· 발표 2025-07-07임팩트
EmbodieDreamer: 구현된 세계 모델링을 통한 정책 훈련을 위한 Real2Sim2Real 전이 발전
Boyuan Wang, Xinpan Meng, Xiaofeng Wang, Zheng Zhu, Angen Ye, Yang Wang, Zhiqin Yang, Chaojun Ni 외 2명
인용 26매칭: reinforcement learning, robot
- 로봇 정책 훈련에 시뮬레이션 환경이 중요하지만, 현실과 시뮬레이션 간의 큰 격차가 문제입니다.
- 이 논문은 물리(physics)와 외형(appearance) 두 가지 측면에서 격차를 줄이는 EmbodieDreamer 프레임워크를 제안합니다.
- PhysAligner는 미분 가능한 물리 모듈로 시뮬레이션 역학을 현실에 맞추고, VisAligner는 조건부 비디오 확산 모델로 시뮬레이션 렌더링을 사실적인 영상으로 변환합니다.
- PhysAligner는 물리 매개변수 추정 오류를 3.74% 줄이고 최적화 속도를 89.91% 향상했습니다.
- 생성된 사실적인 환경에서 로봇 정책을 훈련하면 실제 작업 성공률이 평균 29.17% 개선됩니다.
#로봇 공학#시뮬레이션-현실 전이#강화 학습#컴퓨터 비전
· 발표 2026-06-01최신
로봇 응용을 위한 비선형 부등식 제약 조건을 포함하는 시간 가변 볼록 최적화 문제 해결을 위한 Zhang 신경망 모델
Jielong Chen, Yan Pan, Yunong Zhang
매칭: neural network, robot
- 비선형 및 시간 가변 특성 때문에 시간 가변 볼록 최적화(TVCOINICs)는 어려운 문제입니다.
- 이 논문은 추가 하이퍼파라미터 없이 연속적이고 미분 가능한 변환 함수를 제안합니다.
- 제안된 함수는 라그랑주 승수 기법과 KKT 조건을 활용하여 최적화 문제를 동등한 비선형 등식 시스템으로 변환합니다.
- 시간 미분과 오류 피드백을 활용하는 DTFZNN 모델은 TVCOINICs를 해결하며, 슬라이딩 모드 제어(SMC)로 잡음 억제 기능을 강화합니다.
- 제안 모델은 수치 실험과 로봇 팔 경로 추적 및 반복 동작 문제 해결을 통해 효과와 실용적 우수성을 입증합니다.
#시간 가변 최적화#Zhang 신경망#로봇 공학#비선형 제약