[논문리뷰] Ground Slow, Move Fast: A Dual-System Foundation Model for Generalizable Vision-and-Language Navigation

링크: 논문 PDF로 바로 열기

저자: Meng Wei, Chenyang Wan, Jiaqi Peng, Xiqian Yu, Yuqiang Yang, Delin Feng, Wenzhe Cai, Chenming Zhu, Tai Wang, Jiangmiao Pang, Xihui Liu

핵심 연구 목표

기존 Vision-Language Navigation (VLN) 모델의 단일 파이프라인이 유발하는 단편적인 동작, 높은 지연 시간, 그리고 동적 장애물 회피의 어려움을 해결하는 것이 목표입니다. 고수준의 언어-시각 추론 능력과 저수준의 실시간 액션 실행 능력을 효과적으로 통합하여 일반화 가능한 로봇 내비게이션 을 구현하고자 합니다.

핵심 방법론

논문은 DualVLN 이라는 듀얼 시스템 접근 방식을 제안합니다. System 2 는 7B 사전 훈련된 VLM (QwenVL-2.5) 을 사용하여 2Hz로 중간 목표 픽셀 목표 (waypoints) 를 "느리게" 추론하는 고수준 글로벌 플래너 역할을 합니다. System 1 은 경량 멀티모달 컨디셔닝 Diffusion Transformer 정책 으로, 30Hz로 System 2의 잠재 특징(latent features) 과 고주파 RGB 입력을 활용하여 부드럽고 정확한 궤적을 "빠르게" 생성합니다. 두 시스템은 비동기 추론 을 통해 효율적으로 연동됩니다.

주요 결과

DualVLN은 VLN-CE 벤치마크에서 SR 64.3%, SPL 58.5%, nDTW 70.0% 를 달성하여 기존 최고 성능을 뛰어넘었습니다. VLN-PE 벤치마크에서도 SPL 51.6%, SR 55.9% 로 상당한 성능 향상을 보였습니다. 실세계 로봇 (Turtlebot4, Unitree Go2, Unitree G1) 실험을 통해 다양한 환경과 플랫폼에서 견고한 장거리 계획 및 실시간 동적 장애물 회피 능력 을 입증했습니다.

AI 실무자를 위한 시사점

이 연구는 고수준 추론과 저수준 제어를 분리하는 듀얼 시스템 아키텍처 가 로봇 내비게이션의 일반화 및 실시간 성능 에 매우 효과적임을 보여줍니다. 특히, 대규모 VLM의 추론 능력 과 경량 Diffusion 정책의 민첩성 을 결합한 방식은 복잡하고 동적인 실제 환경에서의 자율 로봇 배포에 중요한 기술적 토대를 제공합니다. 잠재 목표 표현 을 통한 시스템 간 정보 교환 방식은 향후 다중 모달 로봇 제어 시스템 설계에 영감을 줄 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.