촉각 관찰과 시각 보상
촉각은 정밀한 접촉에 유용하지만 물체의 전체 공간 배치를 판단하는 단서가 부족할 수 있다. TAVI는 촉각 기반 정책을 시각 보상으로 최적화하는 방향을 제안한다.
사람 시연으로 보상 만들기
대조 목적 함수로 시각 표현을 먼저 학습한다. 이어 사람 시연 하나를 최적 수송 기반으로 대응시켜 정책이 최대화할 보상 함수를 만든다.
온라인 정책 개선
실제 로봇에서 온라인 강화 학습으로 촉각 기반 정책을 개선한다. 사람이 보여준 동작을 그대로 복사하는 것과 달리 시연은 학습된 시각 보상 구성의 기준이 된다.
평가 과제
네 손가락 Allegro 손으로 핀 집어 옮기기와 그릇 분리, 가느다란 물체 뒤집기 등을 포함한 여섯 과제를 평가했다. 촉각 입력의 유무와 보상 설계를 구분해 각 구성의 기여를 살펴야 한다.
관련 문서
DexTouch / ViTaL 로봇 조작 정책 / TLA 촉각 언어 행동 모델 / 최적 수송 / 강화 학습 / 촉각