잠재 모델링을 위한 민감도 형성 (Sensitivity Shaping for Latent Modeling)

생성적 역학 모델 (Generative dynamics models)은 까다로운 로봇 시스템에서의 계획 (planning)을 가능하게 하지만, 안전한 배포를 위해서는 정책에 의해 유도된 분포 외 (out-of-distribution, OOD) 전이를 신뢰성 있게 탐지해야 합니다. 기존 방법들은 일반적으로 학습된 역학을 고정된 것으로 취급하고 사후적 지원 대리물 (post hoc support surrogates)을 부착합니다. 우리는 역학이 중요한 행동 선택에 대해 국소적으로 둔감할 때 이러한 대리물들이 실패할 수 있음을 보여줍니다. 즉, 지원되지 않는 제어 행동이 시연된 전이와 유사한 잠재 예측 (latent predictions)을 생성하여, 실제 예측 오차 (predictive errors)가 큼에도 불구하고 OOD 신호를 억제할 수 있습니다. 이를 해결하기 위해, 우리는 지원 조건부 제어 민감도 정규화 (support-conditioned control-sensitivity regularization)를 도입합니다. 이는 높은 지원을 가진 학습 영역 내의 학습된 역학에서 제어 입력 변화에 대한 민감한 국소적 반응을 촉진합니다. 이를 통해 제어 유도 변동성 (control-induced variation)을 보존하는 동시에, 약한 경험적 지원으로 인한 불안정한 외삽 (extrapolation)을 제한합니다. 시각 기반 장애물 회피, 조작 (manipulation), 그리고 실제 로봇 내비게이션 실험을 통해 개선된 OOD 탐지 및 더 안전한 폐루프 계획 (closed-loop planning)을 보여줍니다.