Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 기사는 학습된 컨트롤러의 성능을 개선하기 위해 매개변수 고정 대신 '진입 규칙' 제약을 도입하는 방법을 제시합니다. 이 진입 규칙은 성공적인 과거 궤적 상태를 기반으로 스킬 간 전환을 제어하며, 합성 컨트롤러가 모든 복구 궤적을 정확히 재현할 때만 적용됩니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기능숙한 학습된 컨트롤러는 이미 많은 교란으로부터 스스로 회복합니다. 이를 개선한다는 것은 수정(correction)을 학습하고, 언제 적용하지 않을지 학습하는 것을 의미합니다. 스킬의 매개변수를 고정한다고 해서 후반부까지 해결되는 것은 아닙니다. 고정된 스킬들 사이를 경로 지정하는 컨트롤러에서 새로운 진입 규칙은 이전 스킬이 성공했던 상태들을 재지정할 수 있습니다. 따라서 우리는 매개변수 대신 진입을 제약합니다. 각 업데이트는 측정된 실패 지점에서 피드백 스킬(feedback skill)을 검색합니다. 이 스킬은 관찰값(observations)을 읽고 누적된 성공 궤적 상의 모든 상태를 거부하는 진입 규칙을 맞춥니다. 해당 스킬은 합성 컨트롤러(composed controller)가 새로운 복구를 스스로 재현하고 보호되는 모든 궤적을 정확하게 재생할 때만 채택됩니다. 유한 궤적 조건(finite-trajectory condition)은 이것이 이전 컨트롤러를 보존하는 경우를 명시합니다. 하나의 메커니즘은 네 개의 스트림에서 실행됩니다: 두 휴머노이드 시스템 각각에 대한 두 가지 동작입니다. 스트림당 두 번의 업데이트는 192개의 보류된 교란(withheld perturbations)에 걸쳐 62개의 복구 사례를 추가하며, 기본 컨트롤러가 성공했던 부분은 전혀 손실하지 않습니다. 우리는 그 보장의 가치를 평가합니다. 제약을 제거하면 33개의 조건을 더 회복하지만, 보호되는 여덟 가지 조건이 아예 완료되지 못하게 하며, 오직 채택이 필요하다고 증명하는 것만 제외할 경우 이 비용 중 아무것도 회복하지 못합니다.