크로스BFM, 휴머노이드 공통 잠재 공간 구축

요약

출처: arXiv cs.RO · 2026년 9월 30일 공개

보도에 따르면, 연구진은 동작 기반 모델(BFM)의 두 가지 한계인 높은 계산 비용과 로봇 간 이전 불가능성을 해결하기 위해 크로스BFM을 제안했습니다. 기존의 포워드-백워드 표현은 단일 로봇 학습에 수백 GPU-시간이 소요되며, 생성된 잠재 공간은 해당 로봇에 특화되어 다른 로봇과 공유할 수 없습니다. 크로스BFM은 잠재 공간을 이전 가능한 자산으로 취급합니다. 로봇별 매개변수가 없는 통합 인코더 아키텍처를 제안하여, 모든 학습 대상 로봇의 동작 공간을 동시에 1 GPU-시간 미만으로 증류합니다. 이후 잠재 조건 추적기가 증류된 잠재 변수를 전체 몸체 제어 신호로 변환하며, 이 과정은 PPO(Proximal Policy Optimization) 학습 방식으로 추가 10 GPU-시간이 소요됩니다.

연구진은 세 가지 증류된 휴머노이드 로봇에서 세 가지 프롬프팅 모드 모두 이전이 성공했다고 보고했습니다. 동작 추적은 관절 조건 방식 대비 0.025 rad의 손실만 보였으며, 자세 간 목표 도달은 낙하 없이 매끄럽게 수행되었습니다. 41개의 보상 프롬프트에 대한 보상 최적화도 처리했습니다. 추가 실험에서 운동 코퍼스의 4분의 1만 사용하여 인코더를 회귀해도 추적 성능의 5%만 손실된다고 보고했습니다. 또한 로봇 부분 집합으로 인코더를 학습하고 미확인 로봇에서 평가할 때, 확인된 로봇의 추적 성능의 최대 89%를 회복하여 형태적으로 유사한 로봇 간 일반화 능력을 보여주었습니다. 연구진은 세 가지 프롬프팅 모드 및 플로우 기반 생성 잠재 변수를 포함하여 실제 로봇에서 파이프라인을 검증했습니다.

의의

이 연구는 휴머노이드 로봇 분야에서 중요한 병목 현상을 해결합니다. 이전에 한 로봇에서 학습한 정책은 다른 로봇에 적용하기 어려워 중복된 계산 노력이 발생했습니다. 크로스BFM은 공유 잠재 공간을 통해 하드웨어에 종속되지 않는 범용 로봇 스킬을 만드는 더 넓은 목표와 부합합니다. 이 접근법은 확립된 포워드-백워드 표현을 기반으로 하되, 로봇별 매개변수를 제거하여 더 효율적이고 확장 가능한 휴머노이드 제어 경로를 제시합니다.

로봇의 해석

크로스BFM의 주요 강점은 학습 시간의 획기적 감소로, 이는 여러 로봇에 대한 정책 반복을 가능하게 합니다. 미확인 로봇으로의 기술 이전은 일반화 능력에 대한 유망한 단계입니다. 그러나 평가는 세 가지 휴머노이드와 형태적으로 유사한 로봇으로 제한되어 있어, 현저히 다른 형태에 대한 확장성은 아직 확인되지 않았습니다. 최종 추적 단계에서 PPO에 대한 의존성은 하이퍼파라미터 튜닝에 대한 민감도를 유발할 수 있습니다. 이 방법이 완전히 설득력 있으려면 더 다양한 로봇 형태와 더 복잡하고 동적인 환경에서의 견고성을 입증해야 합니다.