기술 요약: 속도 및 경로 보정을 통한 역학 무감각성 극복

1. 문제 제기

비전 - 언어 - 행동 (VLA) 모델은 로봇 조작 분야에서 뛰어난 일반화 능력을 입증했으나, 비정상적 환경에 배포될 때 구조적인 "역학 무감각성 (dynamics-blindness)"으로 고통받고 있습니다. 대부분의 기존 VLA 는 액션 청킹 (action chunking) 패러다임을 사용합니다: 추론 단계마다 모델은 단일 정적 관찰 프레임을 기반으로 미래의 고정 길이 행동 시퀀스를 예측합니다. 이러한 행동은 다음 청크가 생성될 때까지 개방 루프 (open-loop) 로 실행됩니다.

이러한 설계는 동적 시나리오 (예: 컨베이어 벨트 위의 물체, 외부 교란) 에서 치명적인 실패 모드를 초래합니다:

• 시간적 무감각성: 한 번 청크가 생성되면, 정책은 해당 청크 실행 중 발생하는 장면 변화를 감지하지 못합니다.
• 오차 누적: 목표 물체가 이동함에 따라 추적 오차는 교란의 크기와 청크 내 단계 인덱스에 비례하여 선형적으로 증가하며, 다음 재계획 주기가 될 때까지 정책에게 보이지 않습니다.
• 기존 해결책의 한계: 이를 완화하기 위한 현재 접근법은 광학 흐름, 메모리 뱅크, 또는 세계 모델을 주입하는 등의 아키텍처 변경을 통한 비용이 많이 드는 재학습이 필요하거나, 추론 지연 시간을 줄이는 것 (더 작은 백본, 병렬 디코딩) 에 의존합니다. 전자는 높은 계산 비용과 예측에서의 잠재적 환각 현상으로 고통받으며, 후자는 청크 간의 시간적 일관성을 깨뜨리거나 더 큰 기반 모델의 일반화 능력을 희생하는 경우가 많습니다. 또한, 기존 벤치마크는 종종 운동과 지각 또는 장면의 난이도를 혼동하여 역학 무감각성의 특정 실패 모드를 분리하기 어렵게 만듭니다.

2. 방법론: 속도 및 경로 보정 (PPC)

저자들은 PPC(속도 및 경로 보정) 를 제안합니다. 이는 백본을 수정하거나 학습 가능한 매개변수를 요구하지 않고, 청크 기반 행동 VLA 에 적용할 수 있는 학습이 필요 없는, 폐쇄형, 추론 시 래퍼입니다.

핵심 개념

PPC 는 추적 또는 깊이 감지 파이프라인으로부터 외부 역학 신호 (속도 $v$ 및 방향 $\hat{d}$) 를 받아 실행 전에 액션 청크를 내부적으로 보정합니다. 보정을 웨이포인트 추적 오차와 공간적 편차의 노력 사이의 균형을 맞추는 단일 2 차 비용 함수로 공식화합니다. 이 비용의 최소화는 직교적으로 두 개의 독립적인 채널로 분해되는 통일된 해를 도출합니다:

1. 속도 채널 (시간적 압축):

   • 기능: 계획된 방향을 따라 액션 청크의 실행을 압축하여 계획과 평행한 교란 성분을 흡수합니다.
   • 메커니즘: 스칼라 압축 계수 $\alpha^* \ge 1$을 계산합니다. 목표가 계획 방향과 같이 이동할 경우, 로봇은 이동하는 목표의 투영을 "따라잡기" 위해 청크를 더 빠르게 (적은 환경 단계로) 실행합니다.
   • 공식: $\alpha^* = 1 + \frac{v \cos \theta}{\|\Delta p\|}$, 여기서 $\theta$는 교란과 계획된 델타 사이의 각도입니다. 이는 정렬된 성분만이 속도를 조절하도록 보장합니다.

2. 경로 채널 (공간적 보상):

   • 기능: 시간적 스케일링만으로는 처리할 수 없는 계획에 수직인 교란 성분을 흡수하기 위해 직교하는 공간 오프셋을 적용합니다.
   • 메커니즘: 피보나치 프로파일 (Fibonacci profile) 을 따르는 일련의 공간 오프셋 $\{\delta_k\}$을 생성합니다. 이 프로파일은 청크 윈도우 전반에 걸쳐 필요한 수직 변위를 점진적으로 분배하여 제곱 오프셋의 합을 최소화하면서 다음 청크가 편향 없이 시작하도록 보장합니다.
   • 확장: 가속 운동의 경우, 누적 드리프트를 처리하기 위해 루카스 다항식 프로파일 (Lucas-polynomial profile) 을 사용한 2 차 보정으로 확장됩니다.

안정화 메커니즘

준정상 가정 (quasi-stationary assumption) 이 무너지는 불규칙한 영역 (예: 랜덤 워크, 정지 - 이동, 텔레포테이션) 을 처리하기 위해 PPC 는 계층적 2-EMA 래치 안정화기를 포함합니다:

• 방향 전환을 위해 속도 스트림을 모니터링합니다.
• 만성적 불안정성을 감지하기 위해 느린 외부 지수 이동 평균 (EMA) 을 사용하고, 과도 현상에 반응하기 위해 빠른 내부 EMA 를 사용합니다.
• 불안정성이 감지되면, "캐던스 게이트 (Cadence Gate)"가 실행 지평선을 제한합니다 (예: 실행을 $T/4$ 단계로 제한), 혼란스러운 조건에서 모델이 길고 잠재적으로 오류가 있는 청크를 실행하는 것을 방지합니다.

3. 주요 기여

1. PPC 프레임워크: 청크 기반 행동 VLA 에서 환경 역학을 명시적으로 보상하는 원칙적이고 물리 기반의 폐쇄형 연산자입니다. 학습 가능한 매개변수가 필요 없으며, 백본 수정이 필요 없고, 하부 VLA 아키텍처에 무관합니다.
2. MOVEBENCH: 운동 영역 (motion regime) 을 유일한 평가 축으로 분리하도록 설계된 새로운 진단 벤치마크입니다. 고정된 물체와 장면을 가진 10 개 작업에 걸쳐 10,000 개의 궤적으로 구성되어 있으며, 운동 패턴 (정적, 균일, 가속, 불규칙) 만이 변합니다. 이는 기존 벤치마크에서 종종 혼동되던 역학 무감각성의 정밀한 특성을 규명할 수 있게 합니다.
3. 실증적 검증: 다양한 기반 VLA 에서 최신 학습이 필요 없는 래퍼 및 동적 적응 방법보다 PPC 가 일관되게 우월함을 보여주는 광범위한 실험.

4. 실험 결과

MOVEBENCH 에서 네 가지 기반 VLA(GR00T, SmolVLA, $\pi_0$, $\pi_{0.5}$) 를 평가하고 ACT, BID, DynamicVLA 와 같은 베이스라인과 비교했습니다:

• 성능 향상: 동적 전용 환경에서 기반 모델 대비 성공률을 최대 **28.8%**까지, 혼합 정적 - 동적 환경에서 **25.9%**까지 향상시켰습니다.
• 운동 영역 민감도:
  • 가속 운동: 가속 하에서 누적되는 수직 드리프트를 특히 타겟팅하는 피보나치/경로 채널 덕분에 PPC 는 가장 큰 향상 (+32.8% 평균) 을 보입니다.
  • 균일 운동: 주로 속도 채널에 의해 주도되는 일관된 향상 (+18.2%) 을 보입니다.
  • 불규칙 운동: 영역 전환 중 실행을 제한하는 래치 안정화기에 의존하여 양 (+12.6%) 이지만 더 작은 향상을 보입니다.
• 베이스라인 비교:
  • ACT/BID: 이러한 추론 시 래퍼 (시간적 앙상블, 거부 샘플링) 는 청크 내 무감각성을 해결하지 못하며 성능을 저하시킬 수 있습니다 (예: ACT 는 구식 청크를 평균화하여 텔레포테이션 작업에서 성공률이 1% 로 떨어짐).
  • DynamicVLA: 역학을 위해 특별히 설계되었고 지연 시간이 낮음에도 불구하고 기반 모델보다 성능이 낮습니다 (예: $\pi_{0.5}$의 경우 44.9% 대 56.9%), 지연 시간 감소만으로는 청크 내부의 운동에 대한 무감각성을 해결하지 못함을 확인시켜 줍니다.
• 강건성: PPC 는 실제 세계 추적기에서 일반적인 지각 노이즈 (크기 및 방향 오차) 에 대해 강건하며, 운동이 없을 때 ($v=0$) 는 베이스라인 VLA 로 우아하게 저하됩니다.

5. 중요성 및 주장

이 논문은 동적 조작에서의 지배적인 실패 모드는 재계획의 빈도 (지연 시간) 가 아니라 단일 행동 청크 실행 중 운동에 대한 무감각성이라고 주장합니다.

• 지각과 보정의 분리: 외부 신호를 사용한 후처리 단계로 역학 보정을 처리함으로써, PPC 는 로봇 자신의 움직임이 물체 운동을 가리는 "자기 운동 혼란 (ego-motion confound)"과 시간적 입력으로 모델을 재학습할 때 내재된 지연 - 용량 트레이드오프를 우회합니다.
• 정적 능력 보존: 보정이 폐쇄형이며 $v=0$일 때 항등 함수로 기본 설정되므로, PPC 는 계산 오버헤드나 아키텍처 변경 없이 현대 기반 VLA 의 강력한 정적 장면 능력을 보존합니다.
• 진단적 명확성: MOVEBENCH 의 도입은 "역학 무감각성"이 기존 벤치마크가 포착하지 못하는 고유하고 분리 가능한 실패 모드임을 강조하여, 동적 조작 정책을 평가하고 개선하기 위한 더 명확한 경로를 제공합니다.

저자들은 폐쇄형 연산자를 통한 명시적 청크 내 보상이 동적 조작을 위한 매우 효과적인 지렛대이며, 기반 VLA 능력을 대체하기보다 보완하는 실용적이고 학습이 필요 없는 강건성 경로라고 결론 내립니다.