이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
이전 강의에서 다룬 월드 모델은 예측 오차가 누적되는 '에러 컴파운딩' 문제로 인해 장기 예측에서 드리프트가 발생했다. 이번 강의에서는 이를 해결하기 위해 RSSM(Recurrent State Space Model) 아키텍처를 도입한다. RSSM은 결정론적 기억(h)과 확률론적 상태(s)를 결합한 'Belief'를 통해 불확실성을 모델링한다. 50개의 에피소드로 구성된 SO-101 로봇 데이터셋을 활용해, 프레임 재구성 손실과 prior-posterior 간의 KL 발산 손실을 최소화하는 방식으로 학습을 진행하여 로봇 제어의 성능을 개선했다.
챕터별 상세
월드 모델의 한계와 에러 누적
이전 강의에서 다룬 월드 모델은 예측 오차가 누적되는 에러 컴파운딩 문제로 인해 드리프트가 발생했다. 이를 해결하기 위해 RSSM 아키텍처를 도입했다. RSSM은 결정론적 기억과 확률론적 상태를 결합하여 불확실성을 모델링한다.
RSSM 아키텍처와 로봇 제어
RSSM은 결정론적 모델과 확률론적 모델을 결합한 구조이다. 50개의 에피소드로 구성된 SO-101 로봇 데이터셋을 활용하여 프레임 재구성 손실과 KL 발산 손실을 최소화하는 방식으로 학습을 진행했다.
Belief의 개념과 상태 정의
Belief는 상태, 관측, 불확실성을 포함하는 개념이다. RSSM은 이를 통해 로봇 제어의 정확도를 높인다. 상태는 256개의 결정론적 기억과 32개의 확률론적 샘플의 결합으로 정의된다.
학습 전략과 손실 함수 설계
학습은 프레임 재구성 손실과 prior-posterior 간의 KL 발산 손실을 최소화하는 방식으로 이루어진다. 프레임 재구성 손실은 모델이 실제 환경을 정확히 재현하도록 강제하며, KL 발산 손실은 모델의 예측 분포를 실제 관측 분포에 맞춘다.
RSSM 성능 평가
RSSM은 결정론적 모델과 확률론적 모델의 단점을 보완하여 에러 누적 문제를 해결했다. 실험 결과, RSSM은 기존 모델 대비 joint error를 45배 감소시키며 로봇 제어에서 우수한 성능을 보였다.
용어 해설
- 순환 상태 공간 모델(RSSM)
- — 결정론적 기억과 확률론적 상태를 결합하여 세계 모델의 동역학을 학습하는 아키텍처이다. 에러 누적 문제를 해결하기 위해 사용된다.
- 에러 누적(Error Compounding)
- — 예측 모델이 이전 예측값을 다음 입력으로 사용할 때 발생하는 오차가 시간이 지남에 따라 증폭되어 모델의 성능이 급격히 저하되는 현상이다.
- 쿨백-라이블러 발산(KL Divergence)
- — 두 확률 분포 간의 차이를 측정하는 지표로, 여기서는 모델의 예측 분포(prior)와 실제 관측 분포(posterior)를 일치시키는 데 사용된다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 25.수집 2026. 08. 25.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
