훈련 없이 동작 정책을 위한 동적 보정 기능을 갖춘 클로즈드 루프 액션 청크

Closed-Loop Action Chunks with Dynamic Corrections for Training-Free Diffusion Policy

확산 기반 정책은 로봇 조작 분야에서 뛰어난 성과를 거두었지만, 종종 동적인 환경에 빠르게 적응하는 데 어려움을 겪어 지연된 반응이나 작업 실패를 초래합니다. 본 논문에서는 실시간 보정을 통합한 청크 기반 동작 생성 방식을 결합한 동적 클로즈드 루프 확산 정책 프레임워크인 DCDP를 제안합니다. DCDP는 자체 지도 학습 기반 동적 특징 인코더, 크로스 어텐션 융합, 그리고 비대칭 액션 인코더-디코더를 통합하여 동작 실행 전에 환경 동역학 정보를 주입함으로써 실시간 클로즈드 루프 동작 보정을 가능하게 하고, 시스템의 동적 환경 적응성을 향상시킵니다. 동적 PushT 시뮬레이션에서 DCDP는 재학습 없이 19%의 적응성 향상을 달성하며, 추가적인 계산량은 5%에 불과합니다. 또한, 모듈형 설계로 인해 플러그 앤 플레이 방식으로 통합이 가능하여 동적 로봇 시나리오, 특히 실제 로봇 조작 작업에서 시간적 일관성과 실시간 반응성을 모두 제공합니다. 프로젝트 페이지는 다음 링크에서 확인할 수 있습니다: https://github.com/wupengyuan/dcdp

Diffusion-based policies have achieved remarkable results in robotic manipulation but often struggle to adapt rapidly in dynamic scenarios, leading to delayed responses or task failures. We present DCDP, a Dynamic Closed-Loop Diffusion Policy framework that integrates chunk-based action generation with real-time correction. DCDP integrates a self-supervised dynamic feature encoder, cross-attention fusion, and an asymmetric action encoder-decoder to inject environmental dynamics before action execution, achieving real-time closed-loop action correction and enhancing the system's adaptability in dynamic scenarios. In dynamic PushT simulations, DCDP improves adaptability by 19\% without retraining while requiring only 5\% additional computation. Its modular design enables plug-and-play integration, achieving both temporal coherence and real-time responsiveness in dynamic robotic scenarios, including real-world manipulation tasks. The project page is at: https://github.com/wupengyuan/dcdp