로봇 조작에서 앵커 중심 적응을 통한 다양성 함정 극복

Escaping the Diversity Trap in Robotic Manipulation via Anchor-Centric Adaptation

비전-언어-행동(VLA) 모델은 광범위한 일반적인 능력을 제공하지만, 특정 하드웨어에 적용하려면 실제 환경에 대한 적응이 필요하며, 이는 로봇 데모의 비용을 고려할 때 제한된 데이터 예산 내에서 이루어져야 합니다. 본 연구에서는 중요한 '다양성 함정'을 식별합니다. 즉, 다양한 단일 시연을 수집하여 '범위 극대화'를 목표로 하는 일반적인 방법은 추정 오류로 인해 오히려 성능 저하를 초래할 수 있습니다. 우리는 이 현상을 '범위-밀도 균형' 문제로 공식화했습니다. 정책 오류를 추정(밀도) 및 외삽(범위) 요소로 분해하여, 고정된 예산 내에서 고유한 조건의 최적 할당을 분석했습니다. 이러한 분석을 바탕으로, 본 연구에서는 앵커 중심 적응(ACA)이라는 두 단계 프레임워크를 제안합니다. ACA는 먼저 핵심 앵커 지점에서 반복적인 시연을 통해 정책의 기본 구조를 안정화하고, 그 다음에는 교사 강제 기반 오류 탐색 및 제약 조건이 적용된 잔차 업데이트를 통해 위험도가 높은 영역으로 범위를 선택적으로 확장합니다. 실제 로봇 실험을 통해 제안하는 균형 프레임워크의 유효성을 검증하고, ACA가 동일한 예산 하에서 표준적인 다양한 샘플링 전략보다 작업의 신뢰성과 성공률을 크게 향상시키는 것을 확인했습니다.

While Vision-Language-Action (VLA) models offer broad general capabilities, deploying them on specific hardware requires real-world adaptation to bridge the embodiment gap. Since robot demonstrations are costly, this adaptation must often occur under a strict data budget. In this work, we identify a critical diversity trap: the standard heuristic of "maximizing coverage" by collecting diverse, single-shot demonstrations can be self-defeating due to non-vanishing estimation noise. We formalize this phenomenon as a Coverage--Density Trade-off. By decomposing the policy error into estimation (density) and extrapolation (coverage) terms, we characterize an interior optimal allocation of unique conditions for a fixed budget. Guided by this analysis, we propose Anchor-Centric Adaptation (ACA), a two-stage framework that first stabilizes a policy skeleton through repeated demonstrations at core anchors, then selectively expands coverage to high-risk boundaries via teacher-forced error mining and constrained residual updates. Real-robot experiments validate our trade-off framework and demonstrate that ACA significantly improves task reliability and success rates over standard diverse sampling strategies under the same budget.