변분 정규화 기반 로봇 조작 정보 필터링

초록

본 논문은 3D 포인트‑클라우드 기반 확산 정책 DP3의 디코더에서 발생하는 중간 특징의 잡음과 중복성을 발견하고, 시간‑조건부 가우시안 변분 정규화(VR) 모듈을 도입해 정보 병목을 형성한다. KL‑다이버전스 정규화로 잡음을 억제하면서 중요한 정보를 보존함으로써 RoboTwin2.0, Adroit, MetaWorld에서 기존 DP3 대비 성공률을 각각 6.1%, 4.1% 향상시켰으며, 실제 로봇 실험에서도 안정적인 성능을 입증한다.

상세 분석

이 연구는 최근 로봇 조작 분야에서 각광받고 있는 3차원 시각 정보를 활용한 확산 기반 정책(DP3)의 구조적 한계를 심층적으로 탐구한다. DP3는 가벼운 포인트‑클라우드 인코더와 250M 파라미터 규모의 U‑Net 디코더를 결합했으며, 인코더가 생성하는 64‑차원 컨텍스트 벡터를 디코더가 고차원(2048×4) 특징 맵으로 확장한다. 저자들은 이러한 디코더 비대칭이 실제 조작 과제에 불필요한 잡음과 중복을 초래한다는 가설을 세우고, 학습 단계는 그대로 두고 추론 시 백본 특징을 무작위 마스킹하는 실험을 수행했다. 마스킹 비율을 조절했을 때 오히려 성능이 향상되는 현상이 관찰되었으며, 이는 디코더 내부 특징이 과도하게 풍부하면서도 과제와 무관한 정보를 담고 있음을 시사한다.

이를 해결하기 위해 제안된 변분 정규화(VR) 모듈은 마지막 다운샘플링 단계 직후에 삽입된다. VR은 입력 특징 Z와 현재 diffusion timestep t를 조건으로 평균 μθ(Z,t)와 표준편차 σθ(Z,t)를 예측하는 가우시안 분포 pθ(Ẑ|Z,t)=N(μ,σ²)를 정의한다. 재파라미터화 트릭을 이용해 Ẑ를 샘플링하고, 이를 이후 업샘플링 블록에 전달한다. 학습 과정에서는 원본 디노이징 손실에 추가로 KL(pθ(Ẑ|Z,t)‖N(0,I))를 최소화하는 정규화 항을 포함한다. 이 KL 항은 정보 병목을 형성해 불필요한 변동성을 억제하고, 타임스텝에 따라 잡음 수준이 변하는 특성을 반영한다.

이론적으로는 변분 정보 병목(VIB) 프레임워크와 동일시할 수 있다. VIB는 입력 Z와 목표 y 사이의 상호정보 I(Z;Y)를 최소화하면서도 I(Z;Ẑ) 를 제한해 압축된 표현을 학습한다. 여기서 KL 정규화는 ELBO(증거 하한)를 최대화하는 역할을 수행하며, 결국 디코더가 학습해야 할 유용한 신호만을 남긴다.

실험 결과는 세 가지 시뮬레이션 벤치마크(RoboTwin2.0, Adroit, MetaWorld)와 실제 로봇 환경에서 일관된 개선을 보여준다. 특히 DP3 대비 성공률이 RoboTwin2.0에서 6.1%, Adroit과 MetaWorld에서 각각 4.1% 상승했으며, 이는 기존 대규모 디코더가 반드시 성능을 보장하지 않음을 증명한다. 마스킹 실험과 VR 적용 후의 성능 변화를 비교한 Ablation Study에서는 VR이 잡음 억제 효과를 정량적으로 입증한다. 또한, VR 모듈은 파라미터 수가 수천 개에 불과해 연산량과 메모리 오버헤드가 미미하고, 기존 DP3 파이프라인에 바로 삽입할 수 있는 플러그‑인 형태이다.

이 논문의 주요 기여는 (1) 대형 디코더 내부 특징이 과제와 무관한 잡음을 포함한다는 실증적 증거, (2) 시간‑조건부 변분 정규화로 정보를 적응적으로 필터링하는 경량 모듈 제안, (3) 정보 병목 관점에서의 이론적 정당화와 실험적 검증이다. 한계점으로는 현재 VR이 백본 전체가 아닌 마지막 다운샘플링 단계에만 적용된다는 점이며, 더 깊은 계층에 대한 다중 단계 정규화나 다른 분포(예: 혼합 가우시안) 탐색이 향후 연구 과제로 남는다.