기술 요약: 세계 좌표계 기반 행동 헤드를 넘어선, 모션 중심 행동 프레임을 활용한 비전-언어-행동 모델

문제 제기

비전-언어-행동 (VLA) 모델은 더 강력한 지각 백본, 광범위한 사전 학습, 그리고 대규모 데모 데이터셋을 통해 상당한 진전을 이루었습니다. 그러나 이러한 모델들의 행동 예측 헤드는 여전히 대부분 동질적입니다. 대부분의 정책은 고정된 전역 세계 좌표계에서 엔드 이펙터 명령을 직접 예측하기 위해 표준 회귀 헤드를 사용합니다.

이러한 설계는 로봇 조작의 본질과 근본적인 불일치를 보입니다. 많은 조작 행동은 본질적으로 국소적이고 기하학적입니다 (예: 손잡이에 접근하기, 물체 주변 회전하기). 이러한 행동들은 유사한 상호작용 구조를 공유할 수 있지만, 물체의 자세, 시점, 또는 장면 배치의 차이로 인해 고정된 세계 좌표계에서는 극도로 다른 벡터로 나타납니다. 결과적으로 정책은 이러한 기하학적 변이를 잠재 표현 내에서 암묵적으로 흡수하여 단일 고정 출력 공간으로 디코딩해야 합니다. 본 논문은 VLA 정책이 학습된 국소 좌표계와 해당 프레임 내에서의 구조화된 행동 구성 메커니즘을 갖는다면 행동을 더 효과적으로 조직화할 수 있다고 주장합니다.

방법론: MCF-Proto

저자들은 표준 VLA 정책에 대한 경량 행동 헤드로 MCF-Proto를 제안합니다. 이 방법은 두 가지 핵심 요소를 도입합니다: **모션 중심 행동 프레임 (MCF)**과 프로토타입 기반 행동 파라미터화입니다. 전체 시스템은 물체 자세나 접촉 상태와 같은 보조 감독 없이 표준 데모만을 사용하여 엔드 투 엔드로 학습됩니다.

1. 모션 중심 행동 프레임 (MCF)

세계 좌표계에서 행동을 직접 회귀하는 대신, 정책은 연속적인 6D 회전 파라미터화를 가진 경량 다층 퍼셉트론 (MLP) 을 사용하여 관측 조건부 회전 $R_t \in SO(3)$을 먼저 예측합니다. 이 회전은 각 시간 단계 $t$에서 국소 좌표계인 MCF 를 정의합니다.

• 기능: MCF 는 행동 디코딩 전에 장면 의존적 기하학적 변이를 흡수합니다.
• 매핑: 국소 프레임에서 예측된 행동 ($\Delta x^{mcf}_t, \Delta r^{mcf}_t$) 은 $\Delta x_t = R_t \Delta x^{mcf}_t$ 및 $\Delta r_t = R_t \Delta r^{mcf}_t$를 통해 세계 좌표계로 매핑됩니다.

2. 프로토타입 기반 행동 구성

학습된 MCF 내에서 행동은 원시 벡터로 예측되지 않고, 작고 공유된 프로토타입 사전의 부드러운 조합으로 생성됩니다.

• 구조: 병진 ($B^{trans}$) 과 회전 ($B^{rot}$) 을 위한 별도의 프로토타입 사전이 유지됩니다. 각 프로토타입은 잠재 계수 벡터를 3D 행동 증분으로 매핑하는 행렬입니다.
• 생성: 모델은 이러한 프로토타입을 선택하고 가중치를 부여하기 위해 잠재 스케일링 벡터와 게이팅 로짓 (소프트맥스 통해) 을 예측합니다. 국소 행동은 잠재 스케일에 의해 조절되는 프로토타입 매핑의 가중 합으로 구성됩니다.
• 정규화: 프로토타입 행렬에 직교성 정규화 ($L_{ortho}$) 를 적용하여 이들이 명확하게 구분되고 중복되지 않도록 합니다.

3. 학습 목적 함수

모델은 표준 모방 학습 손실 (병진/그리퍼용 L1, 회전용 Smooth L1) 을 사용하여 세계 좌표계의 최종 예측 엔드 이펙터 행동에 대해 감독됩니다. 또한, 순간적인 행동 변화를 따라 급격히 회전하기보다 학습된 국소 프레임이 시간에 따라 부드럽게 진화하도록 유도하기 위해 시간적 부드러움 손실 ($L_{smooth}$) 이 도입됩니다.

주요 기여

1. MCF-Proto 아키텍처: 학습된 모션 중심 행동 프레임과 공유 행동 프로토타입 사전을 결합하는 경량 행동 헤드의 도입으로, 표준 행동 감독만 요구합니다.
2. 발현된 구조: 이 설계가 안정적이고 발현된 기하학적 구조를 유도함을 보여줍니다. 구체적으로:
   • 명시적인 방향 레이블이 없음에도 불구하고, 학습된 국소 프레임의 축들은 데모된 엔드 이펙터 운동과 강력하게 호환되는 방향으로 발달합니다.
   • 행동 표현은 훨씬 더 컴팩트해지며, 변이는 더 적은 지배적인 방향에 의해 포착되고 공유 프로토타입에 의해 조직화됩니다.
3. 실증적 검증: 이러한 구조적 속성이 기하학적 교란 하에서 작업 성능과 견고성 모두를 향상시킨다는 증거입니다.

실험 결과

저자들은 LIBERO 및 LIBERO-plus 벤치마크와 실제 OpenArm 플랫폼에서 MCF-Proto 를 평가했습니다.

• LIBERO 벤치마크: MCF-Proto 는 OpenVLA-OFT(97.1%) 와 $\pi0$(94.1%) 과 같은 강력한 베이스라인을 능가하는 **97.7%**의 최첨단 평균 성공률을 달성했습니다. 특히 "Long" 스위트 (95.0%) 에서 주목할 만한 향상이 관찰되어 확장된 시간 범위에서의 일관성 개선을 시사합니다.
• LIBERO-plus (견고성): 이 방법은 분포 변화 하에서 우수한 견고성을 보여주어, 7 가지 교란 카테고리 (카메라, 로봇, 조명, 배경, 노이즈, 배치) 중 6 개에서 최상의 성능을 달성했습니다.
  • 기하학적 교란: 카메라(베이스라인 <60% 대비 69.7%) 및 로봇(66.0%) 교란 하에서 가장 큰 향상이 관찰되었습니다. 저자들은 이를 제어 명령 디코딩 전에 시점 및 초기 자세의 기하학적 변이를 MCF 가 흡수할 수 있는 능력에 기인합니다.
• 실제 환경 검증: OpenArm 플랫폼에서 MCF-Proto 는 튜브 배치, 양손 이관, 볼 적층 등 세 가지 작업에서 베이스라인 변형보다 더 강한 장기 신뢰성을 보여주었습니다.
• 구조 분석:
  • 집중화: 국소 프레임 표현은 세계 좌표계 행동 대비 공분산 트레이스가 17.8% 감소하고 유효 랭크가 51.3% 감소하여 더 집중되고 저차원적인 행동 공간을 나타냅니다.
  • 정렬: 프로토타입 구성과 결합할 때 MCF 축과 데모된 운동 방향 간의 각 오차가 (~35°에서 ~11–19°로) 현저히 감소하여 학습된 프레임이 작업 기하학과 정렬됨을 확인했습니다.

중요성 및 주장

본 논문은 행동 파라미터화가 VLA 정책의 중요하지만 미탐구된 설계 축이라고 주장합니다. MCF-Proto 의 주요 중요성은 행동 헤드에 경량 기하학적 및 구성적 구조를 추가하는 것이 정책이 로봇 조작 행동을 조직화하고 일반화하는 방식을 실질적으로 개선할 수 있음을 보여준다는 점에 있습니다.

저자가 강조한 주요 시사점은 다음과 같습니다:

• 유도 편향: 국소 기하학적 정렬과 구조화된 행동 구성은 특정 작업 패밀리를 넘어 유용한 유도 편향을 제공합니다.
• 상호 강화: 국소 프레임과 프로토타입 구성은 서로를 강화합니다. 프레임은 상태 간 행동을 비교 가능하게 만들어 (프로토타입 재사용 용이) 주며, 프로토타입 기반 예측은 프레임이 데모된 운동과 일관된 방향을 드러내도록 유도합니다.
• 견고성: 이 접근법은 복잡한 보조 감독이나 물체 중심 추론 모듈 없이도 기하학적 교란 하에서 고정된 세계 좌표계 행동의 취약성에 대한 실용적인 해결책을 제공합니다.

저자들은 현재 평가가 특정 벤치마크로 제한되어 있으며, 학습된 프레임이 의미론적으로 기반을 둔 좌표계가 아닌 암묵적 잠재 표현으로 남아 있음을 인정하며 겸손한 입장을 견지합니다. 향후 연구는 이 설계의 대규모 모델 확장성, 온라인 적응, 그리고 더 명시적인 기하학적 표현 탐구에 초점을 맞춰야 한다고 제안합니다.