ACID: 역동역학 기반 행동 일관성 비용으로 세계 모델 계획의 재현성 향상

ACID는 세계모델을 재학습하지 않고 결정시점 비용만 조정해 적용할 수 있어 기존 액션-컨디셔닝 세계모델 기반 플래닝 시스템에 빠르게 통합할 수 있다. 검증기 학습은 기존의 오프라인 궤적 데이터를 재사용해 추가 환경 상호작용을 요구하지 않는다. 모델별로 λ만 한 번 튜닝하면 다른 작업으로의 전이가 가능한 특성이 있어 실무 적용 시 재튜닝 부담이 적다.

• 로봇 조작 시스템에서 모델 예측과 실제 롤아웃 간 불일치로 목표 달성률이 낮은 경우 플래닝 신뢰성 향상을 위해 적용할 수 있다
• 변형체(rope, granular)나 복잡한 접촉 역학을 포함하는 작업에서 예측 궤적의 재현 가능성을 보장해야 할 때 비용 함수 보강으로 사용 가능하다
• 제한된 플래닝 예산 환경에서 CEM 샘플 수를 줄여 계산 비용을 절감하면서 기존 성능을 유지하거나 개선하려는 상황에 적용 가능하다

코드 공개 여부: 미확인

Action-Conditioned World Model

— 현재 관찰과 행동을 입력으로 받아 다음 상태를 예측하는 학습된 동적 모델로서, 계획 단계에서 후보 행동열을 입력해 미래 상태 궤적을 생성하고 최적의 행동열을 선택하는 데 사용된다. 본문에서는 주로 JEPA 스타일의 잠재 공간 예측기 형태로 구현되어 픽셀 대신 압축된 잠재 표현을 예측한다. 결정시점 플래닝에서 세계 모델은 추가 학습 없이 다양한 최적화 기법과 결합되어 사용된다.

Inverse Dynamics Model

— 두 연속 상태(또는 잠재 상태) 쌍을 받아 그 사이를 만든 실제 행동을 역추정하는 모델로서, 본문에서는 예측된 전이의 재현 가능성을 판별하는 검증기 역할을 수행한다. 역추정된 행동과 계획에서 사용된 행동의 차이를 단계별 비용으로 계산해 궤적 실현 가능성을 측정한다. 학습은 오프라인 수집 궤적을 이용해 수행되어 실제 환경 데이터 추가 수집을 요구하지 않는다.

Cycle Action Consistency

— 예측된 한 단계 전이에서 역동역학 모델이 역추정한 행동이 그 전이를 생성하기 위해 계획에서 사용된 행동과 일치해야 한다는 원리로, 각 단계별 잔차를 집계해 전체 궤적의 재현 가능성을 비용으로 반영한다. 이 원리는 종단 상태 근접성만 보는 기존 비용이 감지하지 못하는 '모델이 만들어낸 비현실적 전이'를 판별한다. 비용으로 통합하면 CEM 같은 결정시점 최적화가 비현실적 후보를 배제하도록 유도한다.

JEPA

— 잠재 공간에서 미래 상태를 예측하는 접근계열로, 인코더로 얻은 고차원 특징을 고정·학습된 잠재 표현으로 처리해 예측기를 훈련하는 방식이다. 본문에서는 JEPA 스타일의 잠재 예측기가 픽셀 공간 대신 압축된 잠재를 연쇄적으로 예측해 장거리 예측을 수행하는 데 사용되었다. JEPA 계열은 결정시점 플래닝에 적합한 가벼운 잠재 표현을 제공하는 장점이 있다.

Chamfer Distance

— 두 점군 간의 근접도를 측정하는 거리 지표로서, 한 점군의 각 점에서 다른 점군으로의 최단거리 제곱합을 평균한 값으로 계산된다. 본문에서는 변형 물체(rope, granular)의 배치 유사도를 정량화하는 지표로 사용되어 예측된/실제 물체 구성의 차이를 수치화했다. 값이 작을수록 목표 구성에 가깝다는 의미이다.