RoboSSM: Scalable In-context Imitation Learning via State-Space Models

작성자

Haebom

카테고리

Empty

저자

Youngju Yoo, Jiaheng Hu, Yifeng Zhu, Bo Liu, Qiang Liu, Roberto Martin-Martin, Peter Stone

💡 개요

본 연구는 몇 개의 시연만으로 로봇이 새로운 작업을 학습할 수 있도록 하는 인컨텍스트 모방 학습(ICIL)의 확장성을 높이는 데 초점을 맞춥니다. 기존의 Transformer 기반 방법론이 가진 계산 복잡성과 긴 프롬프트 처리의 한계를 극복하기 위해, 선형 시간 추론과 뛰어난 외삽 능력을 갖춘 최첨단 상태 공간 모델(SSM)인 Longhorn을 활용한 RoboSSM을 제안합니다. 이를 통해 학습 데이터에 없던 긴 작업이나 장기적인 작업을 포함하는 프롬프트에 대해 Transformer 기반 방법보다 우수한 일반화 성능을 달성하며 ICIL을 위한 효율적이고 확장 가능한 백본으로서 SSM의 가능성을 입증합니다.

🔑 시사점 및 한계

•

상태 공간 모델(SSM)이 인컨텍스트 모방 학습(ICIL)에 효과적이며, 특히 긴 프롬프트 처리 및 외삽 능력에서 Transformer 기반 방법론을 능가할 수 있음을 보여줍니다.

•

RoboSSM은 기존 ICIL 방법의 계산 병목 현상을 해결하고, 실제 로봇 환경에서 더 복잡하고 긴 작업에 대한 적응성을 향상시킬 수 있는 확장 가능한 솔루션을 제공합니다.

•

향후 연구는 다양한 로봇 작업 및 환경에 대한 RoboSSM의 일반화 성능을 더욱 검증하고, SSM 아키텍처 자체를 ICIL에 최적화하는 방향으로 진행될 수 있습니다.

PDF 보기

Made with Slashpage