PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.10206v1cs.RO

멀티모달 모방을 위한 개입 가능한 소스-리프팅 플로우 매칭

Source-Lifted Flow Matching for Intervenable Multimodal Imitation

플로우 매칭(flow-matching) 정책은 복잡한 멀티모달 행동 분포를 모델링하기 때문에 모방 학습(imitation learning)에 유망하다. 그러나 이 정책의 확률성은 대체로 수동적이다. 반복 샘플링으로 다양한 행동을 생성할 수 있지만, 사용자가 동일한 상태에서 유효한 연속 행동들 중 하나를 직접 선택하는 것은 불가능하다. 본 논문에서는 소스-리프팅 플로우 매칭(Source-Lifted Flow Matching, SL-FM)을 제안한다. SL-FM은 속도 필드를 공유하고 잠재 변수 없이 유지하면서도 이러한 제어 핸들을 제공하는 소스 개입 가능한 플로우 매칭 정책이다. 이 핸들은 모드별 필드가 아닌 조건부 플로우의 소스 끝점만을 선택하므로, 별도의 모드 조건 동역학으로 분해하지 않으면서도 표준 공식을 유지한다. 핵심 메커니즘은 경로 교차 모호성을 방지하도록 설계된 직교 소스 리프팅(Orthogonal Source Lifting)이다. SL-FM은 목표 행동을 모드별로 분할하는 대신, 핸들별 소스를 보조 직교 좌표계로 리프팅하고 목표는 원래 행동 부분 공간에 유지한다. 이를 통해 시연된 행동 분포를 보존하면서도 하나의 공유 필드가 교차점에서 합쳐지지 않고 서로 다른 분기를 운반할 수 있다. 핸들이 여러 상태에 걸쳐 사용 가능하도록, 상태 의존적 소스 혼합을 엔드투엔드로 학습하고 책임 하한(responsibility floor)을 적용하여 각 핸들에 약한 지도 신호를 부여하고 죽은 모드(dead modes)를 완화한다. 교차 플로우 진단 및 로봇 제어 벤치마크 실험에서 SL-FM은 수동적인 소스 무작위성을 실행 가능한 개입 변수로 전환함을 보여준다. SL-FM은 교차로 인한 복합 궤적을 제거하고, 접두 문맥이 일치하는 개입의 91.1%에서 미래 경로를 변경하며, 여러 벤치마크 설정에서 개선된 성능을 포함해 강력한 자유 배포 성능을 달성한다. 종합하면, 소스 기하학은 속도 필드를 선택된 모드에 조건화하지 않고도 실행 가능한 멀티모달 제어를 제공한다.

arXiv:2503.08394v5cs.NE

($θ_l, θ_u$)-파라메트릭 다중 작업 최적화: 해 공간과 무한 작업 공간에서의 결합 탐색

($θ_l, θ_u$)-Parametric Multi-Task Optimization: Joint Search in Solution and Infinite Task Spaces

파라메트릭 다중 작업 최적화(PMTO) 프레임워크를 제안하며, 고정된 유한 작업 집합 대신 연속적·무한한 파라미터화된 작업 공간에서 해(solution)와 작업 공간을 동시에 탐색한다. 오프라인 모드에서 가우시안 프로세스 기반 근사 모델로 작업 간 지식 전이를 통해 수렴을 가속화하고, 온라인 모드에서는 학습된 모델로 새로운 작업의 최적해를 즉시 예측하며, 로봇 컨트롤러 재구성 및 강건한 공학 설계 등 실세계 문제에서 유효성을 검증하였다.