새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
이 프리프린트는 프론티어 모델의 추론을 저지연 로컬 정책에 연결하는 두 가지 방법을 제안했다. 첫 번째는 교정 시연 세그먼트를 활용한 자율 데모 생성으로, 사람 시연 20개와 생성 시연 20개를 섞은 훈련이 4개 과제에서 사람 시연 40개와 같은 정책 성공 41/80을 보였고, 배포 하네스는 로컬 정책 단독 51.25%보다 높은 65% 성공률을 기록했다. 두 번째는 primitive, atomic, composite 단계와 다중 관점 설명을 결합한 밀집 언어 감독으로, RoboCasa 365와 BEHAVIOR-1K에서 가장 높은 지시 이행 성능을 달성했다.
AdaTempo는 시연 데이터의 상대적 템포 구조를 활용해 오프라인에서 궤적을 리샘플링하고 ACT나 Diffusion Policy 같은 표준 정책을 가속 학습시키는 자기지도 방법이다. 시뮬레이션 5개 과제와 실물 6개 과제에서 최대 3.57배 속도 향상을 달성했고, 실물 평균 성공률을 58.3%에서 77.8%로 높이면서 평균 2.02배 빠르게 수행했다. 이 논문은 아직 동료 심사를 거치지 않은 프리프린트다.
이 프리프린트는 로봇의 남은 관절 공간 경로를 실행 타이밍 없이 B-스플라인 계수로 압축한 고유수용 스케치를 제안하고, 이를 짧은 실행용 액션 청크와 함께 하나의 트랜스포머 디노이저로 생성하는 Proprioceptive Action Models(PAM)을 제시했다. PAM은 Push-T 이미지 관찰에서 Diffusion Policy의 마지막 10개 체크포인트 평균 커버리지를 0.66에서 0.72로, 실제 양팔 과제 4종의 성공률을 47.5%에서 75.0%로 높였다. 스케치가 액션 생성에 장기 기하학적 의도를 제공해 장기 조작 과제의 성능을 끌어올린 점이 핵심이다.
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.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.