Embodied-R1: Reinforced Embodied Reasoning for General Robotic Manipulation

Motivation

• Known: Vision-Language-Action(VLA) 모델들은 강한 시각 인식 능력을 보이지만, 새로운 환경에서 조작 성능이 크게 저하되는 'seeing-to-doing gap' 문제가 있다. 이는 데이터 부족과 로봇 형태의 이질성 때문이다.
• Gap: 기존 포인팅 방식들은 affordance point, visual trace, target region 등 단편적인 형태만 제공하며, Supervised Fine-Tuning(SFT) 기반의 고정된 Chain-of-Thought 템플릿은 새로운 작업으로의 일반화를 제한한다.
• Why: 로봇 조작의 일반화는 다양한 환경과 로봇 플랫폼에서 작동해야 하기 때문에 중요하며, embodiment-agnostic 표현과 강력한 추론 능력이 현실적 배포에 필수적이다.
• Approach: 포인팅의 4가지 핵심 능력(REG, RRG, OFG, VTG)을 정의하고, 이를 지원하는 Embodied-Points-200K 데이터셋을 구성한다. RFT 기반 2단계 커리큘럼으로 훈련하여 다중 해답의 모호성을 해결하고 자유로운 추론을 가능하게 한다.

Achievement

Figure 1 Overview of the Embodied-R1 framework and its zero-shot manipulation performance.

• 벤치마크 성과: 11개의 embodied spatial 및 pointing 벤치마크에서 state-of-the-art 성능 달성
• 시뮬레이션 성과: SIMPLEREnv에서 56.2% 성공률 달성
• 실제 로봇 성과: 8개의 XArm 실제 작업에서 87.5% 성공률 달성 (task-specific fine-tuning 없음)
• 기준선 대비 개선: 강한 기준선 대비 62% 성능 개선
• 강건성: 조명 변화, 배경 변화, 높이 변화 등 다양한 시각적 방해에 대한 높은 강건성 입증

How

Figure 3 Overview of training data: In stage 1, we focus on improving the model’s spatial reasoning capability,

• Embodied-Points-200K 데이터셋 구성: 다양한 embodied 및 일반 시각 추론 데이터셋에서 고품질 인스턴스를 수집하고 검증
• 2단계 RFT 커리큘럼: 첫 번째 단계에서 기본 능력 학습, 두 번째 단계에서 정교한 능력 학습
• 다중 작업 보상 설계: Format Reward, Accuracy Reward, Point in Mask Reward, Point Distance Reward, Environment Reward 등 5가지 보상 신호 설계
• 자유로운 추론 생성: <think> 태그를 통한 명시적 추론과 <answer> 태그를 통한 포인팅 좌표 생성으로 유연한 문제 해결
• Action Executor 통합: 생성된 포인팅 신호를 low-level action primitives로 변환하는 executor와 연결

Originality

• 포인팅을 통일된 embodiment-agnostic 중간 표현으로 처음 체계화한 점
• 포인팅의 4가지 핵심 능력(REG, RRG, OFG, VTG)을 명확히 정의한 점
• embodied reasoning에 RFT를 적용하여 SFT의 고정 템플릿 제약을 극복한 점
• 포인팅의 다중 해답 모호성을 RFT로 직접 해결하는 접근법의 참신성
• 포인팅-중심 표현과 RFT 패러다임의 결합이 perception-action gap 해결의 효과적인 경로임을 증명한 점

Limitation & Further Study

• 3B 파라미터 크기로 제한되어 있어 더 큰 모델의 성능 잠재력을 탐색할 여지가 있음
• 실제 로봇 실험이 단일 플랫폼(XArm)에 집중되어 있어 다양한 로봇 형태에 대한 일반화 검증 필요
• Embodied-Points-200K 데이터셋의 크기와 다양성이 향후 더 확장될 수 있는 여지
• Visual disturbance 실험이 조명, 배경, 높이로 제한되어 더 많은 종류의 방해 조건에 대한 평가 필요
• 후속연구로 더 복잡한 multi-step manipulation tasks와 협력 로봇 작업에의 확장 가능성 탐색 필요

Evaluation

총평: Embodied-R1은 포인팅이라는 명확한 중간 표현과 RFT 기반 훈련 방식으로 embodied AI의 오래된 perception-action gap 문제에 우아한 해결책을 제시하며, 실제 로봇에서의 강력한 zero-shot 성능으로 그 실질적 가치를 입증한다.