연구진이 시각 기반 피드백 운동 계획을 위한 SLS^2 프레임워크를 발표했어요. 이 프레임워크는 학습된 잠재 세계 모델에서 강력한 모델 예측 제어(MPC)를 활용해 안전성을 확보합니다. 잠재적 오류 경계를 추정하고 안전한 잠재 공간 제약 조건을 설정하기 위해 공포멀 예측을 활용한 GPU 가속 시스템 수준 합성(SLS) MPC 방식을 적용했어요.
SLS^2는 학습된 잠재 상태를 활용하여 효율적인 경사 기반 경로 최적화를 가능하게 하며, 시각 기반 제어 작업에서 목표 달성 성능과 안전성을 향상시킵니다. 잠재적 제약 조건을 확인하기 위해 공포멀화된 잠재 제약 검사기를 학습하여 폐루프 실행 시 확률적 안전 제약을 적용할 수 있습니다.
연구 결과, SLS^2는 기존 잠재 세계 모델 및 안전 계획 기준선보다 성능과 안전성 모두에서 개선된 결과를 보여주며, 시각 기반 로봇 제어 분야에 기여할 것으로 기대됩니다.