⚡ electrical engineering

Muninn: Your Trajectory Diffusion Model But Faster

Muninn 은 인증된 불확실성 예산에 기반하여 캐시된 디노이저 출력을 언제 재사용할지 동적으로 결정함으로써 확산 기반 궤적 계획기를 실시간 로봇 제어에 적합하도록 가속화하는 훈련이 불필요하고 아키텍처에 구애받지 않는 캐싱 래퍼로, 계획의 품질이나 안전성을 훼손하지 않으면서 최대 4.6 배의 속도 향상을 달성합니다.

원저자: Gokul Puthumanaillam, Hao Jiang, Ruben Hernandez, Jose Fuentes, Paulo Padrao, Leonardo Bobadilla, Melkior Ornik

게시일 2026-05-12

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Gokul Puthumanaillam, Hao Jiang, Ruben Hernandez, Jose Fuentes, Paulo Padrao, Leonardo Bobadilla, Melkior Ornik

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

복잡하고 어수선한 방에서 컵을 집어 올리도록 로봇을 안내한다고 상상해 보세요. 이를 안전하게 수행하기 위해 로봇은 '확산 플랜너 (diffusion planner)'를 사용합니다. 이 플랜너를 매우 재능 있지만 느린 예술가로 생각하세요. 완벽한 경로를 그리기 위해 이 예술가는 혼란스러운 낙서 (노이즈) 로 시작하여, 한 걸음 한 걸음 천천히 매끄럽고 명확한 선으로 다듬어 나갑니다. 이 과정은 최종 경로가 준비되기 전까지 약 100 번 정도 그림을 보고, 노이즈를 조금 지우고, 다시 그리는 것을 포함합니다.

문제점:
이 방법은 매우 똑똑하고 유연한 경로를 생성하지만, 실시간 로봇 제어에는 너무 느립니다. 로봇이 움직일 때마다 100 번의 '정제 단계'를 기다려야 한다면, 로봇은 둔해지고 심지어 생각하기조차 끝내기도 전에 물체에 부딪힐 수 있습니다.

해결책: 무닌 (Muninn)
이 논문은 '재학습이 없는 캐싱 래퍼 (training-free caching wrapper)'인 **무닌 (Muninn)**을 소개합니다. 무닌을 예술가의 작업을 지켜보는 똑똑한 보조원으로 생각하세요.

무닌은 매 단계마다 예술가에게 완전한 그림을 처음부터 다시 그리게 하는 대신, 이렇게 묻습니다: "이전 번에 봤을 때와 비교해 그림이 실제로 많이 변했나요?"

다음은 몇 가지 비유를 통해 그 작동 방식을 설명한 것입니다:

1. '안정된 스케치' 확인 (프로브)

예술가 (AI 모델) 는 두 가지 부분으로 구성됩니다:

스케치하는 손 (저렴함): 빠른, 저비용 부분으로 대략적인 윤곽을 그립니다.
세부 작업을 하는 손 (비쌈): 느리고 무거운 부분으로 정교한 디테일과 최종 마무리를 더합니다.

일반적으로 예술가는 매 단계마다 두 손을 모두 사용합니다. 하지만 무닌은 현재 그림을 볼 때 스케치하는 손에게만 요청합니다. 스케치가 이전 단계의 것과 거의 동일하게 보인다면, 무닌은 예술가가 '안정된 구역'에 있음을 알게 됩니다.

2. '메모리 뱅크' (캐싱)

스케치가 크게 변하지 않았다면, 무닌은 이렇게 말합니다: "세부 작업을 하는 손을 귀찮게 하지 마세요! 우리는 이미 이 단계의 훌륭한 버전을 메모리에 저장해 두었습니다." 이는 이전 캐시된 출력을 재사용합니다. 이 과정의 비싼 부분을 건너뛰기 때문에 엄청난 시간을 절약할 수 있습니다.

하지만 스케치가 크게 변했다면 (예를 들어 로봇이 까다로운 모서리에 접근하는 경우), 무닌은 이렇게 말합니다: "알겠습니다, 이건 위험합니다. 세부 작업을 하는 손을 깨우고 전체 작업을 수행합시다."

3. '안전 예산' (보증)

단계를 건너뛰는 것과 관련된 가장 큰 우려는 다음과 같습니다: "우리가 너무 많은 단계를 건너뛰어 로봇이 충돌하지는 않을까?"

무닌은 안전 예산으로 이를 해결합니다.

'편차 코인 (Deviation Coins)'이 담긴 항아리가 있다고 상상해 보세요.
무닌이 전체 작업을 수행하는 대신 오래된 스케치를 재사용하기로 결정할 때마다, 그 단계의 위험도에 기반하여 '비용'을 계산합니다.
비용이 낮으면 항아리에서 몇 개의 코인을 사용합니다.
항아리가 비어 있으면 무닌은 어떤 경우든 예술가에게 전체 작업을 수행하도록 강요합니다.

이를 통해 로봇이 취하는 최종 경로가 느리고 완벽한 예술가가 그렸을 경로에서 특정 거리 이내로 머무는 것이 보증됩니다. 이는 단순히 추측하는 것이 아니라, 로봇이 너무 멀리 벗어나지 않을 것을 수학적으로 증명합니다.

결과
이 논문은 비행 드론, 수중 보트, 로봇 팔 등 다양한 로봇에서 무닌을 테스트한 결과, 다음과 같은 사실을 발견했습니다:

속도: 경우에 따라 계획 과정을 4.6 배 더 빠르게 만들었습니다.
품질: 로봇들은 여전히 이전과 마찬가지로 작업을 완료했습니다. 충돌 횟수가 늘어나지도 않았고, 목표를 놓치지도 않았습니다.
재학습 불필요: 가장 좋은 점은 무닌이 기존 모델과 함께 작동한다는 것입니다. 로봇의 두뇌를 다시 훈련시킬 필요 없이, 그저 이 '똑똑한 보조원'을 앞에 두면 됩니다.

요약:
무닌은 로봇 두뇌를 위한 똑똑한 교통 관제사와 같습니다. 로봇이 비어 있는 직선 도로를 주행할 때 (단계를 건너뛰고 시간을 절약해도 안전함) 과 번잡한 교차로에 진입할 때 (속도를 늦추고 신중하게 계산해야 함) 를 구분해 줍니다. 이는 로봇을 더 멍청하게 만들거나 위험하게 하지 않으면서 로봇의 사고 속도를 높여줍니다.

기술 요약: Muninn: 당신의 궤적 확산 모델이지만 더 빠름

문제 정의

확산 기반 궤적 계획기는 복잡한 환경에서 풍부한 다중 모드 로봇 운동을 생성하는 데 있어 최첨단 (state-of-the-art) 기술이 되었습니다. 그러나 반복적인 소음 제거 (denoising) 과정에 대한 의존성으로 인해 계산 비용이 매우 많이 들며, 특히 임베디드 플랫폼이나 고빈도 제어 루프에서 실시간 온라인 계획 및 제어에 너무 느려 적용이 어려운 경우가 많습니다.

기존 가속화 전략은 일반적으로 두 가지 범주로 나뉘며, 둘 다 상당한 단점이 있습니다:

모델 수정: 확산 과정을 얕은 네트워크로 증류하거나 조기 종료 (early-exit) 정책을 훈련하는 방법입니다. 이러한 접근 방식은 각 아키텍처나 작업마다 재훈련이 필요하며, 종종 궤적 품질과 다중 모드 커버리지를 희생합니다.
휴리스틱 추론 가속화: 간단한 지표 (예: 픽셀 공간 유사성) 를 기반으로 단계를 건너뛰거나 캐시된 출력을 재사용하는 방법입니다. 이러한 방법들은 근사 오차가 샘플러를 통해 어떻게 전파되어 최종 궤적에 영향을 미치는지에 대한 보장이 종종 부족하여, 폐루프 제어에서 안전하지 않거나 취약한 실패를 초래할 수 있습니다.

핵심적인 과제는 모델을 재훈련하지 않고, 궤적 품질을 희생하지 않으며, 가속화된 궤적이 전체 계산 대응물로부터 얼마나 벗어날지에 대한 엄격한 보장을 제공하면서 확산 기반 계획기를 가속화하는 것입니다.

방법론: Muninn 프레임워크

저자들은 추론 시 작동하는 훈련이 불필요한 (training-free) 캐싱 래퍼인 Muninn을 제안합니다. Muninn 은 기본 확산 모델의 가중치나 샘플러 아키텍처를 수정하지 않습니다. 대신, 궤적 확산 계획기의 두 가지 고유한 신호를 활용하여 언제 캐시된 소음 제거기 출력을 재사용하고 언제 다시 계산할지에 대한 적응형 결정을 내립니다.

1. 이론적 기반: 오차 전파 및 민감도

Muninn 은 소음 제거기 출력의 국소적 오차가 역확산 과정을 통해 어떻게 전파되는지에 대한 이론적 분석에 기반합니다.

쌍을 이루는 과정 분석: 저자들은 동일한 초기 소음과 샘플러 소음을 공유하지만 소음 제거기 출력은 다른 "쌍을 이루는 실행 (paired run)"을 분석합니다. 여기서 하나는 전체 계산 체인이고 다른 하나는 캐시된 체인입니다.
리프시츠 민감도: 그들은 샘플러 업데이트 $\Phi_t$ 가 국소적 리프시츠 속성을 만족함을 입증합니다. 이를 통해 최종 궤적 편차 $\|\Delta_0\|$ 를 단계별 소음 제거기 오차 $\|e_t\|$ 의 가중 합으로 표현된 폐쇄형 상한을 유도할 수 있습니다:
$\|\Delta_0\| \le \sum_{t=1}^T L_t \|e_t\|$
여기서 $L_t$ 는 경로 민감도 계수를 나타내며, $t$ 단계에서의 오차가 후속 샘플러 업데이트에 의해 얼마나 증폭되는지를 정량화합니다. 초기 단계는 종종 후기 단계보다 더 높은 민감도 ( $L_t$ ) 를 가집니다.

2. 두 가지 신호

이 상한을 실제 오차 $\|e_t\|$ (이는 전체 재계산을 필요로 함) 를 알지 않고도 운용하기 위해, Muninn 은 두 가지 신호를 활용합니다:

신호 A: 표현 변화의 저렴한 프로브: 현대의 소음 제거기는 저렴한 "스템 (stem, 입력 처리)"과 비싼 "코어 (core)"로 분해됩니다. Muninn 은 모든 단계에서 스템에서 경량 프로브 특징 $F_t$ 를 계산합니다. 점수 $s_t$ 는 연속된 단계 간의 프로브 특징의 상대적 변화로 정의됩니다 ( $s_t \propto \|F_t - F_{t+1}\|_1$ ). 이는 궤적 안정성에 대한 저비용 지표 역할을 합니다. 작은 변화는 재계산하더라도 소음 제거기 출력이 크게 변하지 않을 것임을 시사합니다.
신호 B: 분석적 민감도 계수: 계수 $L_t$ 는 특정 모델 가중치와 무관하게 샘플러의 업데이트 방정식 (예: DDPM 또는 DDIM 계수) 에서 분석적으로 유도됩니다.

3. 컨포멀 보정 및 예산 할당

Muninn 은 저렴한 프로브 점수 $s_t$ 와 알려지지 않은 오차 크기 $\|e_t\|$ 사이의 간극을 **분할 컨포멀 예측 (split-conformal prediction)**을 사용하여 연결합니다:

오프라인 보정: 소규모 오프라인 에피소드 세트를 사용하여, 시스템은 고정된 재사용 패턴을 시뮬레이션하는 "유령 (ghost)" 체인을 실행합니다. 이는 재사용된 캐시된 출력으로 인해 발생한 실제 오차 크기 $\epsilon_t$ 와 $(s_t, \epsilon_t)$ 쌍을 기록합니다.
컨포멀 포락선: 회귀기는 점수를 오차 크기로 매핑하며, 컨포멀 예측은 $P(\epsilon_t \le U(s_t)) \ge 1 - \alpha_{step}$ 이 되도록 고확률 상한 $U(s_t)$ 를 구성합니다.
온라인 예산 할당: 런타임에서 Muninn 은 궤적 수준 편차 예산 $\eta_{traj}$ $η_{t r aj}$ 을 유지합니다. 각 단계에서 상한 비용 $\hat{c}_t(s_t) = \Gamma L_t U(s_t)$ $\overset{c}{^}_{t} (s_{t}) = Γ L_{t} U (s_{t})$ 를 계산합니다.
- $\hat{c}_t(s_t)$ 가 남은 예산 내에 맞으면, Muninn 은 캐시된 소음 제거기 출력을 재사용합니다.
- 그렇지 않으면 소음 제거기를 재계산합니다.
- 이는 모든 재사용 단계에 대한 상한 비용의 합이 $\eta_{traj}$ 내에 머물도록 보장하여, 최종 궤적 편차가 확률 $1-\alpha$ 로 $\eta_{traj}$ 를 초과하지 않는다는 엄격한 보장을 제공합니다.

주요 기여

Muninn 알고리즘: 보정된 불확실성 예산에 기반하여 소음 제거기 출력을 적응형으로 재사용하는 훈련 불필요, 아키텍처 무관한 캐싱 정책.
이론적 보장: 확산 단계의 비균일 민감도를 고려한 궤적 수준 위험 상한 유도. 이는 가속화된 궤적이 보장된 신뢰 수준으로 사용자 지정 거리 내에서 전체 계산 궤적에 머무르도록 보장합니다.
런타임 증명서: 편차 예산의 소모 정도를 추적하는 온라인, 해석 가능한 "편차 증명서"( $\hat{D}$ ) 를 제공하여, 위험이 너무 높아질 때 (예: 전체 계산으로 전환하거나 동작 감쇠) 런타임 에스컬레이션 전략을 가능하게 합니다.
종합 평가: 오프라인 RL(D4RL), 구성 공간 운동 계획, 시각 - 운동 정책 등 다양한 도메인에서의 검증 및 해양, 항공, 매니퓰레이터 로봇에 대한 실제 하드웨어 배포를 통한 검증.

실험 결과

이 논문은 작업 성능과 안전성을 유지하면서 상당한 속도 향상을 보고합니다:

속도 향상: Muninn 은 다양한 벤치마크에서 최대 4.6 배의 월클록 속도 향상을 달성하고 소음 제거기 평가를 최대 7.7 배까지 줄였습니다.
성능 유지: 오프라인 RL(D4RL) 및 운동 계획 작업에서 Muninn 은 전체 계산 모델과 비교 가능한 작업 성공률 및 정규화된 점수를 유지합니다 (종종 99% 이상의 상대적 성능).
안전성: 이 방법은 사용자가 정의한 위험 수준 $\alpha$ 를 엄격히 준수합니다. 경험적 위반률 ( $\hat{p}_{viol}$ ) 은 목표 위험과 밀접하게 일치하며, 고정된 단계 건너뛰기나 단순 임계값 설정과 같은 휴리스틱 베이스라인을 크게 능가합니다. 이러한 베이스라인들은 종종 고민감도 영역에서 위험을 통제하지 못합니다.
하드웨어 검증: SeaRobotics ASV(해양), Crazyflie 쿼드콥터(항공), SO-ARM100(조작) 에 대한 실시간 폐루프 실험은 Muninn 이 충돌률이나 실패률을 증가시키지 않으면서 고빈도 제어 루프에 충분한 지연 시간 감소를 제공함을 입증했습니다.
적응형 계산: Muninn 은 고정 가속화 방법과 달리 어려운 고위험 상황 (예: 좁은 통로, 접촉이 많은 조작) 에는 더 많은 계산 자원을 할당하고 안정적이고 저위험 단계에서는 출력을 적극적으로 재사용합니다.

중요성 및 주장

이 논문은 확산 기반 궤적 계획기를 실시간 로봇 제어에 실용적으로 만드는 중요한 단계로 Muninn 을 위치시킵니다. 그 주요 중요성은 재훈련이나 아키텍처 변경을 요구하지 않으면서 궤적 충실도에 대한 형식적이고 분포 무관한 보장을 제공하는 훈련 불필요 가속화 메커니즘을 제공한다는 데 있습니다.

속도와 품질 간의 블랙박스 트레이드오프로 가속화를 다루는 이전 작업들과 달리, Muninn 은 내부 표현 변화와 최종 궤적 편차 간의 관계를 명시적으로 모델링합니다. 컨포멀 위험 상한으로 제약된 예산 할당 문제로 가속화를 취급함으로써, 실무자들이 계획 속도와 안전성 간의 트레이드오프를 엄격하게 조정할 수 있게 합니다. 저자들은 이 접근 방식이 원본의 느린 모델의 안전성 및 성능 특성을 유지하면서 복잡한 다중 모드 확산 정책을 리소스 제약 하드웨어에 배포할 수 있게 한다고 주장합니다.