Representation World Model: Learning States, Transition and Executable Plans in Representation

계획을 표현 공간 안에 직접 새겨넣은 월드 모델이다. 현재 상태와 목표 사이에 잠재 경로를 잇기만 하면 실행 가능한 행동이 나온다.

이 논문은 한마디로 탐색 없이 표현 공간에서 곧바로 계획을 세우는 새로운 월드 모델(RWM)이다. 기존 월드 모델은 잠재 상태를 학습한 뒤 추론 시 무거운 롤아웃 탐색으로 계획했다. RWM은 시작과 목표 표현 사이에 잠재 경로를 만들고, 역동역학 모델로 그 경로를 따라 행동을 복원하도록 학습한다. 추론 때는 경로를 잇기만 하면 되니 재귀 롤아웃도 행동 탐색도 필요 없다. 로봇 조작 벤치마크 LIBERO-Goal에서 평균 93% 성공률로 기존 잠재 월드 모델(71.2%)을 크게 앞섰다.

핵심 요약

• 상태·전이·계획을 하나의 표현 공간 안에 함께 학습하는 월드 모델을 제안했다
• 경로 상의 역동역학 감독으로 잠재 경로가 실제 실행 가능한 계획이 되도록 표현을 학습했다
• 추론 시 재귀 롤아웃이나 행동 탐색 없이 경로 구축만으로 계획을 완성했다
• LIBERO-Goal 로봇 조작에서 평균 성공률 93%로 LeWM(71.2%)을 크게 앞섰다
• 탐색 기반 최강 베이스라인(384개 후보 평가)보다 좋은 성적을 탐색 없이 달성했다

논문 링크

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