PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.28323v1cs.RO

DexCompose: 단일 손으로 다중 과제 조작을 위한 정교한 조작 정책 재사용

DexCompose: Reusing Dexterous Policies for Multi-Task Manipulation with a Single Hand

정교한 조작 정책은 개별 기술을 해결할 수 있지만, 단일 손으로 여러 과제를 수행하기 위해 이를 구성하는 것은 여전히 어렵다. 기존 조작 기술 위에 새 과제를 추가하면 겹치는 손가락과 접촉 모드(contact mode)에 상충하는 요구가 자주 생겨, 기존 조작 결과를 유지하는 것과 새 결과를 실행하는 것 사이에 파괴적 간섭(destructive interference)이 발생한다. 우리는 DexCompose를 제안한다. 이는 명시적 손가락 수준 행동 소유(action ownership)를 통해 사전학습(pre-trained)된 정교한 조작 정책을 다중 과제 조작에 재사용하는 역할 인식(role-aware) 잔차(residual) 구성(composition) 프레임워크이다. 두 개의 사전학습된 전체 손(full-hand) 정책이 주어지면, DexCompose는 먼저 첫 번째 기술에서 성공적인 과제 후(post-task) 상태를 수집하고, 후보 손가락 마스크(finger mask)에 대해 해제(release) 테스트를 수행하여 확립된 기술 상태를 유지하는 데 필요한 손가락을 식별한다. 그다음 두 개의 비대칭 잔차 모듈을 학습한다: 과제 보존을 위한 경계가 있는(bounded) 잔차 안정화기(stabilizer), 그리고 동결(frozen)된 하류(downstream) 정책을 새 과제에 할당된 행동 부분공간(action subspace) 내에서만 적응시키는 컨텍스트 인식(context-aware) 잔차. 프레임워크를 4개의 물체 유지(object-retention) 기술과 4개의 하류 상호작용을 아우르는 16개의 복합 정교한 조작 과제에서 평가한다. DexCompose는 평균 77.4%의 복합 성공률을 달성하며, 이중 잔차(dual residual)를 갖춘 구조적 행동 소유가 기존 정책 연결(policy chaining)을 넘어 정교한 기술을 구성하는 유망한 방향을 제시함을 보여준다.