새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
이 논문은 아직 동료 심사를 거치지 않은 프리프린트다. EIDA는 로봇의 저수준 제어기 응답을 실행 데이터에서 학습해 경량 시뮬레이터에 반영하는 방법으로, 시뮬레이션에서 훈련한 내비게이션 정책의 실로봇 전이를 개선했다. Jackal과 Go2 검증에서 5초 예측 오차가 최대 71.3% 줄었고, 100개 BARN 환경 평가에서 학습 정책 중 최고 성공률(전역 경로 없이 81.33%, 전역 경로 포함 89.33%)을 보였다. 실물 Unitree Go2 시험에서는 정적 장면 20회 모두 장애물 충돌 없이 목표에 도달해 기준 모델의 4회 성공을 크게 앞질렀다.
CriticHack은 시뮬레이터에서 과제 성공과 잘못된 물체 실패를 보상과 독립적으로 측정해, 로봇 정책 최적화가 시각 보상 모델의 의미적 오류를 증폭시키는지 평가한다. Robometer로 Diffusion Policy 전체 디노이저를 파인튜닝한 결과, 512개 평가 시드에서 과제 성공률이 10.2%p 오르는 동안 잘못된 물체 실패가 10.9%p 증가했고, 시뮬레이터의 완료 보상으로 학습하면 이런 증폭이 없었다. 이 연구는 arXiv 프리프린트다.
이 논문은 프리프린트로, 보행 중 6자유도 팔을 장착한 사족 로봇이 세계 좌표계의 엔드이펙터 궤적을 추적하도록 반응 일관 보행 정책과 정책 인지 모델 예측 제어(MPC)를 결합한 ReCo를 제안한다. 시뮬레이션 벤치마크에서 ReCo는 위치와 자세 RMSE를 각각 최고 기준 모델 대비 28.7%, 27.4% 낮췄고, 실물 로봇에서 온보드 연속 보행 조작을 시연했다. 예측 가능한 보행 응답을 정책 학습 단계에서 강제해 MPC가 팔과 다리를 함께 계획할 수 있게 한 점이 핵심이다.
Honda Research Institute USA와 Johns Hopkins University 연구진이 공동 운반 과제에서 파트너 로봇의 관절 위치, 속도, 이동 방향 등 저수준 물리 제약을 사전 시연만으로 추론하는 프레임워크 Watch, Infer, Coordinate를 제안했다. 시뮬레이션 벤치마크 3종에서 추론 오차가 기존 CE-CM-Div 대비 크게 줄었고, 장애물이 있는 새 과제의 제로샷 협동 성공률은 2D rod 92.6%, 고정 베이스 dual-UR5 85.2%, 이동형 dual-UR5 63.0%로 실제 제약을 아는 Oracle에 근접했다. 이 논문은 arXiv 프리프린트다.
이 논문은 프리프린트로, 잠재 세계 모델 계획에서 후보 행동을 평가하는 잠재 상태가 성공 기준 물리량을 충분히 정밀하게 담지 못하는 문제를 해결하고자 훈련 중에만 성공 기준 물리량을 회귀하는 보조 손실을 제안했다. LeWM에서 PushT는 3.5%포인트, cube는 3.4%포인트, stack은 5.05%포인트의 절대 성공률 상승을 보였고, 동결된 DINOv2 인코더를 쓰는 시스템에서도 stack 기준 최대 7.10%포인트 개선이 재현됐다. 훈련 뒤 선형 헤드를 버려 시험 시간 모델과 입력, 비용이 같아 실용적이다.
이 논문은 프리프린트이며 IEEE CCNC 2027 발표 승인을 받았다. 각 UAV에 독립 소형 언어 모델 에이전트를 두고 원자 노트 기반 컨텍스트 관리와 의미적 새로움과 최신성을 반영한 결정적 Interest-Aware Gossip Engine을 결합했다. 10대 UAV 시뮬레이션 탐색 구조 임무에서 모든 실행을 완료했고, Full Flood 대비 추론 토큰은 약 절반, 전송 데이터는 6~7MB에서 0.5MB 미만으로 줄었다.
연구진은 힘줄 구동 강성-연성 손가락의 작동-동작 관계를 연속 자코비안 필드로 학습하는 Jacobian Flow Matching(JFM)을 제안했다. 단일 단계 예측에서 점별 자코비안 학습 기준 모델 대비 전역 평균 RMSE를 53% 이상 줄였고, 성긴 샘플링(stride=8) ODE 롤아웃에서 RMSE 중앙값을 14.43% 개선했다. 이 연구는 프리프린트로 공개됐으며, 오프라인 궤적 최적화에 활용할 수 있는 국소 모델을 제시한다.
이 논문은 오픈소스 VLA 모델 OpenVLA-OFT를 FAIRINO FR3 로봇에 적응시키고 8단계 액션 청크를 예측해 실행하는 ChunkVLA-AM 배포 파이프라인을 제안했다. 실물 A-to-B 이송 시험 42회 중 39회(92.9%) 성공했고, 궤적 예측 오차는 평균 1.74 mm로 단일 단계 적응 모델의 9.50 mm보다 낮았다. 다만 이 연구는 동료 심사를 거치지 않은 프리프린트이며, 실패 3건은 모두 최종 배치 높이 제어 부족으로 물체가 쓰러진 경우였다.
이 arXiv 프리프린트는 유한 측정 데이터와 비대칭 입력 제한 아래에서 출력 안전 부등식을 보장하는 명령을 인증하는 Finite-Data Safety Informativity 프레임워크를 제안한다. 측정된 회귀벡터의 선형 생성 범위에 속하는 질의에 대해 최악 모델 기여도를 유한하게 계산하고, 구동기 추적 오차를 여유로 반영해 필요충분 아핀 부등식과 명령 투영, 허용 게이트를 도출했다. 차량 시뮬레이션에서 40개 샘플 기록 선택에 따라 안전 인증 커버리지가 1.03%에서 76.27%로 올랐으며, 닫힌 루프 추적에서 출력, 입력 제약을 유지했다.
KAIST 연구진이 공개한 프리프린트에서 인간 손-물체 시연을 다중 동작 기준으로 함께 재타게팅하는 RL 프레임워크 FlashDexRetarget을 제안했다. XHand와 Sharpa Wave Hand 대상 50개 동작 벤치마크에서 SR_SPIDER 기준 90% 성공률을 달성했고, CHORD 대비 약 100배 적은 GPU 시간을 사용했다. 이는 대규모 인간 시연 데이터를 로봇 학습용 데이터로 바꾸는 비용을 낮출 수 있는 접근이다.
서울대와 KAIST 연구진이 공개한 프리프린트에서 DROID의 114개 장면을 포즈 조건부 피드포워드 3D Gaussian으로 재구성하고, 장면별 캘리브레이션, 재구성 신뢰도를 함께 제공하는 3DROID 데이터셋을 내놓았다. 고정된 외부 파라미터 기준에서 포즈 조건화가 중앙값 기준 장면별 PSNR을 +0.73~+2.73dB 끌어올렸지만, 기하학적 이득은 외부 파라미터의 신뢰도에 따라 달라졌다. 이 데이터셋은 로봇 조작 연구에서 새로운 카메라 시점 합성과 신뢰도 기반 평가를 지원한다.
캐나다와 영국 연구진이 해류가 무인 수상 로봇과 입자 이동에 동시에 영향을 주는 환경을 재현하는 오픈소스 시뮬레이션 프레임워크 H-SPAR를 프리프린트로 공개했다. 경로 계획 실험에서 SVF-RRT*는 계획 단계 상류 비용을 RRT*보다 69.4% 줄였지만, 시간 변화 해류에서 실행하면 감소율이 41.7%로 떨어졌다. 커버리지 실험에서는 스윕 방향에 따라 입자 샘플링 속도가 최대 22.2% 달라져, 해양 샘플링 임무를 평가할 때 계획과 실행과 입자 이동을 함께 고려해야 한다고 저자들은 밝혔다.
UniWAM은 물리 추론기, 세계 생성기, 행동 예측기를 하나의 MoT 구조로 통합한 로봇 모델이다. LIBERO 표준 평가 평균 99.2%, RoboTwin 2.0 Clean2Random 68.32%를 기록했고 실물 양팔 평가에서 π0.5 대비 과제 성공률을 13.1%포인트 높였다. 이 논문은 프리프린트이며, 인간과 로봇 데이터를 섞은 사전학습에서 로그 선형 스케일링 법칙도 확인했다.
PEWAM은 시연에서 객체의 3D 키포인트 궤적, 접촉점, 최종 상태만 뽑아 행위자를 제거한 효과 프로그램을 조건으로 실행을 생성하는 71.5M 파라미터 세계-행동 모델이다. 이 프리프린트는 LIBERO-Goal 비공개 과제 90개 중 한 시연 프로그램으로 40개(44.4%)를 성공시켰고, 같은 백본에 목표 이미지나 언어를 준 경우는 0%, 공개된 데모 조건 방식은 최고 21.1%였다고 보고한다. 같은 프로그램이 네 로봇 팔에서 재학습 없이 실행됐고 실제 Franka 팔에서 인간 비디오 프로그램이 40개 중 36개를 성공해, 편집 가능하고 로봇 간 전이 가능한 작업 인터페이스의 가능성을 보였다.
이 논문은 프리프린트다. 저자들은 폴리곤 메시의 면, 모서리, 꼭짓점에서 정의되는 로그, 지수 사상, 평행 운송, 주변 공간 사영을 갖춘 이산 리만 연산자 프레임워크를 제안했다. 이를 DMP, Gaussian Process, Riemannian Flow Matching에 적용해 표면 곡률 변화에도 안정적인 학습을 보였고, 시뮬레이션과 Franka Research 3 실물 로봇의 드로잉, 폴리싱 시나리오에서 가능성을 확인했다.
프리프린트로 공개된 ViGAR는 현재 관찰과 언어 지시에서 다음 시각 하위 목표를 만들고, 이를 조건으로 미래 영상과 행동을 함께 생성하는 계층적 World-Action Model이다. RoboTwin Clean2Random에서 Clean 82.00%, Random 67.02%의 성공률을 기록해 가장 강한 기준 모델 4D-WAM보다 평균 12.86%포인트 높았다. 글로벌 목표 이미지만 바꾸는 인컨텍스트 조작에서도 학습에 없던 과제 구성을 실물 로봇으로 수행해, 파라미터 갱신 없이 과제를 조종할 수 있음을 보였다.
FERPO는 온폴리시 최대 엔트로피 강화학습 알고리즘으로, 학습된 critic의 행동 미분을 쓰지 않고 critic 값만으로 정책을 개선한다. 엔트로피와 KL 정규화로 만든 목표 행동 분포를 forward KL로 맞추며, MuJoCo Playground와 ManiSkill에서 REPPO와 경쟁하거나 일부 과제에서 더 적은 환경 상호작용으로 비슷한 성능을 냈다. 이 논문은 아직 동료 심사를 거치지 않은 arXiv 프리프린트다.
이 논문은 arXiv 프리프린트로, 고정된 휴머노이드 제어기를 재학습하지 않고 테스트 시간에 보상 프로그램을 진화시키는 InterEvolve를 제안했다. 객체 인식 forward-backward 행동 기반 모델에 LLM 에이전트와 CMA-ES를 결합해 새 과제의 보상 구조와 상수를 반복 개선했으며, 시뮬레이션 8개 과제군에서 보정된 고정 프로그램 대비 성공률을 86.5%로 끌어올렸다. 실물 Unitree G1에서 자체 카메라 인식만으로 진화된 차기, 밀기 기술을 자율 실행해 테스트타임 적응 가능성을 보였다.
이 논문은 학습 없이 동작하는 확산 기반 다중 에이전트 경로 계획기 TFDP를 제안했다. TFDP는 신경망 전역 스코어 대신 평활도, 장애물 회피, 에이전트 간 분리, 속도 제약에서 유도한 해석적 로컬 스코어를 사용한다. 표준 벤치마크에서 Dense 18대를 제외한 모든 설정에서 100% 성공률을 보였고, 300대 로봇과 100개 장애물 환경에서 A100 GPU 기준 평균 5.39초 만에 실행 가능 경로를 생성했다. 이 연구는 프리프린트다.
이 논문은 arXiv 프리프린트로, 고충실도 데이터가 부족한 온폴리시 강화학습에서 저충실도 시뮬레이션 데이터를 제어변수로 사용해 정책 기울기 추정의 분산을 줄이는 MFPG-PPO와 예산 인지형 변형을 제안했다. 시뮬레이션 보행 과제에서 MFPG-PPO는 거의 모든 설정에서 고충실도 데이터만 쓴 PPO보다 좋았고, 가장 어려운 과제의 작은 데이터 예산에서는 고충실도 데이터를 16배 더 쓴 PPO와 비슷한 성능을 냈다. 실제 Franka 팔에서는 업데이트당 실제 에피소드 4개만으로 성공률 91.7%를 달성해 데이터 부족 상황의 로봇 학습에 중요하다.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.