모듈화 확산 정책 프레임워크: 복잡한 로봇 행동 분포에 대한 효과적인 학습

📝 원문 정보

• Title: Flexible Multitask Learning with Factorized Diffusion Policy
• ArXiv ID: 2512.21898
• 발행일: 2025-12-26
• 저자: Chaoqi Liu, Haonan Chen, Sigmund H. Høeg, Shaoxiong Yao, Yunzhu Li, Kris Hauser, Yilun Du

📝 초록 (Abstract)

다중 작업 학습은 로봇 행동 분포의 고도로 다중 모드적이고 다양한 특성으로 인해 큰 도전을 제기합니다. 그러나 이러한 복잡한 작업 분포에 정책을 효과적으로 맞추는 것은 어렵고, 기존의 일관된 모델들은 종종 행동 분포를 적합하게 학습하지 못하고 효율적인 적응을 위한 유연성을 갖추지 못합니다. 우리는 복잡한 행동 분포를 다양한 확산 모델로 구성하여 각각이 행동 공간의 구별되는 하위 모드를 포착하는 새로운 모듈화된 확산 정책 프레임워크를 제안합니다. 이 모듈화된 구조는 새로운 작업에 대한 유연한 정책 적응을 가능하게 하고, 본질적으로 재앙적인 잊음을 완화합니다. 실험 결과, 시뮬레이션과 실제 로봇 조작 환경에서 우리의 방법이 강력한 모듈형 및 일관된 기준선보다 지속적으로 우수한 성능을 보여줍니다.

💡 논문 핵심 해설 (Deep Analysis)

본 논문은 다중 작업 학습의 복잡성을 해결하기 위해 새로운 접근법을 제시합니다. 로봇 행동 분포는 매우 다양하고, 이로 인해 일관된 모델이 이를 효과적으로 학습하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해 논문은 모듈화된 확산 정책 프레임워크를 제안합니다. 이 프레임워크는 복잡한 행동 분포를 여러 개의 특수화된 확산 모델로 분해하여 각각이 특정 하위 모드를 포착하도록 합니다. 이러한 접근법은 각 모듈이 독립적으로 학습하고, 필요에 따라 추가하거나 조정할 수 있어 새로운 작업에 대한 유연한 적응을 가능하게 합니다.

또한, 이 모듈화된 구조는 재앙적인 잊음을 완화합니다. 재앙적 잊음은 기존의 학습 내용이 새로운 정보로 인해 잊혀지는 현상을 말하며, 특히 다중 작업 환경에서는 큰 문제입니다. 본 논문에서 제안된 모듈화된 구조는 각 모듈이 독립적으로 작동하므로 이전에 학습한 내용을 유지하면서 새로운 작업을 학습할 수 있습니다.

실험 결과, 시뮬레이션과 실제 로봇 조작 환경에서 본 방법은 강력한 모듈형 및 일관된 기준선보다 지속적으로 우수한 성능을 보여줍니다. 이는 제안된 프레임워크가 복잡한 작업 분포를 효과적으로 학습하고, 새로운 작업에 유연하게 적응할 수 있음을 입증합니다.

📄 논문 본문 발췌 (Excerpt)

Reference