새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
이 논문은 프리프린트다. 연구진은 VLA 모델이 지시와 장면을 결합해 필요한 행동을 선택하지 못하는 instruction action binding 현상을 진단하고, 같은 지시에 서로 다른 행동이 필요한 장면 쌍을 학습에 쓰는 Equivariant Counterfactual Training(ECT)을 제안했다. LIBERO-PRO에서 ECT는 \pi_{0.5}의 평균 위치 교환 성공률을 36%에서 59%로 올렸고, CALVIN에서는 5개 연속 작업 완료율을 58%에서 76%로, UR5e 실물 로봇에서는 보지 못한 위치 성공률을 8%에서 88%로 높였다.
XPeng 등 공동 연구진이 점과 박스를 공용 어휘의 양자화 좌표로 생성하는 4B 파라미터 그라운딩 기반 모델 GroundingPI를 공개했다. 이 프리프린트는 34개 벤치마크 평균 73.68%로 GPT-6 Astra(71.54%)를 넘었고, RoboTwin 2.0의 네 가지 OOD 설정 모두에서 비교 백본 중 1위를 기록했으며, RoboCasa-GR1에서는 50% 데모만으로 다른 모델의 75% 성능을 웃돌았다. 범용 VLM의 정밀 지각 한계를 줄여 실행 계층을 위한 지각 기반 모델의 가능성을 보였다.
이 프리프린트는 관절형 무인 항공 조작기(UAM)에서 로컬 전신 비전-언어-행동(VLA) 정책을 장면 규모 임무로 확장하는 통합 프레임워크를 제안했다. 합성 데모로 VLA를 훈련하고 측정 진행 정렬(MPAR)로 비동기 행동 청크를 연속 궤적으로 실현하며, Scene Graph로 언어 목표를 실행 가능한 핸드오프 상태로 연결한다. 시뮬레이션 다중 사이트 임무 50회 중 21회(42.0%)를 완료했고 물리 UAM에서도 검증해 합성 데이터 기반 공중 조작 가능성을 보였다.
PrefPI는 사전학습된 생성형 로봇 정책을 사용자가 고른 상대적 선호만으로 반복 학습해, 초기 정책이 거의 생성하지 못하는 분포 밖 행동으로 옮기는 프레임워크다. 확산 정책과 PI0.5 플로매칭 VLA를 시뮬레이션과 실물에서 평가했고, 실물 WidowX 로봇에서 물체 운반 높이를 10.7cm에서 19.8cm로 높이면서 작업 성공률을 90% 이상 유지했다. arXiv 프리프린트다.
이 논문은 프리프린트로, VLA 모델 추론과 로봇 실행 사이 시간 불일치를 줄이기 위해 2단계 비균일 Flow Matching 디노이징과 분산 실시간 실행 프레임워크를 제안했다. π0.5 기준 모델에서 NFE를 10에서 2로 줄여 모델 추론 시간을 61.557 ms에서 21.956 ms로 2.804배 단축했고, 실물 양팔 옷 접기 과제에서 여섯 가지 실시간 실행 방법을 비교해 Legato가 학습 기반, Temporal Smoothing이 비학습 기반 중 가장 우수했다. 이 결과는 모델 추론 효율과 로봇 시스템 타이밍을 함께 최적화해야 함을 보여준다.
Yinwang Intelligent Technology 연구진이 공개한 프리프린트에서 의미 이해, 시각적 미래 예측, 행동 생성을 한 모델에 묶은 EWAM을 제안했다. EWAM은 행동 토큰이 얕은 층에서는 시각언어 토큰을, 중간 층에서는 예측 미래 프레임을, 깊은 층에서는 행동 토큰을 주로 읽는 층별 전문화를 학습으로 형성했다. RoboTwin clean-to-random 72.1%, LIBERO 평균 98.8%, 다수 실물 로봇 과제에서 기존 VLA와 WAM 하이브리드보다 높은 성공률을 보였고, 인간 egocentric 사전학습은 미학습 로봇 전이 성공률을 40.1%에서 66.9%로 올렸다.
Vision-language-action (VLA) models have advanced robotic manipulation, but their zero-shot generalization in new tasks and environments remains limited, and their reliance on specialized training keeps them from benefiting directly from rapidly advancing general-purpose vision-language models (VLMs). In parallel, recent agentic robotic systems leverage VLMs for high-level reasoning or coding agents for robot control, but often depend on extensive external models and tools, introducing additional complexity and cost.
Visual Language Action (VLA) models offer unprecedented generalization for autonomous robots; however, their real-world deployment is frequently bottlenecked by unreliable execution and the prohibitive computational cost of fine-tuning for specific robot embodiments and tasks. To bridge this gap, we propose WayFinder, an end-to-end, closed-loop hierarchical VLA framework that circumvents the need for fine-tuning by decoupling high-level task reasoning from low-level kinematic control.
이 프리프린트 논문은 로봇이 명령한 동작과 실제 실행한 동작의 잔차를 자기지도 신호로 사용해 VLA 정책을 배치 중 온라인으로 적응시키는 self-compensating VLA를 제안했다. 저자들은 마찰, 백래시, 컴플라이언스, 중력 보상 오차를 결합한 시뮬레이션 벤치마크 RoboStress와 두 대의 실물 Piper 팔에서 평가했고, 두 팔 각각에서 평균 작업 성공률을 30%포인트 이상 끌어올렸다고 밝혔다. 이 연구는 아직 동료 심사를 거치지 않았다.
Diffusion and flow-matching Vision-Language-Action (VLA) policies generate action chunks through iterative denoising, incurring substantial inference latency that severely limits real-time robotic control. Existing acceleration methods treat an action chunk as a monolithic computational unit, ignoring a crucial physical reality of receding-horizon control: actions are generated jointly but consumed sequentially, resulting in inherently heterogeneous execution urgencies.
Simulated manipulation benchmarks are the standard tool for evaluating vision-language-action (VLA) policies and the acceleration methods that reduce their inference latency for on-robot deployment. On these benchmarks, we observe that some training-free acceleration methods, which approximate the baseline policy's computation, achieve higher measured success rates than the baseline itself.
Vision-language-action (VLA) models typically operate on RGB images produced by a fixed camera image signal processor (ISP), leaving the imaging pipeline outside the learning and evaluation loop. We systematically examine the consequences of this overlooked design choice across five fundamental ISP dimensions: gain, sensor noise, chromatic response, tonal response, and bit depth.
General-purpose physical AI models must combine broad visual and linguistic capabilities with precise control across robot embodiments and efficient adaptation to downstream tasks. We introduce Rho, a family of open-weights VLA models for bimanual manipulation designed for data-light task adaptation on 3 embodiments representative of dual-arm robots across research labs and the industry -- YAM Box, UR AI Trainer, and FR3 Duo.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.