ChunkFlow: Towards Continuity-Consistent Chunked Policy Learning

VLA 청크 boundary jitter를 seam-aware training으로 해결, CALVIN/LIBERO 안정.

각 청크를 frozen/editable/future 영역으로 분할하고 결정론적 overlap blending으로 인접 청크 간 충돌을 해소한다. 1차/2차 연속성 손실과 history corruption, scheduled sampling으로 견고성을 높이고 AWAC fine-tuning으로 구조적 정규화를 유지하면서 적응한다. CALVIN avg 4.30 시퀀스, LIBERO 93.4% 성공률, 4.43ms amortized latency를 달성했으며 long-horizon PSD 분석에서 2.5Hz 이상 고주파를 효과적으로 억제했다.

핵심 요약

• 각 행동 청크를 고정, 수정 가능, 미래 구간으로 나누고 실행 때 겹치는 부분을 결정론적으로 섞는다.
• 이음매 손실과 1·2차 연속성 손실을 학습하고 기록 오염, 예정 표본추출, AWAC 미세조정으로 실행 오차에 견디게 했다.
• CALVIN, LIBERO와 실제 로봇 실험에서 낮은 추론 지연을 유지하면서 성공률과 동작 안정성의 균형을 개선했다.
• 청크 경계의 떨림을 사후 필터가 아니라 학습 단계에서 줄여 실시간 VLA 로봇 제어에 적용할 수 있다.
• 이음매 차이가 겹침 길이에 따라 줄어든다는 이론은 완만한 평활성 가정 아래 성립하며 실험 범위도 세 환경에 한정된다.

논문 링크

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