PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.21867v1cs.AI

학습된 명령 어댑터는 언제 가치가 있는가? 동결된 이동 정책의 폐루프 식별 및 반사실 감사

When Is a Learned Command Adapter Worth It? Closed-Loop Identification and Counterfactual Auditing of Frozen Locomotion Policies

동결된 명령 조건 이동 정책에 학습된 어댑터를 추가하는 것은, 인터페이스가 실제이면서 배포 시점 관측으로부터 회수 가능한 개선을 드러낼 때에만 가치가 있다. 우리는 전역 운영점 이득, 동일 상태 반사실적 여유(headroom), 교차 적합(cross-fitted) 고정 행동 대비 배포 이득, 주파수 매칭 무작위 정책 대비 상태 할당 이득을 분리하는 어댑터 필요성 감사를 도입한다. 소스 클러스터 학습자 재적합(refits)은 이러한 양과 제약 위반을 GO/NO-GO/ABSTAIN 결정에 매핑한다. 폐루프 명령-응답 식별은 선택적 결정 특징을 제공한다. Go2에서, 보관된 scale-접두 문맥 진단은 5.2%의 동일 상태 여유를 찾지만 회수된 할당 이득은 0.55%에 불과하다. 확인 감사는 200회 전체 학습자 재적합을 사용하여, 직접 제어, VGCC, MPC에 의해 유도된 세 가지 쿼리 분포 각각에 대해 20개의 독립 클러스터에서 direct, scale, heading, yaw 개입을 평가한다. 1% 배포 및 할당 임계값과 5% 위반 허용치에서, 직접 쿼리는 NO-GO를 반환하고 VGCC 및 MPC 쿼리는 ABSTAIN을 반환한다. VGCC는 평균 배포 이득이 가장 크지만(1.34%), 할당 하한은 0.09%이고 위반 상한은 6.25%이다. 배포 대표적인 20클러스터 H1 감사도 NO-GO를 반환하는 반면, 학습자 수준 합성 대조(synthetic control)는 GO를 반환한다. 따라서 이 감사는 어댑터가 가치 있다고 가정하는 대신, 관측 가능한 신호가 상태 의존적 적응을 정당화하는지를 검증한다.

arXiv:2607.13579v1cs.RO

야외 환경에서 사족보행 로봇을 위한 민첩한 인지 기반 다중 기술 보행

Agile perceptive multi-skill locomotion for quadrupedal robots in the wild

사족보행 로봇이 험준한 야외 환경부터 도시 풍경에 이르는 복잡한 지형을 횡단하게 하려면, 여러 운동 기술의 원활한 통합, 보행 패턴(gait) 간의 매끄러운 전환, 그리고 온보드 센서만을 이용한 고속 인지 기반 보행이 필요하다. 우리는 APT-RL(Action Pretrained Transformer-based Reinforcement Learning)을 제안한다. 이는 온보드 지각과 연산만을 활용한 자율적 기술 전환을 통해 복잡한 환경에서 고속 횡단을 달성하는 다중 기술 보행을 가능하게 하는 통합 프레임워크이다. 우리의 접근법은 단순화된 동역학을 이용한 궤적 최적화를 통해 대규모의 특징 풍부 2D 동작 데이터셋을 생성한다. 이 데이터셋은 복잡하고 고르지 않은 지형에서 작동하는 실제 사족보행 로봇으로 효과적으로 전이되는 다양하고 재사용 가능한 보행 기술의 학습을 가능하게 한다. 그 결과 얻어진 고품질 기술은 복잡한 하류 작업의 효율적 학습을 위한 강력한 사전(prior)으로 작용하며, 3D 환경으로 자연스럽게 확장되어 배포된 정책에서 매끄럽고 고속의 다중 기술 보행을 가능하게 한다. 실세계 실험은 이 프레임워크의 능력을 입증한다. 로봇은 복잡한 실내 장애물과 야외 자연 환경에서 민첩한 기동을 수행하며, 순간 최고 속도 최대 6m/s에 달하는 동적 낙하(drop-down) 기동을 포함한다. 단일 온보드 정책은 계단, 허들, 징검다리, 틈, 쓰러진 가지 등 다양한 장애물을 견고하게 횡단할 수 있게 하며, 우리 접근법의 다재다능함과 효과를 보여준다.

arXiv:2607.12114v1cs.RO

GaitSpan: 보행에서 달리기로 확장되는 휴머노이드 이동

GaitSpan: Growing Humanoid Locomotion from Walking to Running

보행할 수 있는 휴머노이드가 조깅이나 달리기를 위해 이동 능력을 처음부터 다시 학습할 필요는 없다. 그러나 현재 접근법들은 종종 보행 일정을 규정하거나, 동작 클립을 모방하거나, 전문가들을 학습시켜 전환하거나, 여러 기술을 하나의 정책으로 증류하는 방식으로 보행 다양성을 얻는다. 이러한 전략은 인상적인 행동을 만들어낼 수 있지만, 연속적인 속도 명령, 지형, 형태에 걸친 유연성은 제한적이다. 우리는 사전학습된 기본 보행 정책을 더 빠른 이동으로 확장하는 프레임워크인 GaitSpan을 통해 기술 성장(skill growth)을 연구한다. GaitSpan은 보행을 시드 기술(seed skill)로 취급한다. 즉, 균형, 지지, 신체 조율, 접촉 전환을 위한 재사용 가능한 운동 구조로서, 새로운 리듬에서 재생성되고, 더 길고 높은 보폭으로 확장되며, 잔차 적응(residual adaptation)으로 보정될 수 있다. 이 확장은 세 가지 측면으로 구성된다. 1) 리듬 생성(rhythm generation)은 여러 내부 클럭으로 고정된 보행 정책을 변조하고, 그 결과로 나온 표준 동작(canonical actions)의 명령 조건화 조합을 학습한다. 2) 보폭 형성(stride shaping)은 스프링-로드 반전 진자(spring-loaded inverted pendulum) 동역학에서 영감을 받은 물리적으로 근거 있는 목표함수를 사용하여, 더 높은 명령 속도에 적합한 동적 이동 패턴에 보상을 부여한다. 3) 잔차 적응은 리듬 생성이나 보폭 형성으로 설명되지 않는 동작 세부를 포착한다. GaitSpan은 보행, 조깅, 달리기와 유사한 영역을 포괄하는 연속 속도 범위에 걸쳐 단일 명령 조건화 휴머노이드 정책을 제공하는 최초의 방법으로, 형태 간 전이가 가능하고, 보지 못한 sim-to-sim 및 실제 지형에 제로샷(zero-shot)으로 배치된다. 다중 전문가(multi-experts)로 학습하거나 인간 모방으로 학습한 베이스라인과 비교했을 때, 더 빠르게 학습하고 더 강한 보행 성능을 달성한다.