https://paper-curation.jehyunlee.dev/physical-ai/ 2026-03-01T00:00:00Z Jehyun Lee paper-curation build_rss.py https://paper-curation.jehyunlee.dev/papers/1474_MEM_Multi-Scale_Embodied_Memory_for_Vision_Language_Action_M/ 2026-03-01T00:00:00Z Marcel Torne Karl Pertsch Homer Walke Kyle Vedder Suraj Nair

로봇의 장시간 작업을 위해 비디오 기반 단기 메모리와 텍스트 기반 장기 메모리를 결합한 Multi-Scale Embodied Memory (MEM)을 제안하여, 15분 이상의 복잡한 조작 작업을 수행할 수 있는 Vision Language Action 모델을 구현했다.

https://paper-curation.jehyunlee.dev/papers/1376_EgoScale_Scaling_Dexterous_Manipulation_with_Diverse_Egocent/ 2026-02-01T00:00:00Z Ruijie Zheng Dantong Niu Yuqi Xie Jing Wang Mengda Xu

20,854시간의 대규모 이고센트릭 인간 비디오 데이터로 VLA 모델을 사전학습한 후 소량의 정렬된 인간-로봇 중간학습 데이터로 미세조정하여 22-DoF 손가락 조작 로봇에서 54% 성공률 향상을 달성했다.

https://paper-curation.jehyunlee.dev/papers/1355_DreamDojo_A_Generalist_Robot_World_Model_from_Large-Scale_Hu/ 2026-02-01T00:00:00Z Shenyuan Gao William Liang Kaiyuan Zheng Ayaan Malik Seonghyeon Ye

44k시간의 대규모 인간 동영상으로부터 연속 잠재 행동(continuous latent actions)을 통일된 프록시로 사용하여 학습한 DreamDojo는 로봇의 손재주 제어와 물리 이해를 갖춘 기초 세계 모델로, 실시간 텔레오퍼레이션과 모델 기반 계획을 가능하게 한다.

https://paper-curation.jehyunlee.dev/papers/1517_PointWorld_Scaling_3D_World_Models_for_In-The-Wild_Robotic_M/ 2026-01-01T00:00:00Z Wenlong Huang Yu-Wei Chao Arsalan Mousavian Ming-Yu Liu Dieter Fox

PointWorld는 RGB-D 입력과 로봇 동작을 3D point flow로 통일하여 표현하고, 이를 통해 전체 장면의 3D 포인트 변위를 예측하는 대규모 사전학습 3D 월드 모델이다. 단일 체크포인트로 실제 로봇이 다양한 조작 작업을 수행할 수 있게 한다.

https://paper-curation.jehyunlee.dev/papers/1437_InternVLA-A1_Unifying_Understanding_Generation_and_Action_fo/ 2026-01-01T00:00:00Z Junhao Cai Zetao Cai Jiafei Cao Yilun Chen Zeyu He

InternVLA-A1은 Mixture-of-Transformers 아키텍처를 통해 의미 이해, 시각적 예측, 행동 실행을 통합하여 로봇 조작 성능을 향상시키는 Vision-Language-Action 모델이다. 실세계 로봇 데이터, 합성 시뮬레이션 데이터, 인간 비디오를 포함한 692M 프레임의 이질적 데이터로 사전학습되어 동적 조작 작업에서 26.7% 성능 향상을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1374_DynamicVLA_A_Vision-Language-Action_Model_for_Dynamic_Object/ 2026-01-01T00:00:00Z Haozhe Xie Beichen Wen Jiarui Zheng Zhaoxi Chen Fangzhou Hong

DynamicVLA는 동적 객체 조작을 위한 compact 0.4B VLA 모델로, Continuous Inference와 Latent-aware Action Streaming을 통해 지각-실행 간의 지연을 제거하고 실시간 폐루프 제어를 가능하게 한다.

https://paper-curation.jehyunlee.dev/papers/1318_Being-H05_Scaling_Human-Centric_Robot_Learning_for_Cross-Emb/ 2026-01-01T00:00:00Z Hao Luo Ye Wang Wanpeng Zhang Sipeng Zheng Ziheng Xi

Being-H0.5는 인간 중심 학습 패러다임과 통합 액션 공간을 활용하여 다양한 로봇 플랫폼 간 일반화를 가능하게 하는 기초 Vision-Language-Action 모델이다. 35,000시간 이상의 멀티모달 데이터로 구성된 UniHand-2.0을 통해 30개의 로봇 플랫폼에서 강력한 cross-embodiment 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1296_A_Pragmatic_VLA_Foundation_Model/ 2026-01-01T00:00:00Z Wei Wu Fan Lu Yunnan Wang Shuai Yang Shi Liu

LingBot-VLA는 약 20,000시간의 실제 로봇 데이터로 학습한 Vision-Language-Action 기초 모델로, 효율적인 학습과 다중 플랫폼 일반화 능력을 갖춘다.

https://paper-curation.jehyunlee.dev/papers/1628_WholeBodyVLA_Towards_Unified_Latent_VLA_for_Whole-Body_Loco-/ 2025-12-01T00:00:00Z Haoran Jiang Jin Chen Qingwen Bu Li Chen Modi Shi

WholeBodyVLA는 Vision-Language-Action 프레임워크로 humanoid 로봇의 대규모 공간에서 end-to-end 전신 조작-이동(loco-manipulation) 제어를 가능하게 한다. Unified latent learning으로 저비용 영상에서 학습하고 LMO RL policy로 정확한 이동 실행을 보장한다.

https://paper-curation.jehyunlee.dev/papers/1481_Motus_A_Unified_Latent_Action_World_Model/ 2025-12-01T00:00:00Z Hongzhe Bi Hengkai Tan Shenghao Xie Zeyuan Wang Shuhe Huang

Motus는 vision-language-action 모델, world 모델, inverse dynamics 모델, video generation 모델을 unified latent action world model로 통합하는 embodied agent 프레임워크이며, Mixture-of-Transformer 아키텍처와 optical flow 기반 latent action을 통해 대규모 이질적 데이터 학습을 가능하게 한다.

https://paper-curation.jehyunlee.dev/papers/1424_HiMoE-VLA_Hierarchical_Mixture-of-Experts_for_Generalist_Vis/ 2025-12-01T00:00:00Z Zhiying Du Bei Liu Yaobo Liang Yichao Shen Haidong Cao

HiMoE-VLA는 로봇 데이터의 이질성(action space, embodiment, sensor configuration 등)을 명시적으로 처리하기 위해 계층적 Mixture-of-Experts 아키텍처를 제안하는 Vision-Language-Action 프레임워크이다.

https://paper-curation.jehyunlee.dev/papers/1414_Ground_Slow_Move_Fast_A_Dual-System_Foundation_Model_for_Gen/ 2025-12-01T00:00:00Z Meng Wei Chenyang Wan Jiaqi Peng Xiqian Yu Yuqiang Yang

DualVLN은 Vision-Language Navigation을 위해 고수준 추론(System 2)과 저수준 제어(System 1)를 분리한 최초의 dual-system foundation model으로, VLM 기반 global planner와 Diffusion Transformer 기반 policy의 비동기 협력을 통해 실시간 제어와 동적 장애물 회피를 가능하게 한다.

https://paper-curation.jehyunlee.dev/papers/1411_GR-RL_Going_Dexterous_and_Precise_for_Long-Horizon_Robotic_M/ 2025-12-01T00:00:00Z Yunfei Li Xiao Ma Jiafeng Xu Yu Cui Zhongren Cui

GR-RL은 일반적인 vision-language-action (VLA) 정책을 다단계 학습 파이프라인(데이터 필터링, 형태 대칭 증강, 온라인 RL)을 통해 장기 복잡 조작을 위한 고정밀 전문가 정책으로 변환하는 로봇 학습 프레임워크이다.

https://paper-curation.jehyunlee.dev/papers/1307_An_Anatomy_of_Vision-Language-Action_Models_From_Modules_to/ 2025-12-01T00:00:00Z Chao Xu Suyu Zhang Yang Liu Baigui Sun Weihong Chen

Vision-Language-Action (VLA) 모델의 구조와 발전을 체계적으로 분석하는 종합 서베이로, 기본 모듈부터 역사적 마일스톤을 거쳐 5가지 핵심 과제까지 단계적으로 설명한다.

https://paper-curation.jehyunlee.dev/papers/1500_OmniVLA_Physically-Grounded_Multimodal_VLA_with_Unified_Mult/ 2025-11-01T00:00:00Z Heyu Guo Shanmu Wang Ruichun Ma Shiqi Jiang Yasaman Ghasempour

OmniVLA는 RGB, 적외선, mmWave 레이더, 음향 마이크로폰 등 다중 센서를 통합하는 최초의 VLA 모델로, 센서-마스크된 이미지라는 통일된 표현을 통해 물리적 정보가 포함된 로봇 조작을 가능하게 한다.

https://paper-curation.jehyunlee.dev/papers/1494_NORA-15_A_Vision-Language-Action_Model_Trained_using_World_M/ 2025-11-01T00:00:00Z Chia-Yu Hung Navonil Majumder Haoyuan Deng Liu Renhang Yankang Ang

NORA-1.5는 flow-matching 기반 action expert를 추가하여 VLA 모델의 성능을 향상시키고, world model 및 action-based reward를 이용한 DPO 기반 post-training으로 실제 로봇 환경에서의 신뢰성과 일반화 능력을 개선한다.

https://paper-curation.jehyunlee.dev/papers/1439_IPR-1_Interactive_Physical_Reasoner/ 2025-11-01T00:00:00Z Mingyu Zhang Lifeng Zhuo Tianxi Tan Guocan Xie Xian Nie

Interactive Physical Reasoner (IPR)는 VLM의 정책을 world model의 롤아웃으로 강화하여 상호작용을 통해 물리 추론 능력을 학습하는 에이전트이다. PhysCode라는 물리 중심 액션 코드를 도입하여 의미론적 의도와 역학을 정렬하고, 1,000+ 게임으로 사전학습되어 물리 직관부터 목표 지향 추론까지 견고한 성능을 보인다.

https://paper-curation.jehyunlee.dev/papers/1401_GauDP_Reinventing_Multi-Agent_Collaboration_through_Gaussian/ 2025-11-01T00:00:00Z Ziye Wang Li Kang Yiran Qin Jiahua Ma Zhanglin Peng

GauDP는 다중 에이전트 협업 로봇 시스템에서 RGB 이미지로부터 3D Gaussian 필드를 구성하여 전역 일관성과 국소적 정밀성을 동시에 확보하는 새로운 표현 방식을 제안한다. 각 에이전트가 공유된 3D Gaussian 표현에서 과제 관련 특성을 동적으로 쿼리하여 협조와 개별 제어를 동시에 달성한다.

https://paper-curation.jehyunlee.dev/papers/1373_DualVLA_Building_a_Generalizable_Embodied_Agent_via_Partial/ 2025-11-01T00:00:00Z Zhen Fang Zhuoyang Liu Jiaming Liu Hao Chen Yu Zeng

DualVLA는 Vision-Language-Action 모델에서 추론 능력을 추가할 때 발생하는 행동 성능 저하(action degeneration)를 해결하기 위해, 이중층 데이터 프루닝과 이중 교사 적응형 증류 전략을 통해 추론과 행동을 부분적으로 분리하는 접근법을 제시한다.

https://paper-curation.jehyunlee.dev/papers/1633_X-VLA_Soft-Prompted_Transformer_as_Scalable_Cross-Embodiment/ 2025-10-01T00:00:00Z Jinliang Zheng Jianxiong Li Zhihao Wang Dongxiu Liu Xirui Kang

X-VLA는 소프트 프롬프트(Soft Prompt) 기법을 도입하여 이질적인 로봇 플랫폼 간 cross-embodiment 학습을 효과적으로 처리하는 scalable Vision-Language-Action 모델이다. 0.9B 파라미터 규모로 6개 시뮬레이션 벤치마크와 3개 실로봇에서 SOTA 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1632_World_Simulation_with_Video_Foundation_Models_for_Physical_A/ 2025-10-01T00:00:00Z Arslan Ali Junjie Bai Maciej Bala Yogesh Balaji Aaron Blakeman

Cosmos-Predict2.5는 flow-based architecture 기반의 세계 시뮬레이션 기초 모델로, Text2World, Image2World, Video2World 생성을 단일 모델에 통합하여 로보틱스와 자율주행 시스템을 위한 합성 데이터 생성과 폐루프 시뮬레이션을 가능하게 한다.

https://paper-curation.jehyunlee.dev/papers/1619_VLA-RFT_Vision-Language-Action_Reinforcement_Fine-tuning_wit/ 2025-10-01T00:00:00Z Hengtao Li Pengxiang Ding Runze Suo Yihao Wang Zirui Ge

VLA-RFT는 데이터 기반 world model을 시뮬레이터로 활용하여 vision-language-action 모델을 reinforcement learning으로 효율적으로 fine-tuning하는 프레임워크이다. 검증된 reward를 기반으로 GRPO 최적화를 수행하여 400 단계 이하의 fine-tuning으로 strong supervised baseline을 초과하는 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1615_VLA-0_Building_State-of-the-Art_VLAs_with_Zero_Modification/ 2025-10-01T00:00:00Z Ankit Goyal Hugo Hadfield Xuning Yang Valts Blukis Fabio Ramos

VLA-0는 Vision-Language Model의 구조 변경 없이 액션을 직접 텍스트로 표현하여 로봇 조작을 위한 최첨단 Vision-Language-Action 모델을 구축한다. 이 단순한 설계가 기존의 복잡한 방법들보다 우수한 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1609_Vision-Language-Action_Models_for_Robotics_A_Review_Towards/ 2025-10-01T00:00:00Z Kento Kawaharazuka Jihoon Oh Jun Yamada Ingmar Posner Yuke Zhu

Vision-Language-Action (VLA) 모델이 로봇이 다양한 작업을 수행하도록 하는 통합 학습 방식에 대한 포괄적 리뷰로, 소프트웨어와 하드웨어 통합을 포함한 실제 배포 가이드를 제시한다.

https://paper-curation.jehyunlee.dev/papers/1593_TrackVLA_Unleashing_Reasoning_and_Memory_Capabilities_in_VLA/ 2025-10-01T00:00:00Z Jiahang Liu Yunpeng Qi Jiazhao Zhang Minghan Li Shaoan Wang

TrackVLA++는 Vision-Language-Action 모델에 Polar-CoT 공간 추론과 Target Identification Memory(TIM)를 통합하여 장시간 추적과 폐색 상황에서의 강건한 embodied visual tracking을 실현한다.

https://paper-curation.jehyunlee.dev/papers/1557_Running_VLAs_at_Real-time_Speed/ 2025-10-01T00:00:00Z Yunchao Ma Yizhuang Zhou Yunhuan Yang Tiancai Wang Haoqiang Fan

π0 레벨의 multi-view VLA를 단일 소비자 GPU에서 30Hz 프레임 레이트로 실행하기 위해 모델 추론 오버헤드를 제거하는 최적화 기법들을 제시하고, 실시간 로봇 제어를 위한 Full Streaming Inference 프레임워크를 제안한다.

https://paper-curation.jehyunlee.dev/papers/1532_RLinf-VLA_A_Unified_and_Efficient_Framework_for_Reinforcemen/ 2025-10-01T00:00:00Z Hongzhi Zang Mingjie Wei Si Xu Yongji Wu Zhen Guo

RLinf-VLA는 Vision-Language-Action 모델의 강화학습 훈련을 위한 통합되고 효율적인 프레임워크로, 다양한 VLA 아키텍처, RL 알고리즘, 시뮬레이터를 지원하며 GPU 할당 최적화를 통해 2.27배 속도 향상을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1438_InternVLA-M1_A_Spatially_Guided_Vision-Language-Action_Frame/ 2025-10-01T00:00:00Z Xinyi Chen Yilun Chen Yanwei Fu Ning Gao Jiaya Jia

InternVLA-M1은 공간 그라운딩을 시각-언어-행동 학습의 중심 연결고리로 활용하여, 지시 따르기 로봇의 확장 가능한 일반 지능을 구현한 통합 프레임워크이다.

https://paper-curation.jehyunlee.dev/papers/1403_Gemini_Robotics_15_Pushing_the_Frontier_of_Generalist_Robots/ 2025-10-01T00:00:00Z Gemini Robotics Team Abbas Abdolmaleki Saminda Abeyruwan Joshua Ainslie Jean-Baptiste Alayrac

Gemini Robotics 1.5는 Motion Transfer 메커니즘과 embodied thinking 능력을 통해 다중 로봇 플랫폼을 제어할 수 있는 Vision-Language-Action 모델이며, Gemini Robotics-ER 1.5는 embodied reasoning에서 최첨단 성능을 달성하는 Vision-Language 모델이다.

https://paper-curation.jehyunlee.dev/papers/1347_D2E_Scaling_Vision-Action_Pretraining_on_Desktop_Data_for_Tr/ 2025-10-01T00:00:00Z Suhwan Choi Jaeyoon Jung Haebin Seong Minchan Kim Minyeong Kim

D2E는 데스크톱 환경(게임 등)에서 수집한 대규모 비전-액션 데이터를 사전학습 자료로 사용하여 로봇 조작 및 네비게이션 같은 구체화된 AI 작업으로 전이 학습하는 프레임워크를 제시한다.

https://paper-curation.jehyunlee.dev/papers/1337_Compose_Your_Policies_Improving_Diffusion-based_or_Flow-base/ 2025-10-01T00:00:00Z Jiahang Cao Yize Huang Hanzhong Guo Rui Zhang Mu Nan

본 논문은 General Policy Composition (GPC)를 제안하여 사전학습된 diffusion 또는 flow 기반 로봇 정책들의 분포 수준 점수를 convex 조합으로 결합함으로써, 추가 학습 없이 개별 정책보다 우수한 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1292_A_Comprehensive_Survey_on_World_Models_for_Embodied_AI/ 2025-10-01T00:00:00Z Xinqing Li Xin He Le Zhang Min Wu Xiaoli Li

Embodied AI를 위한 World Models에 대한 포괄적 조사로, Functionality, Temporal Modeling, Spatial Representation의 세 축 분류체계를 제안하여 환경 동역학을 캡처하고 예측하는 내부 시뮬레이터를 체계적으로 정리한다.

https://paper-curation.jehyunlee.dev/papers/1618_VLA-Reasoner_Empowering_Vision-Language-Action_Models_with_R/ 2025-09-01T00:00:00Z Wenkai Guo Guanxing Lu Haoyuan Deng Zhenyu Wu Yansong Tang

VLA-Reasoner는 Vision-Language-Action 모델에 test-time MCTS를 통합하여 장기 지평 로봇 조작 작업에서 누적 편차를 해결하고 미래 상태를 예측하는 플러그인 프레임워크이다.

https://paper-curation.jehyunlee.dev/papers/1616_VLA-Adapter_An_Effective_Paradigm_for_Tiny-Scale_Vision-Lang/ 2025-09-01T00:00:00Z Yihao Wang Pengxiang Ding Lingxiao Li Can Cui Zirui Ge

VLA-Adapter는 경량 백본(0.5B 파라미터)을 사용하여 로봇 데이터 사전학습 없이 최첨단 Vision-Language-Action 모델을 학습할 수 있는 새로운 패러다임을 제시한다. Bridge Attention을 통해 비전-언어 표현을 행동 공간에 효과적으로 연결한다.

https://paper-curation.jehyunlee.dev/papers/1577_SpecPrune-VLA_Accelerating_Vision-Language-Action_Models_via/ 2025-09-01T00:00:00Z Hanzhen Wang Jiaming Xu Yushun Xiang Jiayi Pan Yongkang Zhou

SpecPrune-VLA는 Vision-Language-Action 모델의 LLM 추론을 가속화하기 위해 시간-공간 일관성을 활용한 액션-인식 자체-추측 토큰 프루닝 기법을 제안한다. 두 단계 프루닝(액션 레벨 정적 프루닝과 레이어 레벨 동적 프루닝)과 액션-인식 컨트롤러를 통해 최대 1.70배 속도 향상을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1573_SimpleVLA-RL_Scaling_VLA_Training_via_Reinforcement_Learning/ 2025-09-01T00:00:00Z Haozhan Li Yuxin Zuo Jiale Yu Yuhao Zhang Zhaohui Yang

SimpleVLA-RL은 Vision-Language-Action 모델의 학습을 강화학습(RL)을 통해 확장하는 효율적인 프레임워크로, 데이터 부족 문제를 해결하고 실제 로봇 작업에서 SFT를 능가하는 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1519_Pure_Vision_Language_Action_VLA_Models_A_Comprehensive_Surve/ 2025-09-01T00:00:00Z Dapeng Zhang Jing Sun Chenghui Hu Xiaoyan Wu Zhenlong Yuan

본 논문은 Vision Language Action (VLA) 모델을 체계적으로 분류하고 분석하는 포괄적 서베이로, autoregression-based, diffusion-based, reinforcement-based, hybrid, specialized methods로 VLA 접근법을 분류하여 300개 이상의 최근 연구를 종합한다.

https://paper-curation.jehyunlee.dev/papers/1499_OmniVLA_An_Omni-Modal_Vision-Language-Action_Model_for_Robot/ 2025-09-01T00:00:00Z Noriaki Hirose Catherine Glossop Dhruv Shah Sergey Levine

OmniVLA는 2D 포즈, egocentric 이미지, 자연어 등 다양한 모달리티로 조건화된 목표를 처리할 수 있는 omni-modal vision-language-action 모델로, 9,500시간 이상의 다중 플랫폼 로봇 네비게이션 데이터로 학습되어 강력한 일반화 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1465_ManiFlow_A_General_Robot_Manipulation_Policy_via_Consistency/ 2025-09-01T00:00:00Z Ge Yan Jiyue Zhu Yuquan Deng Shiqi Yang Ri-Zhao Qiu

ManiFlow는 flow matching과 consistency training을 결합하여 1-2 inference step으로 고품질의 dexterous action을 생성하는 visuomotor imitation learning policy이다. DiT-X 아키텍처를 통해 visual, language, proprioceptive 입력을 효율적으로 조건화하며 실제 로봇 환경에서 우수한 성능을 보인다.

https://paper-curation.jehyunlee.dev/papers/1441_JanusVLN_Decoupling_Semantics_and_Spatiality_with_Dual_Impli/ 2025-09-01T00:00:00Z Shuang Zeng Dekang Qi Xinyuan Chang Feng Xiong Shichao Xie

JanusVLN은 시각-언어 네비게이션에서 spatial-geometric과 visual-semantic 정보를 분리하여 dual implicit neural memory로 모델링하는 프레임워크를 제안한다. 3D 기하학적 선행 지식과 MLLM의 의미론적 이해를 결합하여 효율적이고 공간 인식적인 에이전트 네비게이션을 실현한다.

https://paper-curation.jehyunlee.dev/papers/1402_GC-VLN_Instruction_as_Graph_Constraints_for_Training-free_Vi/ 2025-09-01T00:00:00Z Hang Yin Haoyu Wei Xiuwei Xu Wenxuan Guo Jie Zhou

GC-VLN은 자연언어 지시를 그래프 제약 최적화 문제로 재구성하여 연속 환경에서 학습 없이 작동하는 비전-언어 네비게이션 프레임워크를 제안한다. 공간 제약 라이브러리와 제약 솔버를 통해 zero-shot 환경 적응을 실현한다.

https://paper-curation.jehyunlee.dev/papers/1378_Embodied_Navigation_Foundation_Model/ 2025-09-01T00:00:00Z Jiazhao Zhang Anqi Li Yunpeng Qi Minghan Li Jiahang Liu

NavFoM은 8백만 개의 네비게이션 샘플로 학습된 크로스-구현체·크로스-태스크 기반 네비게이션 모델로, 다양한 로봇 플랫폼과 네비게이션 작업에서 미세 조정 없이 최첨단 성능을 달성한다.

https://paper-curation.jehyunlee.dev/papers/1346_Cross-Platform_Scaling_of_Vision-Language-Action_Models_from/ 2025-09-01T00:00:00Z Amir Taherin Juyi Lin Arash Akbari Arman Akbari Pu Zhao

Vision-Language-Action (VLA) 모델의 성능을 엣지 디바이스부터 데이터센터 GPU까지 다양한 하드웨어 플랫폼에서 체계적으로 평가하여, 아키텍처와 하드웨어 제약 조건에 따른 정확도, 레이턴시, 처리량, 메모리 사용량의 확장 추이를 밝혀낸다.

https://paper-curation.jehyunlee.dev/papers/1446_Large_VLM-based_Vision-Language-Action_Models_for_Robotic_Ma/ 2025-08-01T00:00:00Z Rui Shao Wei Li Lingsen Zhang Renshan Zhang Zhiyang Liu

대규모 Vision-Language Model(VLM)을 기반으로 한 Vision-Language-Action(VLA) 모델들을 로봇 매니퓰레이션에 적용하는 연구의 첫 번째 체계적 설문조사로, Monolithic 모델과 Hierarchical 모델이라는 두 가지 주요 아키텍처 패러다임을 제시한다.

https://paper-curation.jehyunlee.dev/papers/1445_Large_Model_Empowered_Embodied_AI_A_Survey_on_Decision-Makin/ 2025-08-01T00:00:00Z Wenlong Liang Rui Zhou Yang Ma Bing Zhang Songlin Li

대규모 모델이 강화된 embodied AI 시스템의 의사결정과 학습 방법을 체계적으로 조사한 종합 서베이로, 계층적/end-to-end 의사결정 패러다임, imitation learning/reinforcement learning 기반 embodied learning, 그리고 world model의 역할을 통합적으로 분석한다.

https://paper-curation.jehyunlee.dev/papers/1406_Genie_Envisioner_A_Unified_World_Foundation_Platform_for_Rob/ 2025-08-01T00:00:00Z Yue Liao Pengfei Zhou Siyuan Huang Donglin Yang Shengcong Chen

Genie Envisioner는 video diffusion model 기반의 통합 로봇 조작 플랫폼으로, 정책 학습, 평가, 시뮬레이션을 단일 비디오 생성 프레임워크 내에서 통합한다.

https://paper-curation.jehyunlee.dev/papers/1385_EO-1_An_Open_Unified_Embodied_Foundation_Model_for_General_R/ 2025-08-01T00:00:00Z Delin Qu Haoming Song Qizhi Chen Zhaoqing Chen Xianqiang Gao

EO-1은 interleaved vision-text-action 사전학습을 통해 multimodal embodied reasoning과 robot control을 통합한 unified embodied foundation model이며, 1.5M 샘플의 EO-Data1.5M 데이터셋과 함께 개발되었다.

https://paper-curation.jehyunlee.dev/papers/1380_Embodied-R1_Reinforced_Embodied_Reasoning_for_General_Roboti/ 2025-08-01T00:00:00Z Yifu Yuan Haiqin Cui Yaoting Huang Yibin Chen Fei Ni

Embodied-R1은 '포인팅'을 통일된 embodiment-agnostic 중간 표현으로 정의하고, Reinforced Fine-tuning(RFT)으로 훈련된 3B VLM으로서 로봇 조작의 perception-action gap을 효과적으로 극복한다.

https://paper-curation.jehyunlee.dev/papers/1368_DiWA_Diffusion_Policy_Adaptation_with_World_Models/ 2025-08-01T00:00:00Z Akshay L Chandra Iman Nematollahi Chenguang Huang Tim Welschehold Wolfram Burgard

DiWA는 학습된 world model을 활용하여 diffusion 기반 로봇 정책을 오프라인으로 미세조정하는 프레임워크로, RL을 통해 상상 속 롤아웃에서 정책을 개선한다.

https://paper-curation.jehyunlee.dev/papers/1366_Discrete_Diffusion_VLA_Bringing_Discrete_Diffusion_to_Action/ 2025-08-01T00:00:00Z Zhixuan Liang Yizhuo Li Tianshuo Yang Chengyue Wu Sitong Mao

Vision-Language-Action (VLA) 모델에 discrete diffusion을 적용하여 action token을 적응적으로 디코딩하는 unified transformer 정책을 제시한다. 이를 통해 자동회귀 방식의 순서 제약을 극복하고 분리된 decoder 구조의 문제를 해결한다.