Scale Up Strategically: Learning Compositional Generalization via Bias-Aware Evaluation and Data Collection for Robotic Manipulation

로봇이 언어 지시를 따를 때 색깔 같은 특정 단어에만 편향되는 '요인 편향'을 측정하고, 편향이 큰 요인에 데이터를 집중해 일반화를 높인 연구다.

이 논문은 한마디로 로봇이 "파란 큐브를 집어라" 같은 지시를 받을 때, 동사(push, grasp)보다 색깔(color)에만 편향되어 반응하는 현상을 정량화하고 해결한 연구다. 요인 지배율(FDR)과 요인 지배 위계(FDH)라는 두 지표로 편향을 측정했다. 6개 기반 정책 모델을 평가한 결과, color ≥ object ≥ spatial ≥ verb ≥ size 순으로 일관된 편향이 나타났다. 이 진단을 활용해 미흡한 요인(verb, size)에 데이터를 집중하면, 절반 데이터만 쓰고도 기존보다 나은 일반화를 달성했다.

핵심 요약

• 언어 지시를 색깔·동사·객체·크기·공간 5개 요인으로 분해해서 편향을 측정하는 프레임워크를 만들었다.
• 6개 기반 정책에서 color ≥ object ≥ spatial ≥ verb ≥ size 순의 일관된 편향 구조를 발견했다.
• FDR(요인 간 쌍별 편향)과 FDH(전체 순위) 두 가지 정량 지표를 제안했다.
• 편향 진단을 바탕으로 미흡 요인에 데이터를 집중하면 실제 로봇에서도 더 나은 일반화를 보인다.
• 데모 절반만 쓰고도 기존 전체 데이터 대비 더 나은 성능을 달성했다.

논문 링크

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