PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.27599v2cs.AI

월드 액션 플래너: 행동 조건부 월드 모델을 활용한 일반화 가능한 로봇 의사결정

World Action Planner: Generalizable Robot Decision-Making with Action-Conditioned World Models

다양한 응용 분야를 위한 일반화 가능한 로봇 에이전트(agent)를 구축하는 것은 여전히 근본적인 과제로 남아 있습니다. 모방 학습(imitation learning) 기반 정책은 친숙한 학습(training) 환경에서는 우수한 성능을 보일 수 있지만, 새로운 장면, 배치, 태스크 구성에 대해서는 일반화하는 데 어려움을 겪는 경우가 많습니다. 이를 위해 본 논문에서는 에이전트가 행동 조건부 월드 모델(action-conditioned world model)을 통한 상상을 거쳐 실행 가능한 행동 계획을 탐색하고 구성하는 에이전틱 로봇 계획 시스템인 World Action Planner를 제안합니다. 이 탐색은 대략적인 단계에서 세부적인 단계(coarse-to-fine)로 진행됩니다. 먼저 에이전트는 상상된 월드 모델 롤아웃(rollout)을 바탕으로 추론하여 잠재적 실패를 식별하고 제안된 행동 계획을 개선함으로써 전역적 행동 최적화(global action optimization)를 수행합니다. 그런 다음 로컬 행동 탐색을 수행하여 인접한 후보들의 상상된 미래 결과를 비교함으로써 실행할 최적의 행동을 선택합니다. 구성적 장기(long-horizon) 태스크, 새로운 객체 배치, 그리고 전문가 시연이 없는 새로운 태스크에 대한 실제 로봇 계획 전반에 걸쳐, World Action Planner는 최신 엔드투엔드 범용 정책 모델 및 VLM 플래너보다 지속적으로 우수한 성능을 보여주며 일반화 가능한 로봇 의사결정을 위한 월드 모델 기반 행동 탐색의 효과를 입증합니다. 정성적 결과와 비디오는 https://worldactionplanner.github.io/ 에서 확인할 수 있습니다.