Papers·2개월 전
VAE latent space + chunk-level refine 로 고주파 로봇 제어의 부드러움 개선 — 60Hz 접촉 작업 성공률·모션 스무스
고주파(60Hz) 로봇 제어에서 action chunking 만으로는 시간적·공간적 일관성을 유지하기 어렵다는 문제를, VAE latent space 로 학습을 옮기고 chunk-level refine 전략(Reuse-then-Refine)을 도입해 해결한 연구입니다. 세 가지 실제 접촉 작업에서 동작의 끊김과 떨림이 현저히 줄었으며, 코드와 데이터는 GitHub에 공개되었습니다.
고주파(60Hz) 로봇 제어에서 동작의 부드러움을 유지하는 건 까다로운 문제 — VAE latent space 전환과 chunk-level refine 전략으로 해결한 접근이 나왔습니다.
핵심 결론
- 태스크 — 세 가지 실제 접촉 작업(조립, 삽입, 연마)에서 기존 action chunking 대비 동작의 시간적·공간적 일관성 개선.
- 성과 — 고주파(60Hz)에서도 끊김 없는 연속 동작을 보였으며, 정량적 성공률은 작업별로 10~25%p 향상.
방법
- 핵심 아이디어 — 고주파 action 을 직접 예측하는 대신 VAE latent space 에서 학습 — latent 가 temporal/spatial consistency 를 자연스럽게 보존.
- Reuse-then-Refine — 비동기 추론 환경에서 인접 chunk 간 연속성을 개선하는 chunk-level refine 전략. 이전 chunk 의 latent 를 재사용한 뒤 짧은 refine step 으로 보정.
- 전체 파이프라인은 기존 action chunking 기반 policy 에 VAE 디코더와 refine 모듈을 추가한 형태라, 기존 학습 레시피와 큰 차이가 없습니다.
한계·조건
- 환경 — 실험은 60Hz 제어 루프 기준이며, 더 높은 주파수(>100Hz)에서의 일반화는 아직 검증되지 않았습니다.
- 재현성 — 코드와 데이터는 GitHub에 공개되어 재현 가능합니다.
- VAE latent 차원과 refine step 수 등 하이퍼파라미터에 민감할 가능성이 있어, 다른 로봇 플랫폼으로의 이식 시 튜닝이 필요할 수 있습니다.
편집자 한 줄
고주파 제어에서 latent space 전환이 단순하면서도 효과적인 선택이라는 점이 인상적입니다. refine 전략이 실제 배포 환경에서의 latency 안정성까지 고려한 점도 좋네요.
- #robotics
- #action-chunking
- #vae
- #high-frequency-control
- #rtr
Kunyun Wang