새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
Long-horizon robotic manipulation is inherently composed of semantically meaningful sub-tasks. While Movement Primitives (MPs) can model these components, their composition typically relies on manual engineering or sample-inefficient reinforcement learning.
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.
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.
홍콩중문대 연구진이 arXiv에 공개한 프리프린트에서 작업공간 등변성을 갖는 시각 촉각 확산 정책 VISTA를 제안했다. VISTA는 손목 카메라와 촉각 센서 입력을 구면 토큰으로 투영하고 촉각 정보를 시각 방향에 융합한 뒤 로봇 말단 자세로 회전시켜 확산 정책을 조건화한다. 시뮬레이션 8개 과제에서 과제당 50개 시연만으로 평균 성공률 80.9%를 기록해 EquiDiff+Tac보다 15.9%포인트 높았고, 실물 로봇 3개 과제에서도 평균 7.33/10회 성공했다.
이 arXiv 프리프린트는 사람 손 궤적의 서브무브먼트 분해가 신뢰할 수 있는지를 판별하는 시공간 커널 상관 기준을 제안하고, 이를 적응형 릿지 정규화에 반영한 Sub-ID를 소개한다. 합성 데이터 K=3,8,15에서 기존 Gowda, Scattershot, SSSUMO보다 지속 시간, 진폭, 개수, 불응기 분포를 정확히 복원했고, K=15에서 위치 RMSE 0.012 m를 기록했다. 저자들은 실제 3차원 장기 동작에서도 서브무브먼트를 추출했다고 밝혔으며, 과도한 중첩 구간에서는 거짓 해 대신 식별 불가능성을 드러낸다.
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.
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.
While contact-rich manipulation requires deliberate regulation of interaction forces, recent approaches to robot manipulation learning predominantly represent actions as target positions or poses. Even methods that incorporate force sensing either use it solely as an observation or, when predicting forces as part of the output, rely on a hybrid force controller.
Co-training a VLA on heterogeneous data (multi-robot, web, high-level subtask labels) lets a mobile manipulator clean unseen homes end-to-end.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.