MEKAWIRE
연구

논문

새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.

논문 48편
주제전체매니퓰레이션 76VLA 62내비게이션 35로봇 일반 32로봇 학습 27인지 22휴머노이드 20시뮬레이션 15보행 13안전 11World Action Models 4World-action model 3Aerial 2Aerial manipulation 2Dexterous manipulation 2Sim-to-Real Manipulation 2Social Navigation 2Vision-Language Navigation 23D Assembly 13DGS dataset 15G Simulation 1AMR Operations 1Active vision manipulation 1Adaptive MPC 1Adaptive action horizons 1Adaptive intervention 1Aerial Manipulation 1Aerial navigation 1Agricultural Robotics 1Articulation Estimation 1Autonomous Driving 1Autonomous Exploration 1Battery-aware RL 1Belief-space planning 1Bimanual Manipulation 1Byzantine localization 1Canal inspection 1Co-speech Humanoid 1Compositional Manipulation 1Construction navigation 1Contact-Rich Manipulation 1Contact-rich Manipulation 1Continual reinforcement learning on top of robot foundation models 1Continuum sensing 1Cross-embodiment transfer of humanoid whole-body controllers 1Curriculum RL 1Dexterous Manipulation 1Distributed Manipulation 1Distribution Shift 1Driving Simulation 1Efficient VIO 1Egocentric data 1Egocentric video 1Embodied Agents 1Embodied policy 1Empowerment MPC 1Endoscopic navigation 1Endovascular robotics 1Evaluating robot world models against real executions 1Event-camera VO 1Exoskeletons 1Failure recovery 1Faster on-device inference for flow-matching vision-language-action models 1Federated 3D Perception 1Fisheye detection 1Floorplan SLAM 1Geometry-aware manipulation 1Grasping 1Grounding 1Humanoid Control 1Humanoid RL 1Humanoid Tool Use 1Humanoid loco-manipulation 1Humanoid safety 1Humanoid whole-body control 1Humanoid whole-body training data from robot-specific video generation 1Imitation Learning 1JEPA World Models 1Lab automation 1Laboratory Manipulation 1Latent World Models 1Legged Manipulation 1LiDAR Security 1Lifelong RL 1MAPF 1MAV guidance 1Manipulation LfD 1Manipulation Safety 1Marine simulation 1Memory-centric VLA 1Miniature Locomotion 1Mining Perception 1Mobile manipulation 1Model-based RL 1Monocular SSC 1Motion Planning 1Multi-Agent RL 1Multi-Robot Exploration 1Multi-Robot Manipulation 1Multi-UAV Exploration 1Multi-UAV State Estimation 1Multi-agent RL 1Multi-agent motion planning 1Multi-camera odometry 1Multi-fidelity RL 1Multi-robot manipulation 1Multi-skill Manipulation 1Multi-view perception 1Multimodal simulation 1Navigation & Mapping 1Object Pose Estimation 1Object Search 1Panoramic 3D Detection 1Panoramic segmentation 1Pedestrian tracking 1PersonNav 1Planning 1Policy Optimization 1Preference Learning 1Quadruped locomotion 1Real-time VLA 1Real-to-sim 1Reinforcement learning for industrial assembly 1Representation alignment 1Robot-Use Agents 1Runtime Verification 1Safe Generative Planning 1Safe RL-MPC 1Safe VLA 1Safety monitoring 1Safety-critical control 1Sim-to-real Navigation 1Sim-to-real manipulation 1Simulation geometry 1Skill Discovery 1Social navigation 1Soft Pneumatic Actuators 1Soft manipulation 1Sonar SLAM 1Streaming 3D reconstruction 1Submovement decomposition 1Surgical 1Surgical robotics 1Tactile Exploration 1Tactile VLA 1Temporal manipulation 1Terrain traversability 1Text-to-3D Policy 1Tool Co-Design 1Trajectory Correction 1Traversability 1Turning phone-recorded human demonstrations into per-robot post-training data by retargeting object motion 1UAV Navigation 1UAV Swarms 1UAV traffic monitoring 1Underwater Robotics 1Underwater active mapping 1Underwater perception 1Unified world-action model 1VLA Conditioning 1VLA Defense 1VLA Robustness 1VLA evaluation 1VLA manipulation 1VLA robustness 1Video world models 1Vision-language-action models without wrist cameras (learned foveation) 1Visual Generalization 1Visual Grounding 1Visual Reward Models 1Visuomotor Fusion 1Visuotactile manipulation 1World Models 1World models 1World-Action Models 1
난이도전체입문중급전문가
아직 한국어판이 없어 영어 원문으로 표시.
기술 필터 적용 중: 강화학습, 해제
arXiv
Locomotion전문가

Learning Safety-Constrained Whole-Body Loco-Manipulation for Lunar Surface Operations

Alvaro Belmonte-Baeza, Miguel Cazorla, Gabriel J. García, Carlos J. Pérez-Del-Pulgar, Jorge Pomares

Robotic systems for lunar surface operations must act autonomously and preserve their own integrity in an environment where failures are unrecoverable and continuous supervision is impossible. This paper presents a Constrained Reinforcement Learning framework for quadrupedal mobile manipulators that learns a single whole-body policy for tracking a 6D end-effector pose specified in task space, with operational limits enforced during learning through a constrained learning mechanism.

RL
논문 전문 읽기 (PDF)
arXiv
VLA전문가

Recovering Low-Bit Failures in Vision-Language-Action Policies via Quantization-Conditioned Reinforcement Learning

Seongmin Park, Jaewon Lee, Yujun Heo, Yoonsik Kim, Seheon Choi, Hyoung-rock Kim, Jungwook Choi

Quantization lowers deployment costs of vision-language-action (VLA) policies but can compromise task completion. Across five VLA models and 4,050 real-world trials, we systematically reveal that quantization-aware training (QAT) generally improves on post-training quantization (PTQ) but leaves substantial gaps to full precision (FP) on long-horizon tasks and under visual and semantic shifts, while its imitation-based objective does not explicitly use rollout success or partial completion.

VLARL
논문 전문 읽기 (PDF)
arXiv
Locomotion전문가

PointWalker: Mapless Quadruped Locomotion Directly From Raw LiDAR Point Clouds

Sicen Li, Zhen Chu, Chao Li, Jun Zheng, Qiuguo Zhu, Jun Wu

Quadruped robots deployed for inspection and field missions must cross heterogeneous terrain, from stairs, slopes, and gaps to high platforms, stepping stones, and balance beams, where safe support is sparse or see-through. Existing methods interpose a terrain map or a depth image between sensing and control.

RL라이다(LiDAR)
DEEP Robotics
논문 전문 읽기 (PDF)
arXiv
Humanoid전문가

P-BFM: Perceptive Behavioral Foundation Models for Humanoid Control via Unsupervised Reinforcement Learning

Xue Wang, Yitang Li, Yiming Zhang, Siqin Wang, Junhan Sun, Zhihao Liu, Yaojie Shen, Jingbo Yuan, Hao Zhao, Qingdu Li

Behavioral foundation models (BFMs) provide humanoids with reusable repertoires of whole-body behaviors; in real-world humanoid control, the same behavioral intent may require fundamentally different motions under different terrain constraints. Covering such variation with terrain-matched demonstrations requires enumerating a combinatorial space of behaviors and terrain geometries.

RL
HumanoidFoundation
논문 전문 읽기 (PDF)
arXiv
Learning전문가

Reinforcement Learning Based Heterogeneous Task Allocation Under Spatio-Temporal Environmental Uncertainty for Multi-Robot Teams

Xi Lin, Yaxuan Li, Paul Szenher, Brendan Englot

Autonomous Surface Vehicles (ASVs) have been increasingly deployed to perform different kinds of maritime tasks in recent years, which motivates the need for a reliable task allocation policy that can adapt to heterogeneous tasks and maritime disturbances. In this work, we formulate a multi-robot task allocation problem in which a team of ASVs with heterogeneous capabilities needs to complete tasks of different types and appearance times under unknown stochastic spatio-temporal uncertainties from maritime disturbances.

RL
논문 전문 읽기 (PDF)
arXiv
Learning전문가

Phase-Gated Constrained Reinforcement Learning for End-to-End Capture and Detumbling of Non-Cooperative Targets

Álvaro Belmonte-Baeza, Celia Redondo-Verdú, José L. Ramón, Miguel Cazorla, Leonard Felicetti, Jorge Pomares

Active debris removal requires a servicer spacecraft to approach a non-cooperative tumbling object, capture it, and arrest its rotation. This sequence is conventionally divided among phase-specific controllers, each depending on knowledge of the target's inertia, a dedicated grappling fixture, or a hand-designed switch at the contact-rich seam where such pipelines are most fragile.

RL
논문 전문 읽기 (PDF)
arXiv
VLA전문가

Reflect-VLA: Internalizing Reflective Guidance via Dual-Path On-Policy Self-Distillation for Autonomous Driving

Yuechen Luo, He Chong, Fang Li, Shaoqing Xu, Hexin Zhang, Ruiqi Zhang, Ziying Song, Lei Yang, Zhi-Xin Yang, Fuxi Wen

Reinforcement Learning (RL) substantially improves planning performance in autonomous-driving Vision-Language-Action (VLA) models. However, existing RL methods rely on scalar trajectory rewards that measure overall quality but fail to identify specific planning errors or provide actionable correction signals.

VLARL
논문 전문 읽기 (PDF)
arXiv
Manipulation전문가

Evo-RL: Iterative Robot Reinforcement Learning from Selective Experience

Kai Ye, Yifan Jin, Qianhang Luo, Hongru Zhang, Jiedong Zhang, Shuyuan Hu, Song-Yuan Wu, Jihai Xu, Jie Zhao, Bo Zhao

Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts. However, accumulated experience varies in its value for policy improvement, and even successful trajectories can contain inefficient or redundant behavior, motivating more selective experience reuse.

RL
논문 전문 읽기 (PDF)
arXiv
Reinforcement learning for industrial assembly중급

엔비디아 AlphaNIST, 성공 여부만 알려주는 보상으로 NIST 조립 보드 20개 과제 학습

Octi Zhang, Iretiayo Akinola, Rosario Scalise, Mateo Guaman Castro, Patrick Yin, Tobias Widmer, Miles Macklin, Chris Amevor, Dylan Turpin, Dirk Van Gelder, Jan Carius, Ankur Handa, Gavriel State, Yunrong Guo, Yashraj NarangNVIDIA; University of Washington

엔비디아 연구진이 사람 시연 없이 '조립 성공 또는 실패' 신호만으로 시뮬레이션 속 로봇 팔 하나가 NIST 표준 조립 보드의 20개 과제를 98.2% 성공률로 익혔다는 프리프린트를 공개했다. 아직 모든 결과가 시뮬레이션에 머물러 있어 실제 공장 설비에서도 같은 성능이 나오는지가 핵심 확인 과제로 남았다.

RL심투리얼(시뮬레이션-현실 전이)
NVIDIAFranka Robotics
논문 전문 읽기 (PDF)
arXiv
Learning전문가

Dream to Remember: Continual Steering of Generalist Robot Policies with World Models

Bahey Tharwat, Iman Nematollahi, Marvin Alles, Xingyuan Zhang, Akshay L Chandra, Abhinav Valada

Generalist robot policies are trained with imitation learning and are bounded by the quality and coverage of their demonstrations. Reinforcement learning can improve and extend them, either by fine-tuning the policy weights or by training a small module to steer the input noise of a frozen generative policy.

월드 모델모방 학습RL
논문 전문 읽기 (PDF)
arXiv
Learning전문가

MARGoS: A Configuration-Driven Platform for Reproducible MARL Experiments in ARGoS

Tom Philipp Backert, Mohammad D. Soorati, Javad Ghofrani

Multi-agent reinforcement learning (MARL) has become a prominent research direction, particularly within collective robotics, where the ARGoS simulator is widely used to study emergent swarm behavior. Yet despite this growth, systematic support for reuse and reproducibility in MARL-based swarm robotics remains limited and insufficiently standardized: a single experiment is assembled from manually aligned simulator files, training scripts, configuration values, paths, seeds, and environment details, so reuse and reproduction stay fragile even within one research group.

RL
논문 전문 읽기 (PDF)
arXiv
Adaptive intervention중급

UniIntervene++: 실물 로봇 온라인 RL을 위한 적응형 개입 에이전트

Yudong Lin, Haoyuan Deng, Zhuoxuan Yuan, Zaijia Yang, Yuanjiang Xue, Ziwei Wang

이 논문은 실물 로봇 온라인 강화학습에서 자율 실행과 자동 보조 행동 사이의 제어를 학습하는 UniIntervene++를 제안한다. 다섯 가지 실물 조작 과제에서 평균 성공률 89.67%를 기록해 최고 기준 모델보다 6%포인트 높았고, 인간 개입률은 0.77%로 가장 낮은 기준 모델 대비 94.6% 줄었다. 아직 동료 심사를 거치지 않은 프리프린트이며, 개입 시점과 방식을 정책의 역량 변화에 맞춰 조정한다는 점에서 중요하다.

RL
논문 전문 읽기 (PDF)
arXiv
Curriculum RL중급

BVER, 목표와 시작 상태를 양방향으로 키우는 Voronoi 편향 강화학습 커리큘럼

Juri Pfammatter, Kaixian Qu, Clemens Schwarke, Victor Klemm, Marco Hutter

ETH 취리히 연구팀이 희소 보상 장기 과제를 위한 강화학습 커리큘럼 BVER를 제안했다. BVER는 목표에서 시작 상태를, 초기 상태 분포에서 중간 목표를 동시에 확장해 하나의 목표 조건 정책을 학습하며, 시연이나 보상 shaping 없이 비교한 모든 참조 자유 커리큘럼보다 빠르게 학습했고 0.7m 상자 오르기를 유일하게 해결했다. 이 연구는 동료 심사를 거치지 않은 arXiv 프리프린트다.

RL
논문 전문 읽기 (PDF)
arXiv
Visual Generalization전문가

VIGOR: 모델 기반 강화학습의 잠재공간 일관성으로 제로샷 시각 일반화 달성

Mingyu Park, Samyeul Noh, Hyun Myung, Donghwan Lee

VIGOR는 모델 기반 강화학습에서 보지 못한 시각적 방해 요소에도 제로샷 일반화가 가능하도록 잠재공간 일관성을 부과한 프레임워크다. TD-MPC2 백본에 비대칭 약증강-강증강 배치 분할, 동역학 수준 일관성 손실, 인코더 수준 안정화를 통합했으며, DMC와 Robosuite에서 두 번째로 좋은 기준 모델 대비 평균 3.4%와 43.6% 높은 성능을 보였다. 이 논문은 프리프린트이며 동료 심사 여부는 확인되지 않았다.

RL
논문 전문 읽기 (PDF)
arXiv
Lifelong RL전문가

AMSC, 평생 강화학습에서 작업 유사성으로 정책 마스크를 선택, 합성하다

Saptarshi Nath, Inish M. D'Souza, Antonio Carta, Soheil Kolouri, Andrea Soltoggio

Loughborough University와 University of Pisa 연구진은 평생 강화학습에서 이전 정책을 선택적으로 재사용하는 AMSC(Adaptive Mask Selection and Composition)를 제안했다. AMSC는 온라인 상태-행동-보상 샘플의 Wasserstein 임베딩으로 작업 유사성을 추정해 관련 정책 마스크를 희소 선택하고 가중 합성하며, CT28과 MG16에서 AUC/FWT/FGT 0.94/0.94/0.00과 0.73/0.54/0.00을 기록했다. 이 연구는 아직 동료 심사를 거치지 않은 프리프린트이며, 작업 유사성이 학습된 합성 가중치 없이도 선택적 재사용의 기준이 될 수 있음을 보인다.

RL
논문 전문 읽기 (PDF)
arXiv
Multi-agent RL전문가

SCOUT, 오프라인 MARL에서 플로 매칭 사전과 분해 가치 기울기로 테스트타임 조정 복원

Dongsu Lee, Haoran Xu, Amy Zhang

SCOUT는 오프라인 다중 에이전트 강화학습에서 플로 매칭 행동 사전과 분해 가치함수를 결합하고, 테스트 시점에 Stein 변분 기울기로 행동 후보를 고가치 영역으로 수송하는 프레임워크다. SMACv1 12개 데이터셋 평균 보상 16.1, MA-MuJoCo 12개 데이터셋 평균 정규화 점수 82.12로 비교 모델 중 최고 평균을 기록했다. 이 논문은 arXiv 프리프린트로, 동료 심사 게재 여부는 확인되지 않았다.

RL
Foundation
논문 전문 읽기 (PDF)
arXiv
Quadruped locomotion중급

PROMO, 실행 중 목표 우선순위를 바꾸는 사족로봇 의미적 다목적 강화학습 정책

Amr Mousa, Rifny Rachman, Neil Karavis, Michele Caprio, Richard Allmendinger

이 논문은 아직 동료심사를 거치지 않은 프리프린트다. PROMO는 추적, 안정성, 효율이라는 의미적 목표에 대한 선호를 실행 시 입력으로 받는 단일 사족로봇 보행 정책이다. 시뮬레이션 100개 선호 평가에서 평균 선호-목표 상관 0.8434, 낙상률 7.50%를 기록했고, 같은 정책을 Unitree Go2에 제로샷 전이해 선호만으로 단위 거리당 에너지를 최대 30.4%, 위치 오차를 38.7%, 최대 자세 편차를 59.0% 줄였다.

RL
논문 전문 읽기 (PDF)
arXiv
Legged Manipulation전문가

ReCo: 반응 일관 보행과 정책 인지 MPC를 결합한 보행 조작 프레임워크

Kuankuan Sima, Yichao Gao, Chenxi Gu, Kefan Zhao, Lin Zhao

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.

RL
논문 전문 읽기 (PDF)
arXiv
Endoscopic navigation중급

ColoACT: 자체 추진 내시경 로봇의 대장 자율 주행용 멀티 큐 액션 청킹

Jian Hu, Shujing He, Leixin Chang, Zongze Li, Ding Huang, Chaoyang Shi, Chengzhi Hu

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.

RL
논문 전문 읽기 (PDF)

주제별 논문

매니퓰레이션 8VLA 4World Action Models 5World-action model 3Aerial manipulation 3Dexterous manipulation 3Sim-to-Real Manipulation 3Social Navigation 3

논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.