로봇의 손가락 조작을 위한 학습 기반 접근 방식 설문 조사: 과제, 과제 및 미래 트렌드
본 논문에서는 로봇 손가락 조작을 위한 다양한 학습 기반 접근 방식을 모델 기반 방법, 강화 학습, 모방 학습의 세 가지 주요 범주로 분류하여 포괄적으로 살펴보고, 각 방법의 강점과 한계를 비교 분석합니다. 또한, 비접촉식 및 접촉식 조작을 포함한 다양한 유형의 손가락 조작과 로봇 손 유형을 소개하고, 이러한 기술이 실제 로봇 시스템에 적용될 때 직면하는 과제와 기회를 강조합니다.
로봇 레이저 수술에서 부피 제거를 위한 샘플링 기반 모델 예측 제어
본 논문에서는 임의의 조직 부피에 대한 레이저 절제 시퀀스를 계획하기 위해 샘플링 기반 모델 예측 제어(MPC) 방식을 제안하고, 이를 통해 기존 방법보다 정밀하고 안전한 로봇 레이저 수술 자동화 가능성을 제시합니다.
로봇 단일 모달 학습을 통한 다중 모달 작업 명세
단일 모달 데이터를 활용하여 로봇이 다중 모달 작업 명세를 이해할 수 있도록 하는 방법을 제안한다.
로봇 실패에 대한 다중 모달 일관된 설명 생성
로봇 실패에 대한 다중 모달 설명을 생성할 때 모달 간 논리적 일관성을 유지하는 것이 중요하다.
실시간 상황 모방 학습을 통한 다음 토큰 예측
상황 기반 학습 능력을 가진 다음 토큰 예측 모델을 통해 새로운 작업을 수행할 수 있다.
혼합 품질 데모에서 세그먼트 수준 선택 및 최적화를 통한 로봇 조작의 효과적인 활용
혼합 품질 데모에서 세그먼트 수준 선택 및 최적화를 통해 로봇 조작 정책의 성능을 향상시킬 수 있다.
로봇 조작을 위한 예측 강화 다중 작업 모방 정책: FoAM
FoAM은 전문가 행동을 모방하면서도 그 행동의 결과를 고려하여 더 정확하고 안정적인 로봇 조작 정책을 학습한다.
로봇 조작에서 지역성을 활용하여 샘플 효율성 향상하기
로봇 데이터 수집의 높은 비용으로 인해 샘플 효율성은 로봇 공학에서 지속적으로 중요한 과제이다. 본 논문에서는 시각적 및 동작 표현을 개선하여 샘플 효율성을 높이는 SGRv2라는 모방 학습 프레임워크를 소개한다. SGRv2의 핵심 설계는 동작의 지역성이라는 중요한 귀납적 편향을 포함하는 것이다. 이는 로봇의 동작이 주로 대상 물체와 그 주변 환경과의 상호작용에 의해 영향을 받는다는 것을 의미한다. 시뮬레이션 및 실제 환경에서의 광범위한 실험을 통해 동작의 지역성이 샘플 효율성 향상에 필수적임을 입증한다.
로봇 평생 학습을 위한 무지각 상황에서의 의미 인식 대화형 실체 학습
로봇이 주어진 과제를 수행하기 위해 필요한 개념을 모르는 상황에서, 대화를 통해 새로운 개념을 학습하고 이를 활용하여 과제를 해결할 수 있다.
능동 시각이 전부일 수 있다: 이중 로봇 조작에서 능동 시각 탐구
능동 시각(AV)을 통해 로봇이 작업에 필요한 최적의 카메라 관점을 학습할 수 있으며, 이는 고정 카메라 설정에 비해 성능 향상을 가져올 수 있다.
