환 위치가 뭉개져서 같은 단계 구성이라도 행동 순서가 다른 경우를 구분하지 못한다. π0, π0.5 같은 연속 행동 생성 모델도 명시적 단계 전환 정보를 행동 토큰 위치에 연결하지는 않았다.
PhasePlan은 관찰 토큰에 H개의 학습 가능한 단계 쿼리를 독립적으로 적용해 미래 행동 위치마다 단계 분포를 예측한다. 각 위치의 문맥 표현과 소프트 단계 임베딩을 결합해 대응하는 행동 토큰에만 조건화한다. 훈련은 1단계에서 플래너를 학습해 고정하고, 2단계에서 행동 전문가와 조건화 경로만 적응시키는 2단계 구조다. 컨베이어 작업은 Wait, Act, Release, Return-Home 4단계로 H=16 위치에 정렬해 지도했다.
π0.5 구현에서 독립 쿼리 플래너는 검증 세트 3,584개 행동 윈도우 기준 위치별 미래 단계 정확도 약 92.5%, 단계 전환 유형 정확도 약 89%를 기록했다. 오프라인 관절 MAE는 PhasePlan이 0.034605 rad로 원본 π0.5의 0.044653 rad 대비 22.5% 낮았고, 미래 기술 히스토그램 기준 0.039619 rad 대비 12.7% 낮았다. 교차 단계 윈도우에서는 MAE 0.041318 rad, 핸드 명령 정확도 93.162%였다. 원본 π0.5의 핸드 정확도는 90.394%, 히스토그램 기준은 91.864%다. MuJoCo와 실물 로봇에서는 질적 실행만 보고됐다.
실물 로봇 평가는 성공률 등 정량 지표 없이 질적 시퀀스만 제시됐고, 정량 평가는 π0.5 단일 모델과 컨베이어 단일 작업에 국한됐다. MuJoCo 검증은 기록된 이미지를 사용하는 하이브리드 평가로 완전한 폐루프 시각 피드백이 아니다. 저자들은 지상 진실 미래 단계 오라클과 비교해 여전히 격차가 있고, Release 관련 핸드 예측에서 특히 남는다고 밝혔다. 코드 공개 여부는 보고되지 않았다.
물류창고 컨베이어 피킹, 전자상거래 주문 처리, 제조 라인 조립 같은 반복적 조작 공정에 적용 가능하다. 현재는 한정된 컨베이어 작업에서 개념 검증 단계이고, 1~3년 내 실물 배치를 위해서는 다중 로봇, 다중 작업, 실물 폐루프 성공률과 안전성 검증, 단계 라벨 자동화가 필요하다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.