[논문리뷰] Openpi Comet: Competition Solution For 2025 BEHAVIOR Challenge

링크: 논문 PDF로 바로 열기

저자: Delin Qu*, Qizhi Chen*, Shangkun Sun*, Zhaoshuo Li, Yu-Wei Chao, Xiaohui Zeng, Xuan Li, Junjie Bai, Tsung-Yi Lin, Ming-Yu Liu

핵심 연구 목표

2025 BEHAVIOR Challenge에서 물리적 에이전트 가 시뮬레이션 환경에서 장기적인 작업을 성공적으로 수행하는 문제에 집중하며, 기존 Vision-Language-Action (VLA) 모델 의 한계를 극복하는 것을 목표로 합니다. 특히 강력하지만 일반적인 기초 VLA 모델 을 복잡한 로봇 벤치마크에 적응시키는 방법을 탐구하고자 합니다.

핵심 방법론

기본 시스템으로 π0.5 VLA 정책 을 채택하여 1k 시간의 인간 시연 , 모션 플래너 궤적 , 오프라인 RL 롤아웃 을 포함한 대규모 이종 데이터셋으로 사전 훈련했습니다. 후속 학습 단계에서는 Rejection Sampling Fine-Tuning (RFT) 방식을 사용하여 초기 포즈를 교란하고 성공적인 에피소드를 추가 훈련 데이터로 활용하여 모델의 견고성과 커버리지를 향상시켰습니다. 추론 전략으로 Receding Horizon 제어 모드 와 32의 액션 Horizon 을 사용했으며, RGB 입력 모달리티 와 고해상도 이미지(Head:720, Wrist:480) 를 통해 성능을 최적화했습니다.

주요 결과

본 솔루션은 2025 BEHAVIOR Challenge에서 Q-score 0.2514 를 달성하여 2위를 기록했으며, 전체 50개 가정 작업 중 22개 작업 을 성공적으로 완료했습니다. 특히, 고해상도 이미지 입력(Head:720, Wrist:480) 은 "turning on radio" 태스크에서 성공률을 0.25에서 0.60 으로 크게 높여, 정밀한 시각 정보의 중요성을 입증했습니다. 또한 32의 Receding Horizon 이 최적의 성능을 보였습니다.

AI 실무자를 위한 시사점

본 연구는 강력한 VLA 파운데이션 모델 이 체계적인 사전 훈련, RFT 를 통한 데이터 증강, 그리고 신중한 추론 설계 (예: Receding Horizon 및 고해상도 시각 입력 )를 통해 복잡하고 장기적인 로봇 작업에 효과적으로 적용될 수 있음을 보여줍니다. 이는 embodied AI 분야에서 기초 모델을 실제 응용에 확장할 때 고품질의 지각 정보 와 연속적인 피드백 메커니즘 이 핵심임을 시사하며, AI 개발자들이 강력한 모델을 복잡한 인간 중심 환경에 맞게 조정하는 데 실용적인 지침을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.