Arm2Air: 로봇 팔의 경로 정보를 활용한 3차원 통신 중계기 배치

Arm2Air: Cross-Embodiment Skeleton Transfer for 3D Relay Formation

무인 항공기(UAV) 기반 통신 중계 네트워크는 통신 인프라가 손상된 후에도 연결성을 유지할 수 있습니다. 도시 지역의 중계기 배치는 시야 차단, 통신 범위, 고도 및 3차원 장애물을 종합적으로 고려해야 하므로 어렵습니다. Arm2Air는 로봇 팔에서 얻은 장애물 회피 경로 정보를 UAV 중계기 배치에 적용하기 위해 개발되었습니다. 사전 학습된 신경망 모델(Neural MP)을 통해 얻은 로봇 팔의 동작 데이터를 변환하여 순서가 정렬된 경로 정보로 만들고, 이를 기반으로 트랜스포머 기반의 전이 플랫폼을 사전 훈련합니다. 이후 제한된 데이터와 저랭크 적응(Low-Rank Adaptation) 기술을 사용하여 UAV 환경에 맞게 조정합니다. 이렇게 생성된 경로 정보는 통신 연결성, 병목 현상 해결 능력, 지연 시간 및 이동 비용을 최적화하기 위한 중계 체인을 초기화하는 데 사용됩니다. 실제 3차원 도시 환경에서 실험한 결과, Arm2Air는 기존의 가장 빠른 계획 알고리즘에 비해 평균 경로 탐색 시간을 64.9% 단축했습니다. 또한 다른 테스트 데이터셋에서도 병목 현상 해결 능력을 32.6% 향상시키고, 용량 변동성을 74.7% 감소시키며, 최대 거리(hop distance)를 13.2% 줄이고, 거리 변동성을 75.2% 감소시키고, 중계기 이동 거리를 16.9% 단축했습니다. Arm2Air는 단 3개의 데이터만으로 학습하여 초기 배치 오류(root mean square error)를 기존 방식보다 53.6% 줄였으며, 업데이트해야 할 매개변수의 수가 0.134백만 개로 매우 적었습니다 (기존 방식을 사용한 경우 1.383백만 개). 이러한 결과는 효율적인 UAV 중계기 배치 방법을 제시하며, 다양한 로봇 시스템에서 순서가 정렬된 구조적 정보를 전이하는 일반적인 원리를 보여줍니다.

Unmanned aerial vehicle (UAV) relay networks can restore connectivity after communication infrastructure is damaged. Urban relay placement is difficult because line-of-sight blockage, communication range, altitude, and three-dimensional obstacles must be considered jointly. Arm2Air transfers obstacle-avoidance skeletons from robot arms to UAV relay placement through cross-embodiment transfer. Source-domain robot-arm motions from a pretrained Neural MP model are converted into ordered skeletons that pretrain a transformer-based transfer platform, which is then adapted to the UAV domain using limited target data and Low-Rank Adaptation. The transferred skeleton initializes a relay chain that is refined for connectivity, bottleneck capacity, delay, and movement cost. On nine held-out high-clutter 3D urban maps, Arm2Air reduced median end-to-end planning runtime by 64.9 percent relative to the fastest conventional planner. On the high-obstruction group of a separate 30-map dense urban holdout, it increased bottleneck capacity by 32.6 percent, reduced capacity variance by 74.7 percent, reduced maximum hop distance by 13.2 percent, reduced hop-distance variance by 75.2 percent, and reduced relay displacement by 16.9 percent relative to IMPC-MD. With only three target-domain training maps, Arm2Air reduced relay-position root mean square error by 53.6 percent relative to training from scratch while updating 0.134 million parameters, compared with 1.383 million for Scratch and Full Fine-tuning. These results demonstrate computationally and data-efficient UAV relay placement and suggest a broader principle for transferring ordered structural priors across heterogeneous embodied tasks.