새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
QueryArt는 보정된 단일 RGB 이미지와 2D 질의점, 카메라 내부 파라미터만으로 관절 유형, 3D 운동 축, 질의점 기준 축 위치를 추정한다. 질의점 깊이로 정규화해 단안 스케일 모호성을 피하고, 질의점 깊이 한 번으로 미터 단위 파라미터를 복원한다. 프리프린트 단계의 이 모델은 4개 분포 내 데이터셋과 2개 분포 외 데이터셋에서 대부분 관절 지표에서 기존 모델을 앞섰고, 실물 모바일 매니퓰레이터 57회 시험에서 70.2% 성공률을 기록했다.
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.
에든버러대와 밀라노 공대 연구팀이 프리프린트로 공개한 논문에서 VLA 모델의 강건성을 과제 성공률(TSR)만으로 평가하면 섭동이 성공 궤적에 미치는 영향을 놓친다는 점을 보였다. LIBERO와 LIBERO-Plus에서 π0.5, VLANeXt, OpenVLA-OFT를 평가한 결과, 같은 성공률을 보이는 조건에서도 카메라, 로봇, 센서 섭동에 따라 성공 궤적의 지속 시간, 저크, 그리퍼 움직임이 크게 달라졌다. 연구팀은 성공 여부뿐 아니라 로봇이 과제를 어떻게 수행하는지 측정하는 행동 지표를 강건성 평가에 보완해야 한다고 제안했다.
OpenSpace Lab은 IROS 2026 단일, 다중 로봇 정보 수집 워크숍의 실내 탐사 경진대회에 참가해 단일 로봇 공개 트랙에서 평균 커버리지 61.04%로 1위를 기록했다고 이 프리프린트에서 밝혔다. 비공개 트랙에서는 단일 로봇 39.53%, 다중 로봇 39.91%로 각각 3위를 차지했다. 사전 학습된 LaMa 기반 MapEx 맵 완성 예측과 남은 시간 기반 귀환 제약을 결합해 제한된 스텝 예산 안에서 미탐사 영역을 우선 탐색한 점이 핵심이다.
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.
중국 연구팀이 자체 추진 대장 내시경 로봇 BGER를 위한 모방학습 기반 자율 주행 시스템 ColoACT를 프리프린트로 공개했다. RGB 영상에 상대 깊이와 유사 고도 지도를 결합한 RGB-D-E 입력과 액션 청킹 트랜스포머 정책을 써서, 적출 돼지 대장 실험에서 직선 구간 85.4%, 곡선 구간 72.5%의 주행 성공률을 기록했다. 90도 회전 70%, 이중 굴곡 60%의 성공률을 보였고 삼중 굴곡에서도 30% 통과 가능성을 확인했다.
PhysicsLENS는 로봇 작업 영상 생성 모델이 텍스트로 지정된 숨은 물리 성질을 실제로 따르는지 평가하는 벤치마크와 데이터셋이다. 사람 평가 결과 그럴듯해 보이는 영상 47개 중 34개가 지시된 성질을 따르지 않았고, 성질을 명시해도 물리적 타당성은 통계적으로 유의하게 낮아지지 않았다. 이 연구는 프리프린트이며, 물리적 타당성과 성질 준수를 분리해 평가해야 한다는 점을 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.
연구팀은 크로스엔트로피 방법(CEM)의 엘리트 선택 단계에 제약 우선순위를 직접 반영하는 TierCEM을 제안했다. 2D 내비게이션과 Push-T 밀기 작업에서 우선순위 순서를 바꾸면 위반되는 하위 제약이 바뀌었고, 태스크 진행을 높은 우선순위로 두면 하위 제약을 완화해 목표에 도달했다. 이 논문은 아직 동료 심사를 거치지 않은 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.
SkeleWAM은 로봇 조작 장면을 로봇 관절, 물체 중심, 상호작용 점으로 이뤄진 희소 3D 골격으로 표현하고 동작 생성과 미래 골격 예측을 함께 학습하는 세계-행동 모델이다. 이 프리프린트는 LIBERO-Plus 전체에서 57.1M 파라미터로 85.9% 성공률을 기록해 Cosmos-Policy(82.2%)보다 3.7%포인트 높았고, 실물 로봇 5개 과제 평균 89%로 Cosmos-Policy(87%)를 넘었다. 미래 골격 예측은 훈련 보조 지도로만 쓰고 추론에서 생략해 파라미터와 연산 효율을 높였다.
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.
상하이테크대 연구진이 실물 객체의 기하 정보에 접촉 규모 촉각 미세 지형과 동적 온도장을 결합한 시뮬레이션용 자산 생성 프레임워크 TouchTherm을 제안했다. 20개 객체 실험에서 30초와 45초 뒤 표면 온도 예측 오차는 각각 0.465°C와 0.592°C였고, 시뮬레이션 촉각 이미지만으로 학습한 분류기의 실물 촉각 인식 Top-1은 34.0%로 조악한 기하 기반보다 14.0%포인트 높았다. 이 논문은 프리프린트로 공개됐다.
이 프리프린트에서 연구진은 오프라인 데이터에서 조작 능력을 골라 시뮬레이션 연습 과제를 만들고, 실행 피드백으로 공유 기술과 시스템 프롬프트를 고치는 Reconstruct, Practice, Go Real(RPG)을 제안했다. RPG는 22개 조작 과제의 별도 초기화 평가에서 첫 연습 라운드 28.6%에서 15라운드 뒤 95.0%로 성공률을 끌어올렸고, ASPIRE 75.5%와 GPT-6 Astra Pro 기반 CaP-Agent0 60.0%를 넘었다. 같은 보정 절차를 거친 물리 로봇 시험 30회에서도 모두 성공했다.
이 논문은 단일 뷰 6-DoF 파지 합성을 위한 연속 학습 프레임워크를 제안한다. 파지 결과와 사용자 시연을 학습된 임베딩 공간의 메모리에 추가해 네트워크 가중치 갱신 없이 즉시 적응하며, 시뮬레이션과 1500회 이상의 실물 로봇 실험에서 적응 전에는 기존 최고 기준과 비슷한 성능을 보이고 적응 후 여러 범주에서 90% 이상 성공률을 달성했다. arXiv 프리프린트다.
이 논문은 4대 이상의 UAV가 케이블로 화물을 들 때 장력 분배가 불균형해지는 문제를 해결하는 AFD-CAMLs 프레임워크를 제안했다. 전역 플래너가 실행 가능한 장력 기준을 만들고 이를 중앙 NMPC 비용에 반영하며, 어드미턴스 필터가 온보드 장력 추정으로 각 UAV의 위치, 속도, 가속도 기준을 보정한다. arXiv 프리프린트이며, 시뮬레이션 4대에서 10대와 실물 4대 실험에서 정지 비행과 고기동 궤적 모두 장력 불균형이 줄었고 화물 추적 성능은 유지됐다.
ActiveWAM은 카메라 시점과 양팔 동작을 하나의 World-Action Model에서 함께 생성하는 능동 시각 조작 정책이다. 훈련 중 과제 증거와 시간적 변화를 보존하는 history inversion을 쓰고, 실행 시에는 원본 관측만으로 stay와 재획득 동작을 포함한 머리, 팔 궤적을 만든다. 동료 심사가 확인되지 않은 프리프린트 기준으로 TAVIS 분포 외 성공률을 최대 17.0%p, RoboTwin-AV compound 성공률을 Fast-WAM 대비 20.0%p, 실물 주방 과제에서 26.7%p 높였다.
프리프린트로 공개된 이 연구는 3D 소나 반사점에서 다이버의 위치와 전신 방향을 9자유도 3D 바운딩박스로 검출하는 SonarVoxNet과 최초의 3D 소나 다이버 방향 데이터셋 Diver3D를 제안했다. yaw만 예측하던 기존 LiDAR 검출기와 달리 연속 6D 회전 표현으로 full-SO(3) 방향을 예측했고, Diver3D 테스트에서 [email protected] 기준 0.703, 추론 후 기하 정제로 0.774를 기록했다. 이는 3D 소나만으로 자유롭게 기울고 구르는 다이버의 방향을 복원할 수 있음을 보여 수중 인간-로봇 상호작용의 기반을 마련했다.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.