로봇 행동 생성, 한 번의 연산으로 끝낸다는 새 연구

카메라 영상과 센서 데이터를 곧바로 로봇의 동작으로 변환하는 이른바 '시각-운동 정책(visuomotor policy)' 학습에서는 최근 확산 모델(diffusion)과 흐름 매칭(flow matching) 기법이 널리 쓰이고 있습니다. 이런 모델들은 한 가지 작업을 수행하는 다양한 방식을 폭넓게 포착할 수 있다는 장점이 있지만, 실제로 동작 시퀀스 하나를 만들어내려면 보통 수십 번의 미세한 수치 적분 단계를 거쳐야 합니다. 이 과정이 시간을 잡아먹다 보니, 빠른 제어 주기가 필요한 로봇 응용에서는 병목이 되곤 했습니다.

Syed Talha Bukhari를 포함한 연구팀이 arXiv에 공개한 논문은 이 문제에 대한 해법으로 '리만 평균흐름 정책(Riemannian MeanFlow Policy, RMFP)'을 제시합니다. 벡터장을 따라 한 걸음씩 적분해 나가는 대신, 출발점에서 완성된 동작 시퀀스까지 곧바로 연결하는 '흐름 지도(flow map)'를 한 번에 학습하는 방식입니다. 여기서 중요한 점은, 로봇의 관절 각도나 방향 값처럼 실제 동작 변수들이 평평한 좌표 공간이 아니라 매끄럽게 휘어진 수학적 곡면, 즉 '다양체(manifold)' 위에 놓여 있다는 사실을 그대로 반영한다는 것입니다. 이런 곡률을 무시하면 물리적으로 부자연스럽거나 잘못된 동작이 나올 수 있습니다.

연구팀은 이 한 걸음 생성 방식을 안정적으로 학습시키기 위해 '흐름 지도 일관성 목적함수(flow map consistency objective)'라는 학습 기법을 설계했고, 이를 '리만 조건부 흐름 매칭(Riemannian Conditional Flow Matching)'이라는 기준점에 고정시켰습니다. 쉽게 말해, 지름길로 학습된 모델이라도 여러 단계를 거친 원래 확산 과정과 동일한 데이터 분포를 따르도록 강제하면서도, 기존의 빠른 샘플링 기법들이 흔히 겪던 학습 불안정 문제는 피하도록 설계했다는 것입니다. 논문에 따르면 그 결과 추론 시 신경망을 단 한 번만 실행해도 다양체 구조를 지킨 동작 시퀀스를 생성할 수 있다고 합니다.

연구팀은 구형 LASA 데이터셋, Push-T 조작 벤치마크, Robomimic 스위트의 Tool Hang과 Transport 과제, 그리고 다양체 제약이 걸린 Franka Kitchen 과제 등 다양한 벤치마크에서 RMFP를 검증했습니다. 이 테스트들에서 RMFP는 기존 확산 모델 및 흐름 매칭 기반 정책들과 대등한 성능을 보였으며, 동작 시퀀스 하나를 생성하는 데 필요한 샘플링 단계 수는 훨씬 적었습니다.

시뮬레이션을 넘어 연구팀은 실제 로봇 조작 과제에도 RMFP를 적용했습니다. 이 실험에서는 센서 측정값이 불완전하거나 잡음이 섞인 상황에서도 빠른 동작 생성이 가능함을 보여주었는데, 이는 통제된 실험실 환경 밖에서 흔히 마주치는 조건이자 느린 다단계 정책이 실시간 요구를 따라가기 어려운 상황이기도 합니다.

논문은 RMFP가 기존 기법보다 과제 성공률 자체를 크게 뛰어넘는다고 주장하지는 않습니다. 대신 이 연구의 기여는 효율성에 있습니다. 즉 비슷한 결과를 훨씬 적은 연산 비용으로 얻어낸다는 점입니다. 동적 조작이나 즉각적인 반응이 필요한 과제처럼 제어 루프가 빠르게 돌아가야 하는 로봇 응용에서는, 정확도의 소폭 차이보다 추론 단계를 여러 번에서 한 번으로 줄이는 것이 더 중요할 수 있습니다. 이 연구는 arXiv에 'Faster Visuomotor Policy Learning on Action Manifolds via Riemannian MeanFlow'라는 제목의 프리프린트(arXiv:2609.30127)로 공개되어 있습니다.