새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
Reliable real-time failure detection is critical for deploying learned robotic policies, yet defining failures explicitly is infeasible in open-world settings. This motivates failure detection from nominal demonstrations alone.
Scaling robot manipulation policies requires large amounts of diverse, action-labeled data, yet collecting such data in the real world remains expensive and difficult to scale. Existing methods either depend on human teleoperation, rely on simulation with limited visual realism, or use human videos that lack embodiment-specific annotations.
Automating biological laboratories requires robots to perform dexterous tool interactions under realistic visual conditions while handling dynamic experimental phenomena, presenting significant challenges for robotic manipulation. To enable systematic evaluation under these conditions, we introduce AutoBio+, a simulation benchmark and framework for dexterous manipulation in realistic biological laboratory environments.
World-action models (WAMs) predict a robot's actions together with the observations those actions will produce. However, the strongest models rely on video diffusion transformers that are far too computationally expensive for resource-constrained edge devices.
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.
This paper presents a dual-quadrotor hook- suspended transport system for cooperative aerial manipulation of a payload that is not rigidly attached to a fixed point along the cable. Two quadrotors are connected by a single inextensible cable that passes through a frictionless hook mounted on the payload, allowing the cable to slide between its two segments.
The NIST Assembly Task Board #1 remains a challenging benchmark for learning-based methods in robotic manipulation. Over short horizons, it demands precise, contact-rich control of small, tight-fitting parts.
Autoregressive robot policies rely on action tokenizers to convert continuous action chunks into compact sequences of discrete prediction targets. Existing tokenizers can reconstruct action chunks from discrete codes, but often leave implicit what each individual token contributes to the reconstructed action.
Collecting dexterous manipulation demonstrations for each robot hand requires repeated task-specific data acquisition. We ask whether one shared corpus of natural human demonstrations can instead serve as a reusable data interface for different dexterous hands, without collecting task demonstrations on each target robot.
Action-conditioned world models offer a promising foundation for generalist robotic intelligence by predicting the consequences of actions. However, existing robotic datasets provide limited coverage of the diverse interaction dynamics required for generalizable world modeling.
World Action Models (WAMs) inherit powerful priors from pretrained video generation models, but their variational autoencoder (VAE) representations are optimized for visual reconstruction rather than manipulation. External visual representations can improve manipulation, but existing methods couple representation choices with different integration mechanisms, obscuring their individual effects.
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.
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.
DynaHarness는 시맨틱 추론과 물리 실행을 하나의 실행 계약으로 묶고 실패 증거를 재사용 가능한 능력 수정으로 바꾸는 동적 물리 하네스다. LIBERO-Pro의 새 초기 상태 800개에서 75.2%를 기록해 같은 냉동 π0.5 정책의 17.5%보다 57.8%포인트 높았다. arXiv 프리프린트로 공개됐으며, 물리 거버넌스와 자기 진화를 결합했다는 점에서 냉동 로봇 정책 배치에 중요하다.
Dream4ACT는 목표 관절 구성을 네 대의 고정 가상 카메라로 렌더링한 'action views'를 공용 행동 표현으로 쓰는 비디오 행동 세계 모델이다. arXiv 프리프린트이며 동료 심사 기록은 확인되지 않았다. RoboTwin 2.0에서 평균 성공률 88.98%, TriWorldBench에서 전체 점수 65.66을 기록했고, 공동 학습 체크포인트 하나로 시뮬레이션 로봇 5종과 실물 로봇 4종을 제어했다. 관절 구조가 다른 로봇에서 학습된 행동 디코더 없이 실행 가능한 관절 목표를 복원한 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.
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.
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.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.