PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.00939v3cs.RO

충돌 없는 모션을 조작 행동으로 연쇄하기 위한 상수 시간 계획

Constant-Time Planning for Chaining Collision-free Motion to Manipulation Behaviors

접촉이 빈번한 로봇 조작(manipulation) 분야에서 최근 괄목할 만한 발전이 있었으나, 실제로 배치된 대부분의 시스템은 여전히 단순하고 정해진 스크립트 기반 루틴에 머물러 있습니다. 주요 장애물 중 하나는 안전성, 효율성 및 신뢰성을 검증 가능하게 보장하는 모션 계획(motion planning) 알고리즘이 부족하다는 점입니다. 상수 시간 모션 계획(CTMP)은 사전 정의된 환경에서 충돌 없는 모션에 대해 이러한 보장을 제공하기 위한 최근의 시도입니다. 즉, 전처리 단계를 통해 사용자가 지정한 고정된 시간 예산(예: 10밀리초) 내에 질의에 응답할 수 있도록 합니다. 그러나 CTMP는 도달 가능성(이진 술어)만을 인증할 뿐, 작업을 완료하는 조작 행동은 무시합니다. 이러한 조작 행동은 점차 확률적(예: 학습된 스킬)으로 변하고 있으며, 오프라인 롤아웃(rollout) 한 번만으로는 그 성공 여부를 입증하기는커녕 인증조차 할 수 없습니다. 본 연구에서는 반정형 환경에서 2단계 조작 작업(행동 개시 상태까지의 충돌 없는 모션 후 파지나 삽입과 같은 행동 실행)으로 CTMP를 확장한 행동 상수 시간 모션 플래너(B-CTMP)를 소개합니다. B-CTMP는 기존 CTMP와 두 가지 측면에서 다릅니다. 이웃 영역(neighborhood)을 로봇 구성 공간(configuration space)이 아닌 물체 포즈 공간에서 구성하며, 커버리지는 도달 가능성 검사 대신 통계적 인증을 통해 확립됩니다. 반복된 롤아웃을 통해 성공률의 하한이 사용자가 지정한 임계값 이상인 경우에만 계획이 캐시되며, 본 논문에서는 이러한 경계가 지정된 신뢰 수준에서 전체 캐시에 걸쳐 동시에 성립함을 증명합니다. 결정론적 행동의 경우 단일 롤아웃으로 충분하여 기존 CTMP의 이진 검사를 특수한 경우로 포함하게 됩니다. 시뮬레이션 및 실제 로봇 환경에서 선반 집기, 플러그 삽입, 휠 교체의 세 가지 조작 작업에 대해 B-CTMP를 평가했습니다. B-CTMP의 인증된 계획은 베이스라인이 행동 실행 중 실패하는 상황에서도 일관되게 성공하며, 실행 불가능한 물체 포즈를 상수 시간 내에 기각합니다.

arXiv:2606.17054v1cs.RO

인간 보편 파지

Human Universal Grasping

인간은 물체를 손쉽게 파지할 수 있지만, 다지 로봇(multi-fingered robots)은 이러한 일반성 수준에 훨씬 미치지 못합니다. 우리는 로봇 파지 데이터의 가장 자연스러운 출처가 매일 수천 개의 물체를 집어 드는 인간이라고 주장합니다. 우리는 스테레오 카메라로 캡처한 단일 RGB-D 이미지에서 사용자가 지정한 모든 물체에 대해 다양한 인간 파지를 생성하는 플로우 매칭(flow-matching) 모델인 HUG를 제안합니다. 스마트 글래스를 사용하여 우리는 먼저 41개 건물에 걸쳐 100만 프레임(27.8시간)과 6,707개의 물체 인스턴스를 포괄하는 인간 파지의 에고센트릭(egocentric) 데이터셋인 1M-HUGs를 수집했습니다. 다음으로, 자연스러운 인간 파지의 분포를 모델링하기 위해 우리의 새로운 플로우 매칭 모델은 RGB와 깊이 관측값을 융합하여 손목 이동(wrist translation), 손목 회전(wrist rotation), MANO 손 포즈(hand pose)로 매개변수화된 파지를 출력합니다. 예측된 파지는 다양한 로봇 손으로 리타겟팅(retargeting)될 수 있으며, 일상적인 장면에서 제로샷 파지(zero-shot grasping)를 가능하게 합니다. 평가를 표준화하기 위해 우리는 5개의 기하학적 범주와 다양한 크기의 90개의 새로운(unseen) 물체로 구성된 실제 축적(metric-scale) 3D 메쉬를 포함하는 새로운 시뮬레이션 벤치마크인 HUG-Bench를 구축했습니다. 우리는 여러 스테레오 카메라, 로봇 구현체(robot embodiments), 가정 환경에 걸쳐 HUG-Bench의 30개 물체 테스트 세트에서 실제 환경으로 HUG를 평가했습니다. HUG는 우리의 도전적인 물체 세트에서 최신 수준(state-of-the-art)의 파지 기준선(baselines)보다 각각 +23% 및 +34% 더 높은 성능을 보였습니다. 코드, 데이터, 벤치마크, 체크포인트, 그리고 대화형 데모는 우리 웹사이트에 공개되어 있습니다: https://grasping.io/

arXiv:2606.12910v1cs.RO

바운딩 박스를 목표로: 신경-기호 계획을 통한 언어 조건부 파지

Bounding Boxes as Goals: Language-Conditioned Grasping via Neuro-Symbolic Planning

자연어 프롬프트에 실시간으로 적응하는 로봇을 위해 사전학습된 VLM을 활용해 자연어 쿼리를 신경-기호적(neuro-symbolic) 목표 상태로 변환하고 바운딩 박스 감지를 통해 물리적 세계에 연결하는 GRASP 프레임워크를 제안합니다. 이 방법은 추가적인 파인튜닝 없이 추상적인 공간 개념을 해석하여 90번의 실제 로봇 시도에서 73.3%의 성공률을 달성했습니다.