SplineWAM, 고정 길이 행동 청크를 B-스플라인으로 대체해 WAM의 행동 지평을 적응화

세계 행동 모델(WAM)이 고정 길이 행동 청크 대신 움직임 복잡도에 따라 실행 구간과 시간 해상도를 스스로 결정하는 행동 표현을 사용할 수 있는가?

현재 WAM은 고정 길이 행동 청크를 균일 시간 격자로 예측해 자유 공간 이동에서는 과잉 추론하고 접촉이 많은 조작에서는 재계획이 늦어진다. 클라우드 서빙에서는 불필요한 정책 호출이 처리량 병목이 된다.

대부분의 WAM은 Zhao et al.의 행동 청크를 계승해 고정 개수의 행동을 균일 격자로 예측한다. BEAST는 B-스플라인 토큰화를 쓰지만 지속 시간이 고정돼 있고, 비동기 실행용 RTC는 청크 연속성을 행동 공간이 아니라 생성 변수 공간에 걸어 스플라인 매개변수에는 맞지 않는다.

SplineWAM은 WAM의 행동 분기를 고정 크기의 3차 B-스플라인 매개변수 창으로 교체한다. 정책은 매듭 시간과 제어점을 예측하고 디코더가 실행 행동을 복원하며, 매듭 수와 간격은 적응적 피팅으로 궤적 복잡도에 따라 정해진다. 학습 시 비디오 지도 타깃도 균일 격자 대신 피팅된 매듭 시간에 정렬한다. 비동기 실행을 위해 JP-RTC를 제안해 디코딩된 행동에 연속성 잔차를 두고 디코더 야코비안으로 매개변수 보정을 계산한다.

동기 실행에서 SplineWAM-Knot은 LIBERO-Plus(ε=0.01, H=12) 성공률 74.5%로 Action Chunking 66.3% 대비 8.2포인트 높았고, 에피소드당 정책 호출은 26.2회로 33.6회 대비 22% 줄었다. RoboCasa(ε=0.08, H=20)에서는 성공률 73.5%로 69.1% 대비 4.4포인트 높았고 호출은 16.3회로 21.9회 대비 26% 줄었다. BEAST는 66.6%, 65.0%로 LIBERO-Plus에서 기준보다 0.3포인트 높고 RoboCasa에서 4.1포인트 낮았다. 비디오 보조 항목을 제거한 Naive B-Spline w/o video는 60.0%, 55.0%로 낮았다. 실물 양팔 로봇 3개 과제에서 과제당 30회 시행, 비동기 실행 기준 SplineWAM with JP-RTC의 성공률은 Arrange Bookshelf 23.3%, Charge Earphone 26.7%, Clean Whiteboard 60.0%였다. Action Chunking은 20.0%, 26.7%, 50.0%로 6개 정확도 지표 중 4개에서 앞서고 Charge Earphone 성공률은 같았다. 진행률은 SplineWAM JP-RTC가 54.4%, 57.5%, 74.2%, 기준은 52.2%, 73.3%, 67.5%였다. 호출당 실행 제어 스텝은 SplineWAM JP-RTC가 38.6, 45.7, 52.4로 기준 32.0 대비 1.2배에서 1.6배였다.

저자는 Charge Earphone의 소켓 삽입 구간에서 연속 표현이 반복 시연이 동일한 고정밀 삽입에 덜 신뢰할 만해 진행률이 기준보다 낮았다고 밝혔다. 평가는 실물 과제당 30회 시행이고 시뮬레이션은 두 벤치마크에 한정된다. 코드 공개 여부는 논문에 보고되지 않았으며, arXiv 프리프린트로 동료 심사를 거치지 않았다.