[논문리뷰] Do You Need Proprioceptive States in Visuomotor Policies?

링크: 논문 PDF로 바로 열기

저자: Juntu Zhao, Wenbo Lu, Di Zhang, Yufeng Liu, Yushen Liang

핵심 연구 목표

본 연구는 로봇의 시각-운동 정책(visuomotor policies)에서 고유 수용성 상태(proprioceptive states)의 필요성을 재평가하고, 기존 상태 기반 정책이 학습 궤적에 과적합되어 공간 일반화 능력이 저해되는 문제를 해결하고자 합니다. 궁극적으로 고유 수용성 상태를 제거한 “State-free Policies”를 제안하여 실세계 로봇 애플리케이션의 실용성을 높이는 것이 목표입니다.

핵심 방법론

제안하는 State-free Policy는 고유 수용성 상태 입력을 완전히 제거하고, 오직 시각 관측에만 기반하여 행동을 예측합니다. 이를 위해 상대 End-Effector (EEF) 액션 공간을 사용하고, 듀얼 광각 손목 카메라를 통해 충분한 “전체 태스크 관련 시각 정보(full task observation)”를 확보합니다. 다양한 로봇 기종과 태스크(예: π0, ACT, Diffusion Policy 등)에서 실세계 환경 및 시뮬레이션을 통해 정책의 성능을 평가했습니다.

주요 결과

State-free Policy는 상태 기반 정책 대비 현저히 향상된 공간 일반화 능력을 보였습니다. Pick Pen 태스크의 경우, 높이 일반화 성공률은 0%에서 98%로, 수평 일반화는 0%에서 58%로 개선되었습니다. 다양한 실세계 태스크에서 평균 성공률이 높이 일반화는 0%에서 85%로, 수평 일반화는 6%에서 64%로 향상되었습니다. 또한, 데이터 효율성과 기종 간 적응 능력에서도 상당한 이점을 입증하였으며, 오버헤드 카메라 제거가 공간 일반화 능력을 추가적으로 향상시킬 수 있음도 발견했습니다.

AI 실무자를 위한 시사점

이 연구는 로봇 제어 정책의 공간 일반화 문제를 해결하는 실용적인 방법을 제시하며, 고유 수용성 상태 제거가 데이터 수집 비용 절감과 다양한 로봇 시스템으로의 전이 학습 효율 증대에 기여함을 보여줍니다. 듀얼 광각 손목 카메라와 같은 센서 구성은 태스크 관련 시각 정보를 충분히 제공하여 정책의 견고성을 높이며, 이는 더욱 일반화되고 유연한 로봇 시스템 개발에 중요한 방향을 제시합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.