새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
arXiv 프리프린트로 공개된 이 연구는 사전학습된 VLA 정책을 재학습 없이 보호하는 런타임 안전 필터를 제안했다. 그리퍼, 손목, 전완을 5개 타원체로 감싸고 희소 광학 흐름으로 위험 물체의 타원체 중심을 이동시키는 방식으로, 시뮬레이션 이동 위험물 벤치마크에서 충돌률을 65.62%에서 27.27%로 낮추고 안전 성공률을 29.35%에서 50.43%로 높였다. 물리 SO-101 팔에서는 16회 중 위험물 접촉이 비차폐 11회에서 차폐 3회로 줄었으며, 엣지 CPU에서 배리어가 99백분위 2.2ms로 실행됐다.
STARS는 인간-로봇 상호작용 장면의 물리적 시공간 역학을 그래프 오토인코더로 압축해 사회적 의미를 담는 노드 표현을 학습하는 프리프린트 연구다. SEAN-T와 SocialNav-SUB에서 동결된 표현에 선형 프로브만 얹어 평가한 결과, 특히 행동 분류 과제에서 STARS-He가 라벨 1%로 macro F1 0.362, 100%로 0.503을 기록해 비정형 기준을 크게 앞섰다. 이는 HRI 데이터 부족 문제를 구조적 귀납 편향으로 완화할 가능성을 보여준다.
arXiv 프리프린트인 이 논문은 범용 에이전트가 렌더링된 2D 뷰와 포즈 편집 도구만으로 3D 부품을 조립하는 환경 AssemblyWorld와 벤치마크 AssemblyWorldBench를 제안했다. 80개 객체에서 뽑은 100개 과제로 8개 에이전트를 평가한 결과, 가장 강한 GPT-6 Astra가 부품 정확도 80.9%를 기록했지만 완전 조립 성공률은 59.4%에 그쳤고, 평가된 오픈소스 시스템은 실행 신뢰성과 조립 정확도에서 크게 뒤처졌다. 이는 범용 추론과 정밀 기하 복원 사이의 격차를 보여주며, 조립 에이전트 비교를 위한 공통 시험대가 된다.
드론 편대가 교차로를 순찰하며 정체를 감지하고 예측해 교통 신호를 적응 제어하는 시뮬레이션을 수행했다. 드론 수가 교차로 수에 가까워지면 감지율과 예측율이 정체됐고, 예측 기반 신호 조정은 감지 기반보다 정체 지속 시간 감소 효과가 약 2배 컸다. 이 논문은 arXiv 프리프린트다.
하얼빈공업대학(선전)과 Pengcheng Laboratory 연구팀이 공개한 프리프린트에서 VLA 모델의 새 작업 적응을 메모리 중심으로 바꾼 Optimus-R을 제안했다. Optimus-R은 학습 가능한 메모리 토큰을 VLA prefix 스트림에 삽입해 제어 관련 쿼리와 스킬 표현을 추출하고, 이를 쿼리-스킬 메모리 뱅크에 저장해 재사용한다. 실험에서 30% 학습 데이터만으로 LIBERO 평균 성공률을 16.5%p, CALVIN 평균 완료 길이를 0.42, RoboTwin 2.0 Hard 성공률을 5.0%p 높였고, 실물 로봇 20개 데모 크로스도메인 적응에서 33.3% 성공률로 π0.5 대비 13.9%p 우위를 보였다.
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.
미시간대 연구팀이 공개한 프리프린트로, 복도 환경에서 로봇 Legibility를 구현하는 다섯 전략을 실물 Hello Robot Stretch 2로 비교했다. Study 1(N=45)에서는 통행 측면을 의도로 표현하고 동적으로 조정한 SM과 DPL이 비명료 기준 NL보다 인간 평균 가속도가 낮고 RoSAS 역량 평가가 높았으며, 목적지 기반 GL은 가장 낮은 역량과 높은 부하를 보였다. Study 2(N=45)에서는 보행자가 청취 과제로 주의가 분산된 상태에서도 SM이 NL보다 부드러운 인간 움직임을 유지해, 근거리 조율용 명료성 신호가 일부 효과를 유지함을 시사한다.
이 프리프린트는 전방 소나와 카메라를 공유 Bayesian 점유 맵에 융합하고, 엔트로피 기반 탐색과 객체 후보 활용을 절충하는 next-best-view 계획으로 수중 쓰레기를 능동 탐색하는 방법을 제안했다. MARUS 시뮬레이터에서 11개 객체를 대상으로 한 실험에서 능동 매핑은 27m 이동 만에 11개를 모두 찾아 110m가 걸린 lawnmower 주행보다 빨랐고, 이중 센서 융합은 단일 센서보다 약 2배 빨랐다.
로봇 기업 매직랩(MagicLab)이 동작을 고르는 동안 장면의 3D 구조가 어떻게 움직이고 동작 뒤 장면이 어떤 모습이 될지를 함께 예측하는 34억 파라미터 로봇 모델 Magic-W0를 프리프린트로 공개했다. 10월 3일 개정판에서 RoboDojo-Sim 순위표 평균 36.75점으로 1위에 올랐지만 2위와 차이는 0.48점에 그쳤고, 실제 로봇 5개 과제에서는 피지컬인텔리전스의 π0.5를 94.6% 대 91.8%로 앞섰다.
NavHarness는 적응형 목표 생성, 목표별 완료 검증, 진행 인지 다중모드 메모리 압축을 결합한 에이전트형 시각언어 내비게이션(VLN) 프레임워크다. 시뮬레이션 벤치마크 R2R-CE와 RxR-CE에서 GPT-6-Astra 기준 성공률 79.0%, 82.5%를 기록해 동일 백본 Codex CLI보다 각각 5.0%p, 6.2%p 높았고, 실물 사족 로봇 시험에서도 성공률 83.3%, 항법 오차 1.51m를 보였다. 이 논문은 아직 프리프린트이며, 관측 결과에 근거한 진행 판단이 장거리 과제의 오차 누적과 이력 입력 비용을 동시에 줄일 수 있음을 보여준다.
로봇 AI 모델은 앞으로의 동작을 한 묶음씩 예측하는데, 그중 몇 개를 실행한 뒤 다시 주변을 살필지는 대개 사람이 고정값으로 정해 왔다. 칭화대와 베이징즈위안인공지능연구원(BAAI) 등이 낸 이번 프리프린트는 이 값을 작업 중에 스스로 고르는 부가 모듈을 제안했고, 피지컬인텔리전스와 엔비디아의 기존 모델을 다시 학습시키지 않고도 시뮬레이션과 실제 양팔 로봇에서 성공률을 끌어올렸다.
Imperial College London과 Technical University of Munich 연구진이 공개한 프리프린트에서, 신경망 궤적 예측 결과를 사후 보정하는 Markovian Dynamics Enforcer(MaDE)를 제안했다. MaDE는 역동역학 모델과 알려진 물리 모델에 학습 잔차를 더한 완성 모델, 제어 공간 부등식 보정을 결합해 예측을 동역학적으로 일관된 상태로 되돌린다. 시뮬레이션 4개 시스템에서 동역학 잔차를 사실상 0으로 낮췄고, inD 차량 궤적 실험에서는 원시 예측 대비 평균 변위 오차를 1.57~1.83배 키우는 대신 운동학적 자전거 모델 잔차를 0.1703~0.1714에서 0.0071~0.0072로 줄였다.
T3DP는 언어 명령의 토큰과 행동 세그먼트를 지역적으로 정렬해 훈련에서 보지 못한 세부 사양을 수행하는 텍스트-3D 정책이다. Meta-World, ManiSkill, RoboTwin에서 전역 정렬 대비 평균 성공률을 11.0~14.2%포인트 높였고, 실물 PiperX 로봇에서는 평균 성공률을 47.5%에서 65.0%로 17.5%포인트 끌어올렸다. 이 논문은 아직 동료 심사를 거치지 않은 프리프린트이며, 같은 장면에서 목표 위치나 이동량이 다른 작업을 언어로 세밀하게 지시하는 데 중요하다.
미국 리하이대 연구진이 로봇의 사회적 내비게이션을 위한 세계 모델 Social-WM을 arXiv 프리프린트로 공개했다. Social-WM은 로봇이 내린 명령 동작과 실제로 실행 가능한 동작의 차이를 안전 신호로 학습해, 시뮬레이션 벤치마크 Social-HM3D에서 성공률 63.77%를 달성하면서 인간 충돌률을 21.67%로 낮췄다. 이는 기존 NavThinker 대비 인간 충돌을 44.6% 상대 감소시킨 결과로, 별도의 보행자 추적이나 온라인 강화학습 없이 RGB 영상만으로 사회적 안전성을 높였다는 점에서 의미가 있다.
프리프린트로 공개된 RoboCoach는 행동 조건 세계 모델 CoachWorld에서 로봇 실행을 굴려 실패한 하위 작업을 찾고, 해당 기술 전문가에만 추가 데모를 요청해 LoRA 어댑터를 갱신하는 프레임워크다. 22개 작업-정책 쌍에서 상상 실행과 실제 실행 성공률 간 스피어만 상관이 0.840이었고, 실물 로봇에서 플랫폼당 150개 하위 작업 데모만 추가해 Franka는 13.3%에서 75.0%로, AgileX는 40.0%에서 83.8%로 성공률이 올랐다. 이는 세계 모델이 데이터를 더 만드는 것을 넘어 어떤 기술을 가르칠지 결정하는 능동 코치가 될 수 있음을 보여준다.
Encore는 몇 개의 시연을 키프레임과 그리퍼 이벤트 같은 증거 패킷으로 압축하고 코딩 에이전트가 정책 프로그램을 시뮬레이션과 실물 양팔 로봇에서 반복 수정하게 하는 프레임워크다. LIBERO-PRO의 60개 변형 셀에서 시연 3개를 쓴 프로그램이 96.3%, 시연 없이 쓴 프로그램이 94.9%의 성공률을 보였고, 실물 로봇 두 과제에서는 각각 9/10을 기록했다. 아직 동료 심사를 거치지 않은 프리프린트다.
In this preprint, the authors build an onboard perception pipeline that lets a lightweight Explorer robot find minerals in underground mines from free-text prompts and hand compact, oriented 3D inspection targets to a heavier Inspector robot. Field tests in a test mine and an active magnesite mine detected two mineral types without retraining and condensed about 38,000 raw mineral points into a few dozen polygons, roughly two orders of magnitude smaller. This matters because autonomous mining inspection requires no mine-specific labels and low-bandwidth robot-to-robot handover.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.