Fresh research. Original abstracts preserved.
이 논문은 모델의 감각 표현을 말단 작동기 궤적으로 나타낸 물리적 운동의 기하학과 비교하는, 학습이 필요 없는 오프라인 지표인 감각운동 정렬(S²)을 제안한다. 12개의 비전-언어-행동 모델에서 S²는 후속 로봇 작업의 성공률과 양의 상관관계를 보인다. 저자들은 이를 미세 조정이나 비용이 많이 드는 폐루프 평가에 앞서 모델의 우선순위를 정하고 유망한 비전-언어 백본을 식별하는 저비용 방법으로 제시한다.
SCOPE는 로봇용 다양하고 실행 가능한 작업 및 동작 계획 데이터셋을 생성하는 자동화 프레임워크입니다. 계획 실행 실패를 활용해 장면 그래프의 논리적 불일치를 수정함으로써 계획의 물리적 실행 가능성을 확보하는 것을 목표로 합니다. 실험에서 SCOPE로 생성한 데이터는 DELTA 생성 데이터로 학습한 모델에 비해 미세 조정된 후속 TAMP 모델의 성공률을 절대값 기준 12.33% 향상시켰습니다.
이 논문은 제어의 수학적 추상화에 기반해 절차적으로 생성한 데이터만으로, 사전 학습 중 실제 로봇 행동을 보지 않은 Transformer가 유용한 로봇 행동 사전분포를 학습할 수 있는지 시험한다. 모델은 인컨텍스트 학습을 통해 접해 보지 않은 실제 로봇 작업에서 무시할 수 없는 수준의 제로샷 행동 예측 성능을 보인다. 특화된 제어 사전분포는 일반적인 인과 사전분포보다 뛰어나다. 연산량을 맞춰 실제 로봇 데이터로 학습한 모델은 학습 중 접한 데이터셋에서만 더 나은 성능을 보인다.
Verified published records only; coverage is not a census. arXiv preprints may not be peer reviewed. Official code is linked only after verification.
