[논문리뷰] Task adaptation of Vision-Language-Action model: 1st Place Solution for the 2025 BEHAVIOR Challenge

링크: 논문 PDF로 바로 열기

저자: Ilia Larchenko, Gleb Zaring, Akash Karnatak

핵심 연구 목표

본 논문은 2025 BEHAVIOR Challenge에서 1위를 차지한 비전-액션 정책을 제시하며, 50가지의 다양하고 장기적인 가정용 작업을 포토리얼리스틱 시뮬레이션 에서 수행하는 것을 목표로 합니다. 특히, 누적 오류, 비마르코프적 상태, 복구 데모 부족, 다중 모달 액션 분포 와 같은 복합적인 도전 과제를 해결하는 데 중점을 둡니다.

핵심 방법론

연구팀은 Pi0.5 VLA 아키텍처 를 기반으로 상관 관계 노이즈(correlated noise) 를 활용한 흐름 매칭을 도입하여 훈련 효율성을 높였습니다. 시스템 2 단계 추적(System 2 Stage Tracking) 을 통해 비마르코프적 상태의 모호성을 해결하고, 학습 가능한 혼합 계층 어텐션(learnable mixed-layer attention) 을 사용하여 VLM(Vision-Language Model) 레이어 결합을 최적화했습니다. 또한, 다중 샘플 흐름 매칭(multi-sample flow matching) 으로 분산을 줄이고, 액션 압축(action compression) 및 휴리스틱 보정 규칙(correction rules) 을 통해 추론 효율성과 견고성을 향상시켰습니다.

주요 결과

이 접근 방식은 2025 BEHAVIOR Challenge에서 1위 를 달성했으며, 50가지 모든 작업에서 26%의 q-score 를 기록했습니다. 특히 그리퍼 열림 보정 규칙 은 특정 작업에서 그리퍼 관련 실패 시 성공률을 약 2배 높이는 데 기여했습니다. 최종 제출물은 4개의 작업별 미세 조정 체크포인트 를 사용했습니다.

AI 실무자를 위한 시사점

본 연구는 VLA 모델 이 복잡하고 장기적인 로봇 제어 문제를 해결하는 데 효과적임을 입증하며, 실제 로봇 애플리케이션 개발에 중요한 시사점을 제공합니다. 상관 관계 노이즈, 단계 추적, 학습 가능한 어텐션 메커니즘 과 같은 혁신적인 방법론은 흐름 매칭 기반 정책 의 훈련 효율성과 견고성을 크게 향상시킬 수 있습니다. 또한, 사전 훈련된 VLA 모델 의 중요성을 강조하며, 대규모 웹 데이터로 사전 훈련하고 로봇 작업에 미세 조정하는 패러다임이 실용적인 접근 방식임을 보여줍니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.