로봇 작업 성공·실패 판단 통합한 비전-언어-행동 모델 'Echo'

핵심 요약

• 로봇이 작업 완료 시 멈추고 실패 시 복구·재계획할 수 있도록, 작업 상태 신호(stop/failure) 예측을 Vision Language Action 모델에 통합하는 'Echo' 프레임워크를 제시했다.
• 기존 방식은 프레임 단위의 세밀한 지도학습, 외부 감시 모델, 복잡한 아키텍처를 요구했으나, Echo는 프로세스 주석 없이 작업 상태 신호를 학습하면서도 단일 VLA 내에 상태 예측과 행동 생성을 간단히 통합한다.
• stop 신호와 failure 신호를 행동 청크의 두 차원으로 추가하고, 로봇 행동과 함께 노이즈 제거 과정을 거쳐 두 신호의 조합으로 진행 중·성공·실패 상태를 구분한다.
• 세밀한 진행 상황 주석 없이도 학습하기 위해 성공, 실패, 복구 궤적을 상호 보완적 지도 특성을 갖도록 구성한다.
• 상태 신호가 행동 생성을 직접 안내하도록, 신호와 행동 간 상호작용을 제어하고 신호를 행동보다 먼저 노이즈 제거해, 이후 행동 생성 단계가 더 깨끗한 상태 추정치를 조건으로 삼을 수 있게 한다.
• 실제 로봇 조작 실험에서 Echo는 작업 상태를 정확히 예측하고 정책 성능을 지속적으로 향상시킨다.