Pace-and-Path Correction — 훈련 없는 VLA 추론 보정으로 동적 환경 성공률 최대 28.8% 향상

VLA 모델이 단일 프레임 관찰에 의존해 동적 환경에서 성능이 급락하는 문제를 해결하기 위해, 훈련 없이 추론 시에만 적용 가능한 Pace-and-Path Correction 기법을 제안합니다. 이차 비용 함수의 공동 최적화를 통해 실행 속도(pace)와 공간 경로(path)를 직교 분해하여 청크 내 동역학을 흡수합니다. MoveBench 벤치마크에서 기존 VLA 대비 동적 환경에서 최대 28.8%, 혼합 환경에서 25.9% 성공률 향상을 보였습니다. 단, 청크 기반 액션 VLA에 한정되며, MoveBench는 모션만 통제한 진단용 벤치마크라는 점을 감안해야 합니다.

• #vla
• #robotics
• #inference-time
• #dynamic-environment
• #huggingface