💻 computer science

FLUX: Accelerating Cross-Embodiment Generative Navigation Policies via Rectified Flow and Static-to-Dynamic Learning

이 논문은 직선 궤적을 통해 추론 효율성을 극대화하고 정적에서 동적 환경으로의 커리큘럼 학습을 통해 다양한 로봇 플랫폼에서 제로샷 실전 이동을 가능하게 하는 FLUX라는 새로운 단일 내비게이션 정책을 제안하고, 이를 평가하기 위해 물리적으로 타당한 군중 시뮬레이션을 포함한 DynBench 벤치마크를 소개합니다.

원저자: Zeying Gong, Yangyi Zhong, Yiyi Ding, Tianshuai Hu, Guoyang Zhao, Lingdong Kong, Rong Li, Jiadi You, Junwei Liang

게시일 2026-03-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zeying Gong, Yangyi Zhong, Yiyi Ding, Tianshuai Hu, Guoyang Zhao, Lingdong Kong, Rong Li, Jiadi You, Junwei Liang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"FLUX"**라는 새로운 로봇 항법 (길 찾기) 기술을 소개합니다. 복잡한 전문 용어 대신, 일상적인 비유를 들어 쉽게 설명해 드리겠습니다.

🚀 핵심 아이디어: "FLUX"란 무엇인가요?

상상해 보세요. 로봇이 복잡한 사람들로 가득 찬 거리에서 목적지로 가야 한다고 칩시다. 기존 로봇들은 길을 찾을 때 두 가지 큰 문제를 겪었습니다.

너무 느려요: "어디로 가야 하지?"라고 고민하는 시간이 너무 길어 실시간으로 반응하지 못합니다. (마치 복잡한 수학 문제를 하나하나 풀어서 답을 찾는 것처럼요.)
유연하지 않아요: 정적인 환경 (사람이 없는 방) 에서는 잘 작동하지만, 사람이 움직이는 상황에서는 당황해서 부딪히거나 멈춰 섭니다.

FLUX는 이 두 문제를 동시에 해결하는 초고속, 초지능 길 찾기 시스템입니다.

🧩 1. "직선으로 가는 마법" (Rectified Flow)

기존의 AI 길 찾기 기술 (확산 모델) 은 길을 찾을 때 마치 구불구불한 산길을 따라 한 걸음씩 천천히 나아가는 것과 비슷합니다. "왼쪽으로 가볼까? 아님 오른쪽?"을 반복하며 정답에 가까워지는데, 이 과정이 너무 느립니다.

FLUX는 이 방식을 바꿉니다.

비유: 구불구불한 산길 대신, 목적지까지 쭉 뻗은 직선 고속도로를 만듭니다.
효과: 복잡한 계산을 반복할 필요 없이, 시작점과 끝점을 바로 연결하는 직선 경로를 그립니다. 덕분에 이론상 47% 더 빠르고, 실시간으로 반응할 수 있게 되었습니다.

🎓 2. "초등학교에서 대학원까지" (Static-to-Dynamic 학습)

FLUX 는 두 단계로 성장합니다.

1 단계 (초등학교 - 정적 학습): 먼저 사람이 없는 조용한 방에서 '기하학'을 배웁니다. "벽을 피하고, 목표 지점으로 직진하자"는 기본 원리를 익힙니다. (이것은 모방 학습입니다.)
2 단계 (대학원 - 동적 학습): 이제 사람들로 붐비는 거리로 나갑니다. 여기서 **강화 학습 (RL)**을 통해 "사람이 갑자기 튀어나오면 어떻게 피할지", "사람과 눈 마주치지 않고 자연스럽게 지나가는 법"을 배웁니다.

중요한 점: 이 과정을 거치면 신기하게도, 사람이 없는 정적인 환경에서의 실력도 함께 올라갑니다. 마치 복잡한 미로 찾기 (동적) 를 잘하게 되면, 단순한 미로 (정적) 도 더 잘 풀게 되는 것과 같습니다.

🤖 3. "모양은 달라도 똑똑한" (크로스-임보디먼트)

이 기술의 가장 놀라운 점은 로봇의 모양과 상관없이 작동한다는 것입니다.

바퀴 달린 로봇 (카트)
네 발로 걷는 로봇 (강아지 모양)
두 발로 걷는 휴머노이드 로봇

이 세 가지 완전히 다른 모양의 로봇에 FLUX 를 적용했을 때, 어떤 추가 학습 (파인튜닝) 없이도 바로 실전에서 성공했습니다. 마치 똑같은 운전 면허증을 가지고 스포츠카, 트럭, 오토바이를 모두 능숙하게 운전하는 것과 같습니다.

📊 4. 새로운 시험장 "DynBench"

연구팀은 로봇을 평가할 때, 기존에 없던 새로운 시험장 DynBench를 만들었습니다.

이전: 사람이 움직이는 상황을 너무 단순하게만 시뮬레이션하거나, 아예 사람을 넣지 않았습니다.
DynBench: 실제 사람처럼 움직이는 가상의 군중을 만들어, 로봇이 어떻게 반응하는지 정밀하게 테스트합니다.

🏆 결론: 왜 이것이 중요한가요?

FLUX 는 속도, 안전성, 그리고 적응력을 모두 잡았습니다.

빠릅니다: 직선 경로를 그려서 계산 속도가 획기적으로 빨라졌습니다.
안전합니다: 사람들과의 거리를 자연스럽게 유지하며 충돌을 피합니다.
범용적입니다: 어떤 로봇이든, 어떤 환경이든 바로 쓸 수 있습니다.

결국 FLUX 는 **"로봇이 사람들과 함께 살아가는 세상에서, 가장 빠르고 예의 바르게 길을 찾아주는 최고의 길잡이"**가 된 것입니다. 앞으로는 우리 집 청소 로봇이든, 배송 로봇이든, 복잡한 쇼핑몰에서도 사람들과 부딪히지 않고 자연스럽게 이동할 수 있을 것입니다.

1. 문제 정의 (Problem Statement)

자율 주행 내비게이션은 정적 목표 도달 (Static Goal-reaching) 부터 동적 사회적 공간에서의 안전한 이동 (Dynamic Social Traversal) 까지 광범위한 기술을 요구합니다. 그러나 기존 연구는 다음과 같은 한계점을 가지고 있습니다:

단편화된 평가: 정적 환경용 정책과 사회적 내비게이션용 정책이 서로 다른 프로토콜로 평가되어, 통합된 벤치마킹이 어렵습니다.
학습 방법의 한계:
- 강화학습 (RL): 특정 작업에 강하지만 다양한 작업으로의 일반화가 어렵습니다.
- 모방학습 (IL): 작업 간 일반화는 가능하지만, 동적 사회적 상황 (복잡한 보행자 상호작용) 에서는 회복 행동 (recovery behaviors) 을 학습하기 부족합니다.
- 생성 모델 (Diffusion/Flow): 다중 모드 (multi-modal) 응답 공간을 포착할 수 있으나, 확산 모델 (Diffusion) 의 반복적 디노이징 (iterative denoising) 으로 인해 추론 지연 (inference latency) 이 높아 실시간 적용이 어렵습니다.
데이터 분포의 부재: 정적 데이터만으로는 동적 환경에서 필요한 확률적 행동 분포를 학습하기 어렵습니다.

2. 제안 방법론 (Methodology)

저자들은 FLUX라는 최초의 흐름 기반 (Flow-based) 통합 내비게이션 정책을 제안하며, DynBench라는 새로운 벤치마크와 정적 - 동적 (Static-to-Dynamic) 학습 커리큘럼을 도입합니다.

A. DynBench (새로운 벤치마크)

특징: 물리적으로 타당한 군중 시뮬레이션 (Physically valid crowd simulation) 을 포함하며, 기존 정적 프로토콜과 결합하여 6 가지 기본 내비게이션 작업 (PointNav, ImageNav, Exploration, Dyn. PointNav, Dyn. Exploration, SocialNav) 을 평가합니다.
기술적 혁신: 단순한 무작위 보행이나 ORCA 기반의 이상적인 협력이 아닌, 계층적 마르코프 유한 상태 기계 (FSM) 와 NavMesh 기반의 전역 계획, 기하학적 국소 충돌 회피를 결합하여 자연스러운 보행자 상호작용을 구현합니다.

B. FLUX 아키텍처

FLUX 는 두 단계로 구성된 학습 파이프라인을 따릅니다.

1 단계: 흐름 기반 모방 학습 (Flow-Based Imitation Learning)
- Rectified Flow (RF) 도입: 기존 확산 모델의 곡선형 확률 흐름을 **직선 (Straight-line)**으로 선형화합니다.
- 메커니즘: 노이즈 ( $\tau_0$ ) 에서 전문가 궤적 ( $\tau_1$ ) 로 가는 경로를 직선으로 고정하여, 학습 타겟을 단순화하고 추론 시 필요한 스텝 수를 줄입니다.
- 효과: 반복적 디노이징을 직선 궤적으로 대체하여 추론 효율성을 극대화합니다.
2 단계: GRPO 기반 강화 학습 (GRPO-Based Reinforcement Learning)
- GRPO (Group Relative Policy Optimization) 적용: 생성된 여러 후보 궤적 (M candidates) 을 그룹으로 간주하여 상대적 이득 (relative advantage) 을 추정합니다. 별도의 가치 함수 (Value Function) 크리틱이 불필요합니다.
- 학습 목표: 동적 환경 (SocialNav, Dyn. PointNav 등) 에서 보행자 간격 유지 (Proxemic norms) 와 목표 도달 효율성을 동시에 최적화합니다.
- 정적 - 동적 전이: 동적 환경에서의 RL 미세 조정이 정적 작업의 강건성까지 향상시키는 긍정적 전이 (Positive Transfer) 효과를 보입니다.

3. 주요 기여 (Key Contributions)

FLUX 정책 제안: 흐름 기반 (Flow-based) 통합 내비게이션 정책을 최초로 제안하여, 기존 흐름 기반 방법보다 47% 더 높은 추론 효율성을 달성했습니다.
DynBench 벤치마크 개발: 물리적으로 타당한 군중 시뮬레이션을 포함한 통합 평가 프레임워크를 구축하여, 동적 학습이 정적 작업에도 긍정적 영향을 준다는 것을 입증했습니다.
SOTA 성능 및 제로샷 실전 이식: 시뮬레이션 내 6 가지 모든 작업에서 최상위 성능 (SOTA) 을 기록했으며, 휠형 (Unitree Go2-W), 4 족형 (Unitree Go2), 휴머노이드 (Unitree G1) 로봇에 대한 제 0 샷 (Zero-shot) Sim-to-Real 전이를 성공적으로 수행했습니다. (실제 환경에서의 추가 미세 조정 없이 작동)

4. 실험 결과 (Results)

성능 비교 (Table II):
- 정적 환경: PointNav, Exploration, ImageNav 에서 기존 최상위 모델 (NavDP 등) 보다 SR(성공률) 과 SPL(경로 길이 가중 성공률) 에서 우위를 보였습니다.
- 동적 환경: 동적 환경으로 갈수록 기존 모델들의 성능이 급격히 떨어지는 반면, FLUX 는 SocialNav에서 성공률을 59.3% 에서 64.0% 로 높이고 충돌 횟수를 21% 에서 16% 로 줄였습니다. Dyn. Exploration에서는 탐색 시간 (ET) 을 26.4%, 탐색 면적 (EA) 을 37.4% 개선했습니다.
추론 효율성 (Table IV):
- 동일한 스텝 수 (K=10) 기준, FLUX 는 NavDP 대비 29%, FlowNav 대비 47% 더 빠른 추론 속도를 기록했습니다.
- 스텝 수를 줄여도 (K=6) 고품질 궤적을 생성하여 실시간 재계획에 적합합니다.
실제 로봇 배포:
- 다양한 형태 (Wheeled, Quadrupedal, Humanoid) 의 로봇에서 카메라 흔들림이나 시점 차이에도 불구하고, 추가 튜닝 없이 안정적인 내비게이션을 수행했습니다.

5. 의의 및 결론 (Significance & Conclusion)

효율성과 정확성의 균형: Rectified Flow 를 통해 확산 모델의 높은 계산 비용을 해결하면서도 다중 모드 생성의 이점 (안전한 회피 행동 등) 을 유지했습니다.
학습 커리큘럼의 중요성: "정적 환경은 동적 환경의 특수한 경우 (degenerate special case)"라는 통찰을 바탕으로, 정적 모방 학습으로 기하학적 사전 지식을 먼저 학습한 후 동적 환경 RL 로 정제하는 방식이 일반화 성능을 극대화함을 증명했습니다.
실용성: 단일 통합 정책으로 다양한 작업과 다양한 로봇 플랫폼을 지원하며, 실제 세계의 복잡한 사회적 내비게이션 문제를 해결할 수 있는 강력한 프레임워크를 제시했습니다.

이 논문은 생성형 내비게이션의 효율성 문제를 해결하고, 정적/동적 환경 및 다양한 로봇 형태를 아우르는 범용적인 자율 주행 솔루션의 새로운 기준을 제시했다는 점에서 의의가 큽니다.