VLA 실행 오류에 적응하는 self-compensating VLA와 스트레스 테스트 벤치마크 RoboStress

로봇 역학과 운용 조건에서 발생하는 실행 오류에 VLA 정책이 어떻게 적응하고 견딜 수 있는가?

VLA 정책이 생성한 명령과 로봇이 실제로 실행한 동작이 다르면 정책이 실패한다. 실행 오류는 마모, 무거운 페이로드, 온도 변화 같은 로봇 역학과 운용 조건에서 발생한다. 기존 연구는 주로 시각적 교란이나 명령에 합성 노이즈를 주입하는 방식만 다뤘고, 실제 배치에서 발생하는 실행 오류에 대한 VLA 강건성은 거의 탐구되지 않았다.

기존 연구는 카메라 시점, 조명, 지시문 변형 같은 입력 교란에 대한 강건성을 평가하거나, 정책 출력인 엔드이펙터 명령에 가우시안 노이즈 또는 적대적 섭동을 넣어 훈련하는 방식을 썼다. 그러나 합성 섭동은 로봇의 현재 상태와 최근 동작 이력에 따라 달라지는 실제 실행 오류를 반영하지 못하고, 관절별 오류가 엔드이펙터에 미치는 영향을 구분하지도 못한다.

self-compensating VLA는 VLA가 명령한 델타 포즈와 프로프리오셉션으로 측정한 실제 델타 포즈의 차이를 잔차로 계산한다. 이 잔차에서 보상된 의사 타깃을 만들고 LoRA 어댑터만 플로 매칭 목표로 온라인 업데이트해, 이후 명령이 관찰된 실행 오류를 미리 상쇄하도록 한다. 보상 신호는 태스크 보상이나 라벨 없이 얻으며 저수준 제어기는 바꾸지 않는다. RoboStress는 스트라이벡 마찰, 백래시, 동적 컴플라이언스, 중력 보상 오차의 관절 단위 모델을 제어 파이프라인의 해당 단계에 주입하고, 7가지 배치 시나리오로 조합해 실행 오류에 대한 VLA 강건성을 시험한다.

RoboStress는 LIBERO의 4개 과제군 40개 과제에서 과제당 20회 실행으로 평가했다. Clean을 제외한 7개 시나리오 평균 성공률에서 self-compensating VLA는 pi0.5 기준 56.6%로 base 49.1%, DR 51.0%, RobustVLA 49.8%를 앞섰고, pi0 기준으로는 44.2%로 base 41.7%, DR 39.8%, RobustVLA 38.8%보다 높았다. 두 백본 모두 7개 시나리오 전부에서 가장 높은 성공률을 보였다. 실물 평가에서는 새 Piper 팔과 1년 사용한 Piper 팔 두 대에서 과제당 25회 실행했다. pi0.5 기준 Robot A 평균 성공률이 43%에서 76%로, pi0 기준 40%에서 72%로 올랐고, Robot B에서는 pi0.5 43%에서 74%로, pi0 38%에서 71%로 올랐다. 파인튜닝에 없던 5개 물체 변형에 대한 Robot A Task 1 평가에서는 pi0.5 기준 64%로 base 16%, RobustVLA 36%보다 높았다.

저자는 프로프리오셉션에 의존하는 구조가 한계이며 외부 센서 기반 동작 추정을 결합하는 후속 연구가 필요하다고 밝혔다. 실물 실험은 두 대의 Piper 팔과 4개 과제로 규모가 제한적이고, 시뮬레이션 벤치마크는 선택된 관절 모델의 조합이므로 실제 마모와 온도 변화의 모든 양상을 재현하지 못할 수 있다. 논문에 코드 공개 여부는 보고되지 않았다.