Play2Perfect: What Matters in Dexterous Play Pretraining for Precise Assembly?
저자: Tyler Ga Wei Lum, Kushal Kedia, C. Karen Liu, Jeannette Bohg · CoRL 2026
라이선스
arXiv의 라이선스에 따라 아래 내용은 모두 초록만으로 작성했습니다.
중요한 이유
다지 손을 이용한 정밀 조립은 접촉이 많아 시연을 수집하기 어렵고, 보상이 희소해 강화 학습으로 직접 탐색하기가 감당하기 어려울 정도로 힘들기 때문에 여전히 실현되지 못하고 있다. 저자들은 플레이로 사전 학습한 사전 지식이 처음부터 학습하는 것보다 샘플 효율이 33배 높고, 제로샷 Sim-to-Real 전이에서 틈새 0.5 mm 삽입 작업에 60%의 성공률을 달성했다고 보고한다.
제안 방법
Play2Perfect는 다양한 물체와 목표에 대한 플레이를 통해 과제에 구애받지 않는 정책을 사전 학습하여 파지, 손 안 재배향, 자세 도달 같은 재사용 가능한 사전 지식을 익힌 뒤, 정밀 조립에 맞춰 미세 조정함으로써 탐색이 마지막 고정밀 접촉에 집중되도록 한다. 저자들은 물체 다양성, 학습 목적 함수, 궤적 다양성, 목표 정밀도를 설계 선택 사항으로 연구한다.
초록
여러 손가락을 가진 로봇은 사람 손의 속도와 손재주를 약속하지만, 정밀 조립 같은 어려운 문제는 여전히 손이 닿지 않는 곳에 있었습니다. 이런 작업은 접촉이 많아 모방 학습을 위한 데이터 수집이 어렵고, 보상이 희소해 강화 학습(RL)으로 직접 탐색하기가 사실상 불가능합니다. 그래서 기존 연구는 전용 그리퍼, 공구 부착물, 환경에 설치한 지그로 문제를 구조화하는 방식으로 진전을 이뤄 왔습니다. 이 연구에서 우리는 로봇이 정밀 조립을 완벽하게 해내기 전에 먼저 노는 법을 배워야 한다고 주장합니다. 나아가 노는 법을 배우는 과정에서 어떤 요소가 정밀 조립에 중요한지 묻습니다. 우리는 다양한 물체와 목표를 가지고 노는 방식으로 작업에 무관한 사전 학습을 하고, 이를 정밀 조립에서 완성하는 RL 프레임워크인 Play2Perfect를 제안합니다. 놀이의 목적은 잡기, 손 안에서 방향 바꾸기, 자세 도달처럼 재사용할 수 있는 조작 사전 지식을 얻는 것입니다. 이어지는 미세 조정은 이 일반적인 사전 지식을 조립에 맞추고, 성공에 필요한 마지막의 접촉이 많고 정밀도가 높은 상호작용에 탐색을 집중시킵니다. 우리는 놀이 사전 학습의 핵심 설계 선택인 물체 다양성, 학습 목표, 궤적 다양성, 목표 정밀도를 체계적으로 연구합니다. 우리의 사전 지식은 처음부터 학습하는 RL이 조밀한 다단계 보상을 받더라도 그보다 샘플 효율이 33배 높음을 보입니다. 또한 제로샷 Sim-to-Real 전이를 시연하여, 접촉 틈새가 0.5 mm에 불과한 빡빡한 삽입에서 60%, 긴 호라이즌의 여러 부품 조립과 나사 체결에서 50%가 넘는 성공률을 달성했습니다.
링크
- arXiv 2606.26428: https://arxiv.org/abs/2606.26428
- PDF: https://arxiv.org/pdf/2606.26428
- 코드: https://github.com/kushal2000/play2perfect
- 프로젝트 페이지: https://play2perfect.github.io/