새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
체코 프라하 공과대학 연구진이 비전 기반 다중 UAV 비행에서 이웃 기체의 속도와 가속도를 정확히 추정하기 위해 시각 검출기가 제공하는 기울기 정보를 상태 추정에 통합했다. arXiv 프리프린트로 공개된 이 연구는 위치만 쓰는 4종 추정기와 자세 인식 5종 추정기를 실제 데이터 2종과 고충실도 시뮬레이션 데이터 1종에서 비교했으며, 자세 인식 방식이 속도 오차 평균 40%, 가속도 오차 평균 57%를 줄였다. 제안한 선형 추력 구속 칼만 필터가 가장 우수했고, 위치만 쓰는 필터는 약 300ms의 고정 지연을 보인 반면 자세 인식 추정기는 카메라 프레임률 수준의 물리적 응답 한계 근처에서 동작했다.
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.
연구진이 샘플링 기반 탐사 플래너에서 경로상 앞선 시점의 관측과 겹치는 영역을 제거하는 경로 의존 Marginal Information Gain을 GPU로 가속하는 방법을 제안했다. 깊이 버퍼로 조상 노드의 관측을 표현하고 트리를 깊이 순서로 평가해, CPU 기반 정확 계산 대비 데스크톱 GPU에서 최대 118배, Jetson Orin NX에서 최대 28배 빨라졌다. 시뮬레이션 6개 조합 중 5개에서 95% 커버리지 도달 시간이 단축됐고, 실물 UAV 실험에서는 30% 단축됐다. 이 논문은 아직 동료 심사를 거치지 않은 arXiv 프리프린트다.
PL-MPC는 정책 제약형 TD-M(PC)2 백본에서 비평가 지도, MPPI 종단 가치 평가, 플래너-정책 전이를 동시에 바꾼 방법이다. HumanoidBench에서는 balance-hard의 TAR(Total Average Return)가 98±18에서 387±255로, hurdle은 199±13에서 466±200으로 올랐고, KUKA IIWA14 실물 실험에서는 학습 물체 크기와 미학습 크기 모두에서 TD-M(PC)2보다 높은 성공률을 보였다. 아직 동료 심사를 거치지 않은 프리프린트다.
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.
프리프린트로 공개된 이 논문은 쿼드러패드 로봇이 접촉 전 이미지로부터 평면 발 미끄러짐, 평균 수직 지면 반력, 견인 지수, 이동 비용, 접지 하중률 등 5가지 상호작용 지표를 예측하고, 검증 게이트를 적용한 지속 학습으로 새로운 지형에 적응하면서 과거 성능 저하를 줄이는 파이프라인을 제안했다. 하드웨어 순차 실험에서 과거 앵커 NLL 성능 저하를 리플레이 단독 대비 23.1% 줄였으며, 시뮬레이션 내비게이션에서도 안정적으로 동작했다.
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.
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.
이 논문은 RL로 학습한 액터, 크리틱과 센서 예측 모델을 PAC-NMPC에 결합해 미지 환경에서 확률적 안전을 보장하는 Actor-Critic PAC-NMPC를 제안했다. 고정익 UAV 하드웨어 실험에서 성공률 80%로 기존 RL 액터와 PAC-NMPC의 40%를 크게 웃돌았고, 시뮬레이션에서는 90% 성공률을 기록했다. 이는 학습 기반 장기 계획과 샘플링 기반 SNMPC의 충돌 확률 상한 보장을 동시에 얻는 방법이다. arXiv 프리프린트다.
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.
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.
Accurate human motion prediction is crucial for robotic systems operating around people, particularly in complex indoor spaces. In this study, we assess the relative importance of different sources of information in indoor motion prediction with a human motion diffusion model.
Long-horizon robotic tasks are vulnerable to unexpected environmental changes that can render planned actions ineffective or unsafe. To address this, robots must detect such changes as they occur, interpret their impact, and adjust their actions accordingly.
World-Action Models (WAMs) couple visual dynamics with action prediction, bringing the rich priors of pretrained video models to robotic manipulation. However, their multi-view interfaces typically tile images or concatenate tokens, leaving the geometric relationships among synchronized cameras implicit.
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.
Robot policies are frequently trained from human corrections, yet teleoperating a robot to provide corrections is burdensome, and human demonstrators are not always optimal. We propose Blended DAgger (BlenDAgger), an approach for collecting data to train imitation learning policies by using shared control to blend the policy's and demonstrator's actions during interventions.
Egocentric human demonstrations offer an accessible source of task experience, but differences in body scale and controller response, together with missing robot states, limit their value as humanoid training supervision. We present EgoAlign, a data-construction framework that converts these demonstrations into action and state supervision compatible with a general-purpose, continuous whole-body controller, without collecting physical-robot demonstrations.
World-action models jointly learn robot policies and predict future observations, making the representation space an interface between control and prediction. We study the design of this space through controlled comparisons, finding that neither reconstruction fidelity nor pre-trained perceptual features alone ensure effective policy learning.
Monocular RGB video provides an accessible source of human demonstrations for upper-body robot motion, yet video-driven human-to-robot transfer remains challenging because body and hand motion are recovered at different spatial scales, human and robot kinematics differ substantially, and fine distal motion is difficult to preserve across embodiments. We present a geometry-preserving motion-retargeting framework that integrates unified body--hand reconstruction with morphology-independent geometric transfer.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.