본 연구는 인간–로봇 상호작용(HRI)을 위한 생체모사 로봇 손의 설계 및 평가를 다루며, 재료 선택에 의해 구동되는 촉각 충실도(tactile fidelity) 향상에 초점을 둔다. 열가소성 폴리우레탄(Thermoplastic polyurethane, TPU)은 선행 문헌에서 보고된 탄성체 특성과 기계적 순응성(mechanical compliance)에 근거하여 폴리락트산(polylactic acid, PLA)보다 선택되었다. 인간 피부의 특성을 직접적으로 일치시키기보다는, TPU는 경직된 PLA에 비해 더 부드럽고 편안한 촉각 상호작용을 제공하는 것으로 인식되었다. 로봇 손은 오픈 소스 모델로부터 해부학적으로 재구성하였고, 배선의 단순화 및 운동 정밀도의 향상을 위해 AX-12A 및 MG90S 액추에이터와 통합하였다. ATmega2560 마이크로컨트롤러를 기반으로 제작된 맞춤형 PCB는 ROS 기반 상위 수준 제어 시스템과의 실시간 통신을 가능하게 한다. 반복적인 제스처 동작에 대한 각도 변위(angular displacement) 분석은 시스템의 높은 반복성과 일관성을 확인하였다. 47명의 참가자를 포함하는 반복측정 사용자 연구를 수행하여, 악수와 제스처 명령과 같은 대화형 작업에서 PLA 기반 및 TPU 기반 프로토타입을 비교하였다. TPU 손은 촉각의 사실감, 그립 만족도, 그리고 지각된 응답성에서 유의하게 더 높은 평가를 받았다(p < 0.05). 질적 피드백 또한 TPU 손의 우수한 정서적 수용성과 편안함을 지지하였다. 이러한 결과는 로봇 손 설계에 TPU를 통합하는 것이 기계적 성능을 향상시키는 데 그치지 않고, 정서적으로 몰입감 있고 자연스러운 인간–로봇 상호작용을 촉진하는 데에도 중요한 역할을 하며, 감성 기반 HRI(affective HRI) 응용을 위한 유망한 접근임을 시사한다.

본 논문은 스마트폰만으로 자율주행차(AV)를 회복하기 위해, 현장 대응자와 같은 인근의 인간이 수동으로 조작할 수 있도록 하는 폴백(fallback) 제어 시스템을 탐구한다. 자율주행차 제조사들이 전통적인 운전자 인터페이스를 점차 제거함에 따라, 수동 개입은 곧 불가능해질 것이며 원격 주행이 주요 회복 메커니즘으로 남게 된다. 그러나 원격 주행은 높은 지연 시간, 대역폭 요구, 그리고 저하된 상황 인식으로 인해 시간에 민감한 상황이나 고장 시나리오에서의 효과를 제한받는다. 이에 대한 대안으로, 본 논문은 스마트폰 기반 및 엣지(edge) 보조 방식의 SAVRE(Smartphone to the Autonomous Vehicle’s REscue)라는 방안을 제안한다. SAVRE는 제어 루프의 지연 시간을 최소화하기 위해 차량 내부의 인간 조작자를 엣지 컴퓨팅으로 보조함으로써 수동 개입의 어려움을 해결한다. 비행기 조종의 플라이 바이 와이어(fly-by-wire) 시스템에서 영감을 받아, SAVRE는 안전하고 직관적인 운용을 보장하기 위해 차선 유지 보조와 입력 필터링을 통합한다. 이 시스템은 다양한 네트워크 조건 하에서 CARLA 시뮬레이터를 사용하여 구현되고 평가된다. 실험 결과는 SAVRE가 응답성, 차선 유지 안정성, 지연 및 지터(delay 및 jitter)에 대한 허용도에서 원격 주행에 비해 유의미하게 우수함을 보여주며, AV 고장 회복을 위한 폴백 솔루션으로서의 실현 가능성을 입증한다.

트랜스포머 기반 모델은 로봇 조작을 크게 발전시켰으나, 강건한 장기 기억을 필요로 하는 장시간 지평(long-horizon) 작업에서는 중대한 도전에 직면한다. 지각-행위자(Perceiver-Actor, PerAct)는 시각 및 언어 입력을 모두 효과적으로 처리하지만, 역사적 정보를 보존하는 능력이 제한되어 다단계 작업에서의 성능이 제약된다. 이러한 한계를 극복하기 위해, 우리는 PerAct에 키-값 메모리 모듈을 보강하고 장기 의존성을 보다 잘 포착하기 위해 Efficient Memory-Augmented Transformer(EMAT)를 활용한 Perceiver Memory Actor(PMA)를 제안한다. PMA는 과거 상태를 효율적으로 저장하고 검색함으로써, 연속적인 조작 작업에서 의사결정을 향상시킨다. RLBench 장시간 지평 벤치마크(예: "put item in drawer" 및 "stack blocks,")에서의 실험 결과는 PMA가 각각 작업 정확도에서 PerAct보다 23.7%와 47.2% 더 우수함을 보여준다. 이러한 결과는 PMA가 동적 환경에서 맥락적 인식을 유지하고 행동을 최적화할 수 있음을 입증한다. 본 연구는 강화학습 기반 로봇 조작에서 메모리 보강(memoory-augmented) 아키텍처의 중요성을 강조하며, 트랜스포머 모델에 장기 기억을 도입하기 위한 확장 가능한 프레임워크를 제시한다.

우리는 잠재 공간과 교차 주의(cross-attention) 메커니즘을 갖춘 Perceiver IO와, 연산이 주의 없이 이루어지는 Transformer인 Attention-Free Transformer(AFT)를 결합한 새로운 모델인 Perceiver Element-wise Transformer(PET)를 제안한다. Perceiver IO는 대규모 입력 데이터를 효과적으로 처리하는 반면, AFT는 전통적인 점곱(dot-product) 연산을 원소별 곱(element-wise multiplication)으로 대체하여 계산 복잡도와 메모리 사용량을 유의미하게 감소시킨다. 복잡한 로봇 제어 환경에서 수행한 실험 결과, PET는 연산 시간은 11% 감소시키면서 손실(loss) 값은 더 낮게 달성하고 전반적인 테스트 점수는 향상시켰다. 이러한 결과는 일반화 성능과 자원 효율성 측면에서 제안한 모델의 우수성을 입증한다. 전반적으로 본 결과는 PET가 대규모 머신러닝 작업을 위한 유망한 해결책이며, Transformer 아키텍처의 역량을 진전시킬 수 있음을 시사한다.

본 연구는 장기(롱호라이즌) 과제에서 강화학습(RL)의 안정성과 성능을 향상시키기 위한 새로운 접근법을 제안한다. 가치함수 추정에서의 과대추정 편향과 환경 내 높은 불확실성은 최적의 행동을 결정하기 어렵게 만든다. 이를 해결하기 위해 우리는 로봇 응용에서 불확실성을 관리하는 방식으로 truncated quantile critics 알고리즘을 개선한다. 우리의 동적 방법은 정책 엔트로피에 따라 할인율을 조정하여, 에이전트의 학습 상태를 반영하는 세밀한 튜닝이 가능하도록 한다. 이를 통해 기존 알고리즘은 제한된 학습 데이터가 있는 상황에서도 안정적으로 학습할 수 있으며, 보다 견고한 적응을 보장한다. 정책 엔트로피 손실을 활용함으로써, 이 접근법은 미래 보상의 예측에 대한 신뢰도를 효과적으로 향상시킨다. 실험 결과, DeepMind Control Suite 및 Gymnasium 로보틱스 환경에서 기존의 고정 할인율 접근법에 비해 평균 평가 수익이 11% 증가함을 확인하였다. 본 접근법은 복잡한 장기 과제에서의 샘플 효율성과 적응성을 유의미하게 향상시키며, 도전적이고 불확실한 환경에서의 탐색에 있어 엔트로피 유도 RL의 효과를 잘 보여준다.

본 논문은 분산형 Frequency Modulated Continuous Wave (FMCW) 레이더 시스템을 이용한 벽 관통(through-wall) 인간 탐지를 위한 시뮬레이션 기반 프레임워크를 제시한다. 다수의 저전력 레이더 노드가 정면 및 측면 시점에서 인간 표적을 관측하며, 생체 신호(vital signs)를 현실적인 주파수 및 진폭 변동성을 반영하도록 모델링한다. Range Doppler Map (RDM) 슬라이스는 다양한 거리에서 생성되며, 제한된 데이터 상황을 반영하도록 증강된다. 합성곱 신경망(CNN)은 동시 펄스 적분(CPI)을 위한 지향을 위해 정면-측면 범위 빈(range bin) 쌍을 분류한다. 평가된 모델들 중 ResNet18만이 94% 이상의 테스트 정확도를 달성하며, 경량 및 순환(recurrent) 아키텍처를 능가한다. 제안된 접근법은 현실적인 벽 관통 시나리오에서 위치추정(localization)과 견고성(robustness)을 향상시킨다.