Teaching Robots to Feel with AI Worker Tactile Imitation Learning
요약
AI Worker 로봇에 장착된 이중 HX5-D20 손(각 20자유도, 총 54자유도 행동 공간)으로 중첩 종이컵 분리·적층 작업을 수행하며 세 가지 정책 모델을 비교했다. 각 손끝에 촉각 압력 배열 센서가 내장된 HX5-D20의 특성을 활용해, RGB 카메라와 관절 상태만 사용하는 기준 ACT(행동 청크 변환기), MLP로 손끝 압력 배열을 처리해 입력 토큰으로 추가한 Tactile ACT, 그리고 ViTacFormer를 동일 과제에서 평가했다. 기준 ACT는 접촉력 조절에 실패해 성공률 0%를 기록했으며, Tactile ACT는 파지 안정성을 높여 10%를 달성했으나 두 컵을 동시에 집어 올리는 문제가 남았다. ViTacFormer는 40% 성공률을 기록해, 촉각 정보의 처리 방식이 조작 결과에 큰 차이를 만든다는 점을 보였다.
큐레이터 노트
원문에 없는 맥락입니다
세 모델의 성공률(0%→10%→40%)은 연구팀 자체 실험 결과이며 독립 검증은 이루어지지 않았다. 본문이 ViTacFormer 설명 직전에 잘려 있어 아키텍처의 구체적인 차이는 이 발췌본만으로는 확인할 수 없다.
이 글은 원문을 요약한 큐레이션입니다. 수치·스펙은 원문 표기를 유지했습니다. 로봇 발표는 제조사·연구실 보도자료가 많으므로 검증된 결과와 구분해 읽으세요.