추천Qwen-RobotManip: 정렬(Alignment)을 통한 로봇 조작 파운데이션 모델의 스케일링 실현

Qwen-RobotManip는 Qwen-VL을 기반으로 구축된 범용 Vision-Language-Action (VLA) 파운데이션 모델이다. 기존 로봇 데이터의 이질성과 수집 비용 문제를 해결하기 위해 표현(Representation), 동작(Motion), 행동(Behavior) 차원을 통합하는 3차원 정렬(Three-Dimensional Alignment) 프레임워크를 도입했다.

이 모델은 독점 데이터 없이 오직 오픈소스 로봇 데이터와 인간 시연 영상을 활용하여 약 38,100시간 규모의 사전 학습 코퍼스를 구축했다. 특히 1,933시간의 1인칭 시점(Egocentric) 인간 영상을 15종의 로봇 형태에 맞게 변환하는 Human-to-Robot 합성 파이프라인을 통해 24,808시간의 로봇 시연 데이터를 생성해냈다.

주요 성과는 다음과 같다:

• OOD(Out-of-Distribution) 일반화: LIBERO-Plus(91.4%), RoboTwin-C2R Hard(69.4%) 등 주요 벤치마크에서 기존 SOTA 모델 대비 압도적인 성능을 기록했다.
• 실제 환경 성능: RoboChallenge Table30 v1 Generalist 트랙에서 1위를 차지하며, 3위 모델보다 20% 앞선 성능을 입증했다.
• 교차 신체 전이(Cross-embodiment Transfer): 다양한 로봇 형태와 센서 간의 차이를 극복하고 일관된 신호 추출이 가능하다.

결과적으로 Qwen-RobotManip는 데이터의 다양성과 정렬이 로봇 파운데이션 모델의 스케일링을 위한 필수 전제 조건임을 증명했다.