앤트로픽 “로봇, 美 육체노동 74% 수행 가능하지만 비용 경쟁력은 0.3%뿐”

로봇 기반 정책이 예측한 행동 청크에서 몇 스텝을 실행할지 결정하는 ChunkTrust를 제안한다. 행동 생성 궤적의 스펙트럼 안정성과 실행 이력 간 연속성을 온라인으로 결합해 실행 지평을 선택하며, RoboTwin2.0 50개 과제에서 π0.5 성공률을 56.70%에서 63.50%로 끌어올렸다. 이 논문은 프리프린트이며, 동료 심사 여부는 확인되지 않았다.

ChunkTrust는 학습이 필요 없는 Action-aware Horizon Selector(AHS)로 후보 실행 접두사를 평가한다. 행동 생성 단계에서 속도 예측의 푸리에 변환을 통해 초기 기준 대비 고주파 에너지 변동을 측정하고, 실행 이력과 예측 접두사를 이어붙인 속도 변동 계수로 연속성을 점수화한다. 이 두 증거를 결합한 뒤 후보별 베타 사후분포에 망각 커널을 적용해 에피소드 국소 기억을 유지하고, 탐슨 샘플링과 기대값 반올림으로 실행 길이를 고른다. 선택적으로 Query-based Horizon Adapter(QHA)를 학습해 VLM 컨텍스트와 행동 잠재 토큰으로 조밀한 실행 지평 사전분포를 만들고, 이를 현재 증거 및 베타 기억과 곱해 사용한다. 기본 정책 가중치는 고정한다.