AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation

로봇 조작에서 태스크 단계에 따라 속도를 자동 조절하는 AutoSpeed. 주석 없이도 1.78배 가속달성.

기존 모방학습 정책이 전문가 데모의 실행 속도를 고정적으로 모방하는 한계를 지적하며, 태스크 단계별로 속도와 예측 시야를 자동 조절하는 AutoSpeed 프레임워크를 제안한다. DCT(이산 코사인 변환)를 통한 주파수 영역 속도 변환으로 비정수 배율의 가감속을 구현하고, 복합 비용(예측 오차 vs 예측 시야)을 최소화하는 후보를 선택해 end-to-end로 학습한다. 실제 로봇 4개 태스크에서 평균 1.78배 가속과 성공률 향상을 동시에 달성했다.

핵심 요약

• 속도나 단계 주석 없이 end-to-end 학습만으로 단계별 적응 속도를 암시적 추론하는 최초의 프레임워크
• DCT 기반 주파수 영역 스케일링으로 비정수 배율 가감속을 구현하며 고주파 액션 디테일 보존
• 복합 비용 J = E/w + log(h)로 예측 오차와 시야 길이의 트레이드오프를 관리하는 다중 타겟 선택적 최적화
• 비생성형(MLP) 및 생성형(diffusion/flow) 정책 모두에 적용 가능한 모델 비의존적 설계
• 실제 로봇 4태스크 평균 1.78배 실행 시간 단축, Place the Toy 태스크에서 성공률 10%p 향상
• 추론된 속도 비율이 태스크 단계(도달, 조립, 정밀 삽입 등)와 강한 대응 관계를 보임

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.