'불완전한' 로봇 데이터로 정밀 조작 성능 끌어올리기

밀리미터 이하 수준의 정밀도가 필요한 로봇 조작 작업을 학습시키려면 보통 원격조작(텔레오퍼레이션)을 통해 신중하게 수집한 대량의 작업별 시연 데이터가 필요합니다. 이는 시간이 오래 걸리고 비용도 많이 드는 과정입니다. arXiv(cs.RO)에 게재된 새 논문에 따르면, 연구진은 원래라면 버려질 데이터를 활용해 이러한 비용 부담을 줄이는 방법을 제안했습니다.

연구진이 제안한 방법인 'ε4P(Imperfection for Precision, 정밀도를 위한 불완전함)'는 시각·언어 정보와 명령어를 바탕으로 로봇 행동을 직접 산출하는 시각-언어-행동(VLA) 모델을 대상으로 합니다. 목표 작업에 대한 완벽한 고품질 시연 데이터에만 의존하는 대신, ε4P는 두 가지 '불완전한' 데이터 소스를 재활용합니다. 하나는 목표 작업 자체를 기록했지만 정밀도가 낮은 데이터이고, 다른 하나는 목표 작업과는 다른 작업이지만 정밀도가 높은 데이터입니다.

핵심은 이 두 불완전한 데이터를 단순히 섞어서 학습시키는 것이 아니라는 점입니다. ε4P는 노이즈를 점진적으로 제거하며 행동 궤적을 생성하는 생성 모델링 기법인 '플로우 매칭(flow-matching)'을 기반으로 하며, 노이즈 제거 과정의 각 단계마다 어떤 데이터 소스를 사용할지 구분해서 제어합니다. 노이즈가 높은 단계에서는 정밀도는 낮지만 목표 작업 자체를 담은 데이터를 사용해 작업의 전반적인 맥락을 유지하고, 노이즈가 낮은 단계에서는 비록 다른 작업에서 온 것이라도 정밀도가 높은 데이터를 사용해 세밀한 행동 정밀도를 전달합니다.

연구진은 밀리미터 이하 수준의 고정밀 작업과 상대적으로 거친(coarse-grained) 작업 양쪽에서 실제 로봇 실험을 진행했습니다. 그 결과 두 가지가 두드러졌습니다. 첫째, 이러한 불완전한 데이터를 추가로 활용했을 때 정책 성능이 최대 31.7퍼센트포인트까지 향상됐습니다. 둘째, 실용적인 관점에서 더 주목할 만한 결과로, 비용이 많이 드는 작업 전용 고품질 데이터를 동일한 분량만큼 ε4P가 대체했을 때 평균 성능 저하는 4.2퍼센트포인트에 그쳤습니다. 이는 정밀도 확보를 위한 값비싼 데이터 수집의 상당 부분을 줄일 수 있음을 시사합니다.

연구진은 ε4P를 정밀 조작을 위한 확장 가능한 새로운 패러다임을 향한 하나의 단계로 소개합니다. 다양한 이질적이고 불완전한 데이터를 버리는 대신, 그 데이터가 '작업 맥락 전달'에 적합한지 '행동 정밀도 전달'에 적합한지에 따라 학습 파이프라인의 서로 다른 단계에 체계적으로 배치하는 방식입니다. 이 접근법이 더 다양한 작업과 로봇 플랫폼에서도 일반화된다면, 고정밀 조작 정책 개발과 배포 속도를 제한해온 데이터 수집의 진입 장벽을 실질적으로 낮출 수 있을 것으로 보입니다.

이번 논문은 저자 웨이 하오(Wei Hao)가 제출한 9쪽 분량, 그림 5개로 구성된 연구로, arXiv 게재 목록에 연결된 프로젝트 페이지에서 추가 정보를 확인할 수 있다고 밝히고 있습니다. 최근 다른 VLA 관련 연구들과 마찬가지로, 이 방법이 실제로 얼마나 영향력을 가질지는 여기서 검증된 환경을 넘어 더 복잡한 작업, 더 긴 시간축, 다양한 로봇 형태로도 잘 확장되는지에 달려 있습니다.