TL;DR

  • Facet-0은 3개 로봇 형태와 여러 제조 셀을 아우르는 1,000시간 규모 데이터로 학습해 5개 서브밀리미터 컴퓨터 조립 작업에서 평균 82% 성공률을 달성하는 로봇 파운데이션 모델임.
  • 동작의 접촉 결과를 예측하고 평가하도록 시각·언어 의미, 운동학적 상태, 인과적 힘·토크 이력(wrench history)을 하나의 동작·힘·토크 제안으로 통합함.
  • 플로 매칭(flow matching)으로 각 동작 청크와 그 동작이 유발할 것으로 예상되는 미래 손목 힘·토크 프로파일을 함께 생성함.
  • 배포 과정의 롤아웃으로 분포형 동작·힘·토크 비평가(Action-Wrench Critic)를 학습하고, 단계 인식 보상과 접촉 선택적 크레딧으로 결정적 상호작용에 정책 개선을 집중함.
  • 태스크 적응 시스템은 최강 기준선의 15% 성공률 대비 82%를 기록하고 0.5mm 배치 정확도와 50ms 명령 지연 시간을 달성함.

논문 정보

  • 제목: Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation
  • 저자: Haoyuan Deng, Haichao Liu, Wenkai Guo, Yuan Ling, Zaijia Yang, Yuanjiang Xue, Haosheng Sun, Liangzi Wang, Ziwei Wang
  • 제출일: 2026년 9월 1일
  • 분야: 컴퓨터 과학 > 로보틱스
  • arXiv 식별자: arXiv:2609.01596 (cs)

초록

  • 실제 환경에서 서브밀리미터 허용 오차로 로봇 조립을 수행하려면 공간 정밀도, 순응적 상호작용, 접촉 실패에 대한 강건성이 요구됨.
  • Facet-0은 동작의 접촉 결과를 예측하고 평가하는 로봇 파운데이션 모델임.
  • 다중모달 표현 학습과 강화학습(RL) 사후 학습을 공동 동작·힘·토크 제안(joint action-wrench proposal)을 중심으로 통합함.
  • 인과적 힘·토크 이력을 시각·언어 의미와 운동학적 상태에 정렬함.
  • 플로 매칭으로 각 동작 청크와 해당 동작이 유발할 것으로 예상되는 미래 손목 힘·토크 프로파일을 함께 생성함.
  • 배포 롤아웃으로 분포형 동작·힘·토크 비평가(Action-Wrench Critic)를 학습해 태스크 진행이 유사하지만 접촉 결과가 다른 동작을 구분함.
  • 단계 인식 보상과 접촉 선택적 크레딧을 적용해 결정적인 상호작용에 정책 개선을 집중함.
  • 부품별 동역학에 대응하기 위해 고정된 표현을 재사용하는 경량 제한형 액터(bounded actor)로 로봇상 적응을 수행함.
  • 강화학습은 실행 가능한 데카르트 동작(Cartesian action)을 대상으로 정의함.
  • 보조 힘·토크 헤드는 명령 대상이 아닌 동작과 접촉 사이의 예측적 결합을 보존함.
  • ManuFacet-1K에서 학습함. 해당 데이터셋은 3개 로봇 형태와 여러 제조 셀을 아우르는 1,000시간 규모의 힘 동기화(force-synchronized) 코퍼스임.
  • 제한형 태스크 적응 시스템은 5개 서브밀리미터 컴퓨터 조립 작업에서 평균 82% 성공률을 기록하며, 최강 기준선의 15%를 상회함.
  • 배치 정확도는 0.5mm, 명령 지연 시간은 50ms임.

주제

  • 로보틱스(Robotics, cs.RO)
  • 머신러닝(Machine Learning, cs.LG)

인용 정보

제출 이력

  • v1: Haoyuan Deng가 2026년 9월 1일 17:58:07 UTC에 제출함
  • 파일 크기: 17,985KB

전문 링크

  • PDF 보기
  • HTML 보기(실험 버전)
  • TeX 소스 보기