Curieux.JY
  • Post
  • Note
  • Jung Yeon Lee

On this page

  • 1 Brief Review
  • 2 Detail Review
    • 2.1 ์—ฐ๊ตฌ ๋ชฉํ‘œ ๋ฐ ์ฃผ์š” ๊ธฐ์—ฌ
    • 2.2 ๋ฐฉ๋ฒ•๋ก : ์ž๊ธฐ ์ง€๋„ํ•™์Šต ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ํ‘œํ˜„ ํ•™์Šต
    • 2.3 ์‹คํ—˜: TacBench ๋ฒค์น˜๋งˆํฌ ํ‰๊ฐ€
    • 2.4 ๊ธฐ์กด ์—ฐ๊ตฌ์™€์˜ ๋น„๊ต
    • 2.5 ์žฅ์ ๊ณผ ํ•œ๊ณ„
    • 2.6 ํ–ฅํ›„ ์ „๋ง ๋ฐ ์‘์šฉ

๐Ÿ“ƒSparsh ๋ฆฌ๋ทฐ

paper
tactile
sdf
Self-supervised touch representations for vision-based tactile sensing
Published

June 2, 2025

  • Paper Link
  • Project Link

  1. Sparsh๋Š” ์‹œ๊ฐ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์„œ๋ฅผ ์œ„ํ•œ ์ž๊ธฐ ์ง€๋„ ํ•™์Šต ๊ธฐ๋ฐ˜์˜ ์ผ๋ฐ˜์ ์ธ ์ด‰๊ฐ ํ‘œํ˜„ ๋ชจ๋ธ์„ ์ œ์•ˆํ•ฉ๋‹ˆ๋‹ค.
  2. ๋ณธ ์—ฐ๊ตฌ๋Š” ํž˜ ์ถ”์ •, ์Šฌ๋ฆฝ ๊ฐ์ง€, ์ž์„ธ ์ถ”์ • ๋“ฑ์„ ํฌํ•จํ•˜๋Š” 6๊ฐ€์ง€ ์ด‰๊ฐ ์ค‘์‹ฌ ์ž‘์—…์œผ๋กœ ๊ตฌ์„ฑ๋œ ํ‘œ์ค€ ๋ฒค์น˜๋งˆํฌ์ธ TacBench๋„ ํ•จ๊ป˜ ์ œ์‹œํ•ฉ๋‹ˆ๋‹ค.
  3. ํ‰๊ฐ€ ๊ฒฐ๊ณผ, ์ž๊ธฐ ์ง€๋„ ํ•™์Šต์œผ๋กœ ์‚ฌ์ „ ํ•™์Šต๋œ Sparsh๋Š” ์ œํ•œ๋œ ๋ผ๋ฒจ ๋ฐ์ดํ„ฐ ํ™˜๊ฒฝ์—์„œ ์ž‘์—…/์„ผ์„œ๋ณ„ ๋ชจ๋ธ๋ณด๋‹ค ์›”๋“ฑํžˆ ์šฐ์ˆ˜ํ•œ ์„ฑ๋Šฅ์„ ๋ณด์ด๋ฉฐ ๋‹ค์–‘ํ•œ ์ž‘์—…๊ณผ ์„ผ์„œ์— ๊ฑธ์ณ ์ผ๋ฐ˜ํ™”๋จ์„ ์ž…์ฆํ–ˆ์Šต๋‹ˆ๋‹ค.

1 Brief Review

์ด ๋…ผ๋ฌธ์€ vision-based tactile sensor๋ฅผ ์œ„ํ•œ ์ผ๋ฐ˜์ ์ธ touch representation์ธ Sparsh์™€ ์ด๋ฅผ ํ‰๊ฐ€ํ•˜๊ธฐ ์œ„ํ•œ ํ‘œ์ค€ํ™”๋œ benchmark์ธ TacBench๋ฅผ ์ œ์•ˆํ•ฉ๋‹ˆ๋‹ค. ํ˜„์žฌ vision-based tactile sensor๋ฅผ ๋กœ๋ด‡ ์ž‘์—…์— ํ†ตํ•ฉํ•˜๋Š” ๋ฐฉ์‹์€ ๋Œ€๋ถ€๋ถ„ ํŠน์ • task ๋ฐ sensor์— ๋งž์ถคํ™”๋œ perception model์„ ํ•™์Šต์‹œํ‚ค๋Š” ๊ฒƒ์œผ๋กœ, ์ด๋Š” ๋น„ํšจ์œจ์ ์ด๋ฉฐ force, slip๊ณผ ๊ฐ™์€ ground truth label์„ ํฌํ•จํ•˜๋Š” ๋Œ€๊ทœ๋ชจ ์‹ค์„ธ๊ณ„ data๋ฅผ ์ˆ˜์ง‘ํ•˜๊ธฐ ์–ด๋ ต๋‹ค๋Š” ๋ฌธ์ œ์— ์ง๋ฉดํ•ด ์žˆ์Šต๋‹ˆ๋‹ค. Sensor๋งˆ๋‹ค lighting, gel marking ๋“ฑ ํŠน์„ฑ์ด ๋‹ค๋ฅธ ์ ๋„ ์ผ๋ฐ˜ํ™”์— ์–ด๋ ค์›€์„ ๋”ํ•ฉ๋‹ˆ๋‹ค.

์ด๋Ÿฌํ•œ ํ•œ๊ณ„๋ฅผ ๊ทน๋ณตํ•˜๊ณ ์ž, ์ €์ž๋“ค์€ computer vision์—์„œ ์„ฑ๊ณต์„ ๊ฑฐ๋‘” self-supervised learning (SSL)์„ tactile sensing domain์— ์ ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค. Sparsh๋Š” ๋‹ค์–‘ํ•œ vision-based tactile sensor๋ฅผ ์ง€์›ํ•˜๋ฉฐ, pixel ๋ฐ latent space์—์„œ์˜ masking๊ณผ self-distillation ๊ธฐ๋ฒ•์„ ์‚ฌ์šฉํ•˜์—ฌ 460k+๊ฐœ์˜ unlabeled tactile image data๋กœ pre-training๋ฉ๋‹ˆ๋‹ค.

ํ•ต์‹ฌ ๋ฐฉ๋ฒ•๋ก  (Core Methodology)

  1. Dataset ๊ตฌ์ถ• ๋ฐ ํ™œ์šฉ: SSL pre-training์„ ์œ„ํ•ด Touch-Slide (์ €์ž๋“ค์ด ์ƒˆ๋กœ ๊ตฌ์ถ•ํ•œ DIGIT sensor ๋ฐ์ดํ„ฐ)์™€ ๊ธฐ์กด์˜ YCB-Slide (DIGIT), Touch-and-Go (GelSight), ObjectFolder (GelSight Mini) dataset์„ ํ†ตํ•ฉํ•˜์—ฌ ์ด ์•ฝ 661k๊ฐœ์˜ ์ด๋ฏธ์ง€๋ฅผ ์ˆ˜์ง‘ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด ์ค‘ 70%์ธ ์•ฝ 462.7k๊ฐœ์˜ ์ด๋ฏธ์ง€๋ฅผ SSL pre-training์— ์‚ฌ์šฉํ–ˆ์œผ๋ฉฐ, ์ด๋Š” ๊ธฐ์กด tactile representation ์—ฐ๊ตฌ๋ณด๋‹ค ํ›จ์”ฌ ํฐ ๊ทœ๋ชจ์ž…๋‹ˆ๋‹ค.
  2. ๋ฐ์ดํ„ฐ ์ฒ˜๋ฆฌ: Tactile image๋Š” local information ํŠน์„ฑ์ด ๊ฐ•ํ•˜๊ณ  sensor๋ณ„ distractor (marker, lighting) ์ฐจ์ด๊ฐ€ ํฌ๋ฏ€๋กœ, DIGIT์™€ GelSight Mini (markerless)์˜ ๊ฒฝ์šฐ background subtraction์„ ์ˆ˜ํ–‰ํ•˜์—ฌ ๋…ธ์ด์ฆˆ์— ๊ฐ•๊ฑดํ•œ representation ํ•™์Šต์„ ์œ ๋„ํ–ˆ์Šต๋‹ˆ๋‹ค. Slip detection ๋“ฑ temporal reasoning์ด ํ•„์š”ํ•œ task๋ฅผ ์œ„ํ•ด, image-based SSL์˜ ๊ฒฝ์šฐ ํ˜„์žฌ ์‹œ์  image It์™€ 5 sample stride ์ „ image It-5๋ฅผ channel ์ฐจ์›์œผ๋กœ concatenateํ•œ I_t \oplus I_{t-5} \in \mathbb{R}^{h \times w \times 6} ์ด๋ฏธ์ง€๋ฅผ ์ž…๋ ฅ์œผ๋กœ ์‚ฌ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค. Video-based SSL (V-JEPA)์˜ ๊ฒฝ์šฐ [t, t-2, t-4, t-6] ์‹œ์ ์˜ 4 frame clip์„ ์‚ฌ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค. ์ž…๋ ฅ ์ด๋ฏธ์ง€๋Š” Vision Transformer (ViT) ์ฒ˜๋ฆฌ๋ฅผ ์œ„ํ•ด 224x224๋กœ ์กฐ์ •๋˜์—ˆ์Šต๋‹ˆ๋‹ค.
  3. SSL ์•Œ๊ณ ๋ฆฌ์ฆ˜ ์ ์šฉ: Computer vision ๋ถ„์•ผ์˜ ์ตœ์‹  SSL ์•Œ๊ณ ๋ฆฌ์ฆ˜๋“ค์„ tactile domain์— ๋งž๊ฒŒ ์ˆ˜์ •ํ•˜์—ฌ Sparsh๋ฅผ ํ•™์Šต์‹œ์ผฐ์Šต๋‹ˆ๋‹ค. ๋ชจ๋“  encoder backbone์œผ๋กœ๋Š” ViT-B/14๋ฅผ ์‚ฌ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค.
    • Sparsh (MAE): Masked Autoencoder (MAE) [23] ๊ธฐ๋ฐ˜. ์ž…๋ ฅ ์ด๋ฏธ์ง€์˜ ์ƒ๋‹น ๋ถ€๋ถ„์„ maskingํ•˜๊ณ , ViT encoder๊ฐ€ contextual representation์„ ํ•™์Šตํ•œ ํ›„ lightweight decoder๊ฐ€ masked region์˜ raw pixel์„ ์žฌ๊ตฌ์„ฑํ•˜๋„๋ก ํ•™์Šตํ•ฉ๋‹ˆ๋‹ค. Loss๋Š” reconstruction L2 loss์ธ L_{MAE} = \|I_{target} - I_{recon}\|_2^2๋ฅผ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค.
    • Sparsh (DINO/DINOv2): Self-distillation [48, 49] ๊ธฐ๋ฐ˜. Student network๊ฐ€ EMA (Exponential Moving Average) teacher network์˜ output prediction์„ ๋ชจ๋ฐฉํ•˜๋„๋ก ํ•™์Šตํ•ฉ๋‹ˆ๋‹ค. ๋™์ผํ•œ ์ž…๋ ฅ data sample์— ๋Œ€ํ•ด ๋‹ค๋ฅธ augmentation์„ ์ ์šฉํ•œ ํ›„, ๊ฐ network์˜ feature representation์„ MLP head๋ฅผ ํ†ต๊ณผ์‹œ์ผœ probability vector๋ฅผ ์–ป๊ณ , ์ด๋“ค ๊ฐ„์˜ cross-entropy loss (L_{DINO} = - \sum p_t \log p_s)๋ฅผ ์ตœ์†Œํ™”ํ•ฉ๋‹ˆ๋‹ค. Gradient๋Š” teacher network๋กœ ์—ญ์ „ํŒŒ๋˜์ง€ ์•Š์Šต๋‹ˆ๋‹ค.
    • Sparsh (IJEPA/V-JEPA): Joint-Embedding Predictive Architecture (JEPA) [50, 51] ๊ธฐ๋ฐ˜. Masking ๊ธฐ๋ฐ˜์ด์ง€๋งŒ pixel space๊ฐ€ ์•„๋‹Œ latent representation space์—์„œ ์˜ˆ์ธก์„ ์ˆ˜ํ–‰ํ•ฉ๋‹ˆ๋‹ค. Context network (student)๋Š” masked input์—์„œ ์–ป์€ contextual feature๋ฅผ predictor network๋ฅผ ํ†ตํ•ด target network (EMA teacher)์˜ latent feature๋ฅผ ์˜ˆ์ธกํ•ฉ๋‹ˆ๋‹ค. Loss๋Š” feature space์—์„œ์˜ L2 loss L_{JEPA} = \sum_{i \in M} \sum_{j \in B_i} \|\hat{s}_{yj} - s_{yj}\|_2^2๋ฅผ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค. I-JEPA๋Š” spatial block masking, V-JEPA๋Š” temporal tube masking์„ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค.
  4. TacBench ํ‰๊ฐ€:
    • TacBench๋Š” 6๊ฐ€์ง€ task๋กœ ๊ตฌ์„ฑ๋ฉ๋‹ˆ๋‹ค.
      • tactile properties (Force estimation, Force field visualization, Slip detection),
      • physical perception (Pose estimation, Grasp stability, Textile recognition),
      • manipulation planning (Bead maze)
    • ํ‰๊ฐ€ ํ”„๋กœํ† ์ฝœ์€ SSL pre-training๋œ Sparsh encoder์˜ ๊ฐ€์ค‘์น˜๋ฅผ freezeํ•˜๊ณ , ๊ฐ task์˜ labeled data (์ „์ฒด์˜ 33%-50%๋งŒ ์‚ฌ์šฉ)๋ฅผ ์‚ฌ์šฉํ•˜์—ฌ task-specific decoder (attentive probe ๋˜๋Š” dense prediction์„ ์œ„ํ•œ DPT decoder)๋ฅผ ํ•™์Šต์‹œํ‚ค๋Š” ๋ฐฉ์‹์ž…๋‹ˆ๋‹ค. Random initialization๋ถ€ํ„ฐ encoder์™€ decoder๋ฅผ ๋ชจ๋‘ ํ•™์Šตํ•˜๋Š” End-to-End (E2E) baseline๊ณผ ์„ฑ๋Šฅ์„ ๋น„๊ตํ•ฉ๋‹ˆ๋‹ค.

์ฃผ์š” ๊ฒฐ๊ณผ

TacBench ํ‰๊ฐ€ ๊ฒฐ๊ณผ, Sparsh pre-training์€ task ๋ฐ sensor specific E2E training ๋Œ€๋น„ ํ‰๊ท  95.1% ๋›ฐ์–ด๋‚œ ์„ฑ๋Šฅ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. ํŠนํžˆ labeled data๊ฐ€ ์ œํ•œ์ ์ธ ํ™˜๊ฒฝ์—์„œ Sparsh์˜ ์ด์ ์ด ๋‘๋“œ๋Ÿฌ์กŒ์Šต๋‹ˆ๋‹ค.

  • Latent space์—์„œ ํ•™์Šต๋œ Sparsh (DINO)์™€ Sparsh (IJEPA)๊ฐ€ ์ „๋ฐ˜์ ์œผ๋กœ ๊ฐ€์žฅ ์šฐ์ˆ˜ํ•œ ์„ฑ๋Šฅ์„ ๊ธฐ๋กํ•˜๋ฉฐ, tactile image์˜ ๊ฒฝ์šฐ pixel space reconstruction (Sparsh (MAE))๋ณด๋‹ค latent space ํ•™์Šต์ด ๋” ํšจ๊ณผ์ ์ž„์„ ์‹œ์‚ฌํ–ˆ์Šต๋‹ˆ๋‹ค.
  • Sparsh๋Š” DIGIT, GelSight 2017, GelSight Mini ๋“ฑ ๋‹ค์–‘ํ•œ sensor์™€ task์— ๊ฑธ์ณ ์ผ๋ฐ˜ํ™” ์„ฑ๋Šฅ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค.
  • Force estimation ([T1]): Sparsh (DINO)๊ฐ€ ์ ์€ labeled data์—์„œ๋„ ๊ฐ•๊ฑดํ•œ ์„ฑ๋Šฅ์„ ๋ณด์˜€์œผ๋ฉฐ, Sparsh (DINOv2)๊ฐ€ full dataset์—์„œ ๊ฐ€์žฅ ๋‚ฎ์€ RMSE๋ฅผ ๋‹ฌ์„ฑํ–ˆ์Šต๋‹ˆ๋‹ค. GelSight Mini์—์„œ๋Š” E2E ๋ชจ๋ธ์˜ ์„ฑ๋Šฅ์ด ๋‚ฎ์•˜์Šต๋‹ˆ๋‹ค.
  • Slip detection ([T2]): Sparsh (VJEPA)๊ฐ€ temporal perspective๋ฅผ ํ™œ์šฉํ•˜์—ฌ ๊ฐ€์žฅ ๋†’์€ F1 score๋ฅผ ๊ธฐ๋กํ–ˆ์Šต๋‹ˆ๋‹ค.
  • Pose estimation ([T3]): labeled data๊ฐ€ ์ ์„ ๋•Œ Sparsh๊ฐ€ E2E ๋Œ€๋น„ ์œ ์˜๋ฏธํ•˜๊ฒŒ ๋†’์€ ์ •ํ™•๋„๋ฅผ ์œ ์ง€ํ–ˆ์Šต๋‹ˆ๋‹ค.
  • Grasp stability ([T4]) ๋ฐ Textile recognition ([T5]): Sparsh๊ฐ€ SOTA์— ๊ทผ์ ‘ํ•˜๊ฑฐ๋‚˜ ์ด๋ฅผ ๋Šฅ๊ฐ€ํ•˜๋Š” ๋ถ„๋ฅ˜ ์„ฑ๋Šฅ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. Sparsh (MAE)๋Š” Textile recognition์—์„œ ํŠนํžˆ ๊ฐ•์ ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. Sparsh๋Š” ์†Œ๋Ÿ‰์˜ ๋ฐ์ดํ„ฐ๋งŒ์œผ๋กœ๋„ cross-sensor transferability๋ฅผ ์ž…์ฆํ–ˆ์Šต๋‹ˆ๋‹ค.
  • Bead maze ([T6]): Sparsh representation์„ ํ™œ์šฉํ•œ policy (Diffusion Policy ๊ธฐ๋ฐ˜)๊ฐ€ E2E policy ๋Œ€๋น„ ๋‚ฎ์€ trajectory error๋ฅผ ๋ณด์˜€๊ณ , ์‹ค์ œ ๋กœ๋ด‡ rollout์—์„œ๋„ ๋” ๊ธด ๊ฑฐ๋ฆฌ๋ฅผ ์ด๋™ํ–ˆ์Šต๋‹ˆ๋‹ค.

๋ณธ ์—ฐ๊ตฌ๋Š” vision-based tactile sensor๋ฅผ ์œ„ํ•œ ์ผ๋ฐ˜ ๋ชฉ์ ์˜ pre-trained representation ๊ตฌ์ถ• ๊ฐ€๋Šฅ์„ฑ์„ ๋ณด์—ฌ์ฃผ๋ฉฐ, tactile sensing ์ปค๋ฎค๋‹ˆํ‹ฐ์˜ ํ–ฅํ›„ ์—ฐ๊ตฌ๋ฅผ ์œ„ํ•œ ํ‘œ์ค€ํ™”๋œ benchmark๋ฅผ ์ œ๊ณตํ•ฉ๋‹ˆ๋‹ค.

2 Detail Review

Sparsh: ์ž๊ธฐ ์ง€๋„ํ•™์Šต์„ ํ™œ์šฉํ•œ ๋น„์ „ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์‹ฑ ๋…ผ๋ฌธ ๋ฆฌ๋ทฐ

์ตœ๊ทผ ๋กœ๋ด‡ ๊ณตํ•™์—์„œ ์ด‰๊ฐ ์„ผ์‹ฑ(touch sensing)์€ ๋ฌผ์ฒด๋ฅผ ์กฐ์ž‘ํ•˜๊ณ  ํ™˜๊ฒฝ๊ณผ ์ƒํ˜ธ์ž‘์šฉํ•˜๋Š” ๋ฐ ํ•„์ˆ˜์ ์ธ ๋ชจ๋‹ฌ๋ฆฌํ‹ฐ๋กœ ์ฃผ๋ชฉ๋ฐ›๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค. ํŠนํžˆ ์นด๋ฉ”๋ผ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์„œ(vision-based tactile sensor)๋“ค์€ ์ ค ํŒจ๋“œ(elastomer)์˜ ๋ณ€ํ˜•์„ ์นด๋ฉ”๋ผ๋กœ ์ดฌ์˜ํ•˜์—ฌ ์ ‘์ด‰ ์ง€ํ˜•๊ณผ ํž˜ ์ •๋ณด๋ฅผ ์–ป์–ด๋‚ด๋ฉฐ, ์‹œ๊ฐ์œผ๋กœ๋Š” ์–ป๊ธฐ ์–ด๋ ค์šด ๋ฏธ์„ธํ•œ ์ ‘์ด‰ ์ •๋ณด๋ฅผ ์ œ๊ณตํ•ฉ๋‹ˆ๋‹ค. ๊ทธ๋Ÿฌ๋‚˜ ์ง€๊ธˆ๊นŒ์ง€ ์ด๋Ÿฌํ•œ ์ด‰๊ฐ ์„ผ์„œ๋ฅผ ํ™œ์šฉํ•œ ๋กœ๋ด‡ ์‹œ์Šคํ…œ๋“ค์€ ์„ผ์„œ ์ข…๋ฅ˜๋‚˜ ์ˆ˜ํ–‰ ์ž‘์—…์— ๋”ฐ๋ผ ์ผ์ผ์ด ํŠœ๋‹๋œ ๋งž์ถคํ˜• ๋ชจ๋ธ์— ์˜์กดํ•ด ์™”์Šต๋‹ˆ๋‹ค. ์ƒˆ๋กœ์šด ์ž‘์—…์„ ์ˆ˜ํ–‰ํ•˜๊ฑฐ๋‚˜ ์ƒˆ๋กœ์šด ํ˜•ํƒœ์˜ ์ด‰๊ฐ ์„ผ์„œ๋ฅผ ์‚ฌ์šฉํ•  ๋•Œ๋งˆ๋‹ค ๋Œ€๋Ÿ‰์˜ ๋ฐ์ดํ„ฐ ์ˆ˜์ง‘๊ณผ ๋ ˆ์ด๋ธ”๋ง์ด ํ•„์š”ํ–ˆ๋Š”๋ฐ, ์ ‘์ด‰ ํž˜์ด๋‚˜ ๋ฏธ๋„๋Ÿผ(slip) ๊ฐ™์€ ์ ‘์ด‰ ํŠน์„ฑ์— ๋Œ€ํ•œ ์ •ํ™•ํ•œ ๋ ˆ์ด๋ธ”์„ ๋Œ€๊ทœ๋ชจ๋กœ ์–ป๋Š” ๊ฒƒ์€ ๋งค์šฐ ์–ด๋ ค์šด ์ผ์ž…๋‹ˆ๋‹ค.

Sparsh๋Š” ์ด๋Ÿฌํ•œ ๋ฌธ์ œ๋ฅผ ํ•ด๊ฒฐํ•˜๊ธฐ ์œ„ํ•ด ์ž๊ธฐ ์ง€๋„ํ•™์Šต(Self-Supervised Learning, SSL)์„ ํ™œ์šฉํ•œ ๋ฒ”์šฉ ์ด‰๊ฐ ํ‘œํ˜„ ํ•™์Šต์„ ์ œ์•ˆํ•œ ์ตœ์‹  ์—ฐ๊ตฌ์ž…๋‹ˆ๋‹ค. ์ด ๋…ผ๋ฌธ์€ ๋‹ค์–‘ํ•œ ๋น„์ „ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์„œ๋“ค์— ๋Œ€ํ•ด ์‚ฌ์ „ ํ•™์Šต๋œ ๊ณตํ†ต ํ‘œํ˜„์„ ๋งŒ๋“ค์–ด, ์ƒˆ๋กœ์šด ์ž‘์—…์— ๋Œ€ํ•œ ๋ ˆ์ด๋ธ” ๋ถ€์กฑ ๋ฌธ์ œ๋ฅผ ๊ทน๋ณตํ•˜๊ณ ์ž ํ•ฉ๋‹ˆ๋‹ค. ๋˜ํ•œ TacBench๋ผ๋Š” ๋ฒค์น˜๋งˆํฌ๋ฅผ ๊ตฌ์ถ•ํ•˜์—ฌ, ํ•œ ๋ฒˆ ํ•™์Šต๋œ ์ด‰๊ฐ ํ‘œํ˜„์ด ์–ด๋А ์ •๋„ ๋ฒ”์šฉ์ ์œผ๋กœ ์—ฌ๋Ÿฌ ๊ณผ์ œ์— ํ†ตํ•  ์ˆ˜ ์žˆ๋Š”์ง€ ํ‰๊ฐ€ํ•  ์ˆ˜ ์žˆ๋Š” ํ‘œ์ค€ ์‹คํ—˜ ํ™˜๊ฒฝ์„ ์ œ๊ณตํ•ฉ๋‹ˆ๋‹ค. ๋ณธ ๊ธ€์—์„œ๋Š” ํ•ด๋‹น ๋…ผ๋ฌธ์˜ ๋ชฉํ‘œ์™€ ๊ธฐ์—ฌ, ๊ธฐ์ˆ ์  ๋ฐฉ๋ฒ•๋ก , ์‹คํ—˜ ๋ฐ ๊ฒฐ๊ณผ, ๊ธฐ์กด ์—ฐ๊ตฌ์™€์˜ ๋น„๊ต, ๊ทธ๋ฆฌ๊ณ  ์ด ์ ‘๊ทผ๋ฒ•์˜ ์žฅ์ ๊ณผ ํ•œ๊ณ„๋ฅผ ์‚ดํŽด๋ณด๊ณ  ํ–ฅํ›„ ๋ฐœ์ „ ๋ฐฉํ–ฅ์— ๋Œ€ํ•ด ๋…ผ์˜ํ•ฉ๋‹ˆ๋‹ค.

๊ทธ๋ฆผ 1: Sparsh์˜ ๊ฐœ์š”์™€ TacBench ๋ฒค์น˜๋งˆํฌ. ์™ผ์ชฝ์—๋Š” ๋ณธ ์—ฐ๊ตฌ์—์„œ ๋‹ค๋ฃจ๋Š” ๋‹ค์–‘ํ•œ ๋น„์ „ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์„œ๋“ค(DIGIT, GelSight 2017 ๋“ฑ)์˜ ์˜ˆ์‹œ๊ฐ€, ์˜ค๋ฅธ์ชฝ์—๋Š” ์ด‰๊ฐ ์ •๋ณด๋ฅผ ํ™œ์šฉํ•˜๋Š” ์—ฌ์„ฏ ๊ฐ€์ง€ ๋‹ค์šด์ŠคํŠธ๋ฆผ ๊ณผ์ œ(T1โ€“T6)๊ฐ€ ๋ฌ˜์‚ฌ๋˜์–ด ์žˆ๋‹ค. ๊ฐ€์šด๋ฐ ๊ทธ๋ž˜ํ”„๋Š” ๊ฐ ๊ณผ์ œ์—์„œ Sparsh๋กœ ์ž๊ธฐ ์ง€๋„ ์‚ฌ์ „ํ•™์Šต(SSL)ํ•œ ๋ชจ๋ธ๊ณผ ์—”๋“œํˆฌ์—”๋“œ(E2E)๋กœ ํ•ด๋‹น ๊ณผ์ œ๋งŒ ํ•™์Šตํ•œ ๋ชจ๋ธ์˜ ์„ฑ๋Šฅ์„ ๋น„๊ตํ•œ ๊ฒฐ๊ณผ๋กœ, ์ œํ•œ๋œ ์–‘์˜ ๋ ˆ์ด๋ธ”๋งŒ์œผ๋กœ(๋Œ€๋ถ€๋ถ„ 33%, T6๋Š” 50%)๋„ Sparsh ์‚ฌ์ „ํ•™์Šต ๋ชจ๋ธ์ด ์ „๋ฐ˜์ ์œผ๋กœ ์šฐ์ˆ˜ํ•œ ์„ฑ๋Šฅ์„ ๋ณด์ž„์„ ๋ณด์—ฌ์ค€๋‹ค.

2.1 ์—ฐ๊ตฌ ๋ชฉํ‘œ ๋ฐ ์ฃผ์š” ๊ธฐ์—ฌ

์ด ๋…ผ๋ฌธ์˜ ํ•ต์‹ฌ ๋ชฉํ‘œ๋Š” ์—ฌ๋Ÿฌ ์ข…๋ฅ˜์˜ ์ด‰๊ฐ ์„ผ์„œ์— ๊ณตํ†ต์œผ๋กœ ์ ์šฉ ๊ฐ€๋Šฅํ•œ ์ผ๋ฐ˜์ ์ธ ์ด‰๊ฐ ํ‘œํ˜„์„ ํ•™์Šตํ•˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ฆ‰, ํ•œ ๋ฒˆ ๊ฑฐ๋Œ€ํ•œ ์ด‰๊ฐ ์ด๋ฏธ์ง€ ๋ฐ์ดํ„ฐ๋กœ ์‚ฌ์ „ํ•™์Šตํ•œ ๋ฐฑ๋ณธ ์‹ ๊ฒฝ๋ง์„ ๊ฐ–์ถ”๋ฉด, ๊ฐœ๋ณ„ ์ž‘์—…๋ณ„๋กœ ์ผ์ผ์ด ์„ผ์„œ ํŠน์„ฑ์— ๋งž์ถ˜ ๋ชจ๋ธ์„ ์ƒˆ๋กœ ์„ค๊ณ„ํ•˜๊ฑฐ๋‚˜ ๋Œ€๋Ÿ‰์˜ ๋ ˆ์ด๋ธ”์„ ๋ชจ์œผ์ง€ ์•Š์•„๋„, ๋‹ค์–‘ํ•œ ๋กœ๋ด‡ ์กฐ์ž‘ ๊ณผ์ œ์— ์ด‰๊ฐ ์ •๋ณด๋ฅผ ํ™œ์šฉํ•  ์ˆ˜ ์žˆ๊ฒŒ ํ•˜์ž๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ €์ž๋“ค์€ ์ด ๋ชฉํ‘œ๋ฅผ ๋‹ฌ์„ฑํ•˜๊ธฐ ์œ„ํ•ด ์ž๊ธฐ ์ง€๋„ํ•™์Šต ๊ธฐ๋ฒ•์„ ์ด‰๊ฐ ๋ฐ์ดํ„ฐ์— ์ ์šฉํ•˜๊ณ , ํ•™์Šต๋œ ํ‘œํ˜„์˜ ํšจ๊ณผ๋ฅผ ์ฒด๊ณ„์ ์œผ๋กœ ๊ฒ€์ฆํ•  ๋ฒค์น˜๋งˆํฌ๋ฅผ ๊ตฌ์ถ•ํ•˜์˜€์Šต๋‹ˆ๋‹ค.

๋…ผ๋ฌธ์—์„œ ๋ฐํžŒ ์ฃผ์š” ๊ธฐ์—ฌ๋Š” ๋‹ค์Œ ์„ธ ๊ฐ€์ง€๋กœ ์š”์•ฝ๋ฉ๋‹ˆ๋‹ค:

  • ๋ฒ”์šฉ ์ด‰๊ฐ ํ‘œํ˜„ ๋ชจ๋ธ (Sparsh)์„ ์ œ์‹œํ•˜์˜€์Šต๋‹ˆ๋‹ค. ๋‹ค์–‘ํ•œ ๋น„์ „ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์„œ (์˜ˆ: DIGIT, GelSight ๋“ฑ)๊ฐ€ ์ƒ์„ฑํ•˜๋Š” ์ด๋ฏธ์ง€๋ฅผ ํ•œ๋ฐ ๋ชจ์€ 460,000์žฅ ์ด์ƒ์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€ ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ SSL ์‚ฌ์ „ํ•™์Šตํ•œ ๊ณตํ†ต ์ธ์ฝ”๋”๋ฅผ ๊ฐœ๋ฐœํ•˜์˜€์Šต๋‹ˆ๋‹ค. ๋ณ„๋„์˜ ์ž‘์—…๋ณ„ ๋ ˆ์ด๋ธ” ์—†์ด ๋งˆ์Šคํ‚น ๋ณต์›๊ณผ ์ž๊ธฐ ์ฆ๋ฅ˜ ๋“ฑ์˜ ์ž๊ธฐ ์ง€๋„ ํ•™์Šต ๊ธฐ๋ฒ•์œผ๋กœ ํ•™์Šต๋œ ์ด ๋ชจ๋ธ๋“ค์€ ์—ฌ๋Ÿฌ ์„ผ์„œ์— ๊ฑธ์ณ ์‚ฌ์šฉํ•  ์ˆ˜ ์žˆ๋Š” ์ผ๋ฐ˜์ ์ธ ์ด‰๊ฐ ํŠน์ง• ํ‘œํ˜„์„ ์ œ๊ณตํ•ฉ๋‹ˆ๋‹ค.

  • TacBench ๋ฒค์น˜๋งˆํฌ๋ฅผ ๊ตฌ์ถ•ํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์ด๋Š” ๋‹ค์–‘ํ•œ ์„ผ์„œ๋กœ๋ถ€ํ„ฐ ์ˆ˜์ง‘๋œ 6๊ฐ€์ง€ ์ด‰๊ฐ ๊ด€๋ จ ๊ณผ์ œ์— ๋Œ€ํ•œ ๋ฐ์ดํ„ฐ์™€ ํ‰๊ฐ€ ํ”„๋กœํ† ์ฝœ๋กœ ๊ตฌ์„ฑ๋œ ๋ฒค์น˜๋งˆํฌ๋กœ, ์ด‰๊ฐ ํ‘œํ˜„์˜ ์„ฑ๋Šฅ์„ ํ‘œ์ค€ํ™”๋œ ๋ฐฉ์‹์œผ๋กœ ํ‰๊ฐ€ํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. TacBench์˜ ๊ณผ์ œ๋“ค์€ ์ ‘์ด‰ ํž˜ ์ถ”์ •, ๋ฏธ๋„๋Ÿผ ๊ฐ์ง€ ๋“ฑ์˜ ์ด‰๊ฐ ๋ฌผ๋ฆฌ๋Ÿ‰ ์ดํ•ด ๊ณผ์ œ๋ถ€ํ„ฐ ๋ฌผ์ฒด ์œ„์น˜ ์ถ”์ , ๊ทธ๋ฆฝ ์•ˆ์ •์„ฑ ์˜ˆ์ธก, ์žฌ์งˆ ์ธ์‹ ๋“ฑ์˜ ๋ฌผ์ฒด ์ธ์ง€ ๊ณผ์ œ, ๊ทธ๋ฆฌ๊ณ  ๋น„๋“œ ๋ฏธ๋กœ ์กฐ์ž‘ ๊ฐ™์€ ๋กœ๋ด‡ ์กฐ์ž‘ ๊ณ„ํš ๊ณผ์ œ๊นŒ์ง€ ํญ๋„“๊ฒŒ ํฌํ•จํ•˜๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค.

  • ๋Œ€๊ทœ๋ชจ ์ด‰๊ฐ ๋ฐ์ดํ„ฐ์…‹์˜ ์ˆ˜์ง‘ ๋ฐ ํ†ตํ•ฉ์„ ์ˆ˜ํ–‰ํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์ €์ž๋“ค์€ ๊ธฐ์กด์— ๊ณต๊ฐœ๋œ ์—ฌ๋Ÿฌ ์ด‰๊ฐ ์„ผ์„œ ๋ฐ์ดํ„ฐ์…‹(YCB-Slide, Touch-and-Go, ObjectFolder ๋“ฑ)์— ๋”ํ•ด, ์ž์ฒด์ ์œผ๋กœ Touch-Slide๋ผ๋Š” ์ƒˆ ๋ฐ์ดํ„ฐ์…‹์„ ์ˆ˜์ง‘ํ•˜์—ฌ ์ด 66๋งŒ์žฅ ์ด์ƒ์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€ ๋ฐ์ดํ„ฐ๋ฅผ ํ™•๋ณดํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด ์ค‘ ์•ฝ 46๋งŒ์žฅ(70%)์„ ์‚ฌ์ „ํ•™์Šต์— ์‚ฌ์šฉํ•˜๊ณ  ๋‚˜๋จธ์ง€๋Š” ๊ฒ€์ฆ์— ์‚ฌ์šฉํ•˜์˜€์œผ๋ฉฐ, ๋ณ„๋„๋กœ TacBench์˜ ๊ฐ ๊ณผ์ œ์— ๋งž๋Š” ๋ ˆ์ด๋ธ”๋œ ๋ฐ์ดํ„ฐ์…‹๋„ ๊ตฌ์ถ•ํ•˜์—ฌ ๊ณต๊ฐœํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ๋…ธ๋ ฅ์€ ์ด‰๊ฐ ํ‘œํ˜„ ํ•™์Šต์„ ์œ„ํ•œ ๋ฐ์ดํ„ฐ ๊ทœ๋ชจ๋ฅผ ํ•œ์ธต ๋Œ์–ด์˜ฌ๋ ค, ์ด์ „์˜ ์–ด๋–ค ์—ฐ๊ตฌ๋ณด๋‹ค 1์ž๋ฆฌ์ˆ˜ ์ด์ƒ ๋งŽ์€ ์ด๋ฏธ์ง€๋กœ ๋ชจ๋ธ์„ ํ›ˆ๋ จํ•  ์ˆ˜ ์žˆ๊ฒŒ ํ•˜์˜€๋‹ค๋Š” ์˜์˜๋ฅผ ๊ฐ–์Šต๋‹ˆ๋‹ค.

์š”์•ฝํ•˜๋ฉด Sparsh ์—ฐ๊ตฌ๋Š” (1) ๋‹ค์–‘ํ•œ ์ด‰๊ฐ ์„ผ์„œ์— ์ผ๋ฐ˜ํ™”๋˜๋Š” ๋Œ€๊ทœ๋ชจ ์‚ฌ์ „ํ•™์Šต ์ด‰๊ฐ ํ‘œํ˜„ ๋ชจ๋ธ์„ ๋งŒ๋“ค๊ณ , (2) ๊ทธ ์„ฑ๋Šฅ์„ ํ‰๊ฐ€ํ•  ์ˆ˜ ์žˆ๋Š” ํ‘œ์ค€ ๋ฒค์น˜๋งˆํฌ์™€ ๋ฐ์ดํ„ฐ์…‹์„ ์ œ์‹œํ–ˆ์œผ๋ฉฐ, (3) ์ด๋ฅผ ํ†ตํ•ด ํ•œ์ •๋œ ๋ ˆ์ด๋ธ” ๋ฐ์ดํ„ฐ๋กœ๋„ ๋†’์€ ์„ฑ๋Šฅ์„ ๋‹ฌ์„ฑํ•  ์ˆ˜ ์žˆ์Œ์„ ๋ณด์—ฌ์ค€ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์‹ค์ œ๋กœ TacBench ์‹คํ—˜ ๊ฒฐ๊ณผ, ์‚ฌ์ „ํ•™์Šตํ•œ Sparsh ๋ชจ๋ธ์ด ์ž‘์—…๋ณ„๋กœ ์ฒ˜์Œ๋ถ€ํ„ฐ ๋๊นŒ์ง€ ํ•™์Šตํ•œ ๋ชจ๋ธ๋ณด๋‹ค ํ‰๊ท  95.1% ๋†’์€ ์„ฑ๋Šฅ์„ ๋ณด์˜€์œผ๋ฉฐ(๋ ˆ์ด๋ธ” ๋ฐ์ดํ„ฐ 33~50% ์‚ฌ์šฉ ์‹œ), ํŠนํžˆ ์ž ์žฌ ๊ณต๊ฐ„ ํ‘œํ˜„(latent representation)์„ ํ•™์Šตํ•˜๋Š” Sparsh (DINO)์™€ Sparsh (IJEPA) ๋ณ€ํ˜•์ด ๊ฐ€์žฅ ์šฐ์ˆ˜ํ–ˆ๋‹ค๊ณ  ํ•ฉ๋‹ˆ๋‹ค. ์ด๋Š” ์ด‰๊ฐ ์ด๋ฏธ์ง€์˜ ๋ฏธ๋ฌ˜ํ•œ ๋ณ€ํ™”์™€ ๋…ธ์ด์ฆˆ๋ฅผ ์ง์ ‘ ๋ณต์›ํ•˜๋Š” ํ”ฝ์…€ ๊ณต๊ฐ„ ํ•™์Šต๋ณด๋‹ค, ์ž ์žฌ ํŠน์ง• ๊ณต๊ฐ„์—์„œ์˜ ์˜ˆ์ธก ํ•™์Šต์ด ํšจ๊ณผ์ ์ž„์„ ์‹œ์‚ฌํ•ฉ๋‹ˆ๋‹ค.

2.2 ๋ฐฉ๋ฒ•๋ก : ์ž๊ธฐ ์ง€๋„ํ•™์Šต ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ํ‘œํ˜„ ํ•™์Šต

Sparsh์˜ ํ•ต์‹ฌ์€ ์ž๊ธฐ ์ง€๋„ํ•™์Šต(SSL)์„ ํ†ตํ•ด ๋ ˆ์ด๋ธ” ์—†๋Š” ์ด‰๊ฐ ์ด๋ฏธ์ง€ ๋ฐ์ดํ„ฐ์—์„œ ์œ ์šฉํ•œ ํ‘œํ˜„์„ ํ•™์Šตํ•˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ด๋ฅผ ์œ„ํ•ด ์ €์ž๋“ค์€ ์ตœ์‹  ์ปดํ“จํ„ฐ ๋น„์ „ SSL ๊ธฐ๋ฒ•๋“ค์„ ์ด‰๊ฐ ๋„๋ฉ”์ธ์— ๋งž๊ฒŒ ๋ณ€ํ˜•ํ•˜์—ฌ ํ™œ์šฉํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์ „์ฒด ํ”„๋ ˆ์ž„์›Œํฌ๋Š” ํฌ๊ฒŒ ๋Œ€๊ทœ๋ชจ ์ด‰๊ฐ ์ด๋ฏธ์ง€ ์‚ฌ์ „ํ•™์Šต ๋‹จ๊ณ„์™€ ๋‹ค์šด์ŠคํŠธ๋ฆผ ๊ณผ์ œ ํ‰๊ฐ€ ๋‹จ๊ณ„๋กœ ๋‚˜๋‰ฉ๋‹ˆ๋‹ค. ์‚ฌ์ „ํ•™์Šต ๋‹จ๊ณ„์—์„œ ํ•˜๋‚˜์˜ ๋น„์ „ ํŠธ๋žœ์Šคํฌ๋จธ(ViT) ์ธ์ฝ”๋”๊ฐ€ ์—ฌ๋Ÿฌ ์„ผ์„œ์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€๋ฅผ ์ž…๋ ฅ์œผ๋กœ ๊ณตํ†ต๋œ ์ž ์žฌ ํ‘œํ˜„์„ ํ•™์Šตํ•˜๊ณ , ์ดํ›„ ๋‹ค์šด์ŠคํŠธ๋ฆผ ๋‹จ๊ณ„์—์„œ๋Š” ์ด ์ธ์ฝ”๋”๋ฅผ ๊ณ ์ •(freeze)์‹œํ‚จ ์ฑ„ ๊ฐ ๊ณผ์ œ๋ณ„๋กœ ๊ฐ„๋‹จํ•œ ๋””์ฝ”๋”๋‚˜ ํ”„๋กœ๋ธŒ(probe)๋ฅผ ํ•™์Šต์‹œ์ผœ ํ‘œํ˜„์˜ ํ’ˆ์งˆ์„ ํ‰๊ฐ€ํ•ฉ๋‹ˆ๋‹ค.

๊ทธ๋ฆผ 2: Sparsh ๋ชจ๋ธ์˜ ์ž๊ธฐ ์ง€๋„ํ•™์Šต ๊ธฐ๋ฒ•๋“ค. (a) ์ด๋ฒˆ ์—ฐ๊ตฌ์—์„œ ํ†ตํ•ฉํ•œ ๋Œ€๊ทœ๋ชจ ์ด‰๊ฐ ์ด๋ฏธ์ง€ ๋ฐ์ดํ„ฐ์…‹์˜ ๊ตฌ์„ฑ: ์ƒˆ๋กœ์šด Touch-Slide(์ธ๊ฐ„์ด ์žฅ๋‚œ๊ฐ ๋ถ€ํ’ˆ์„ ๋ฌธ์ง€๋ฅด๋Š” ๋ฐ์ดํ„ฐ)์™€ ๊ธฐ์กด YCB-Slide, Touch-and-Go, ObjectFolder ๋ฐ์ดํ„ฐ์…‹ ๋“ฑ์œผ๋กœ ์ด ์•ฝ 66๋งŒ ์žฅ์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€๊ฐ€ ์‚ฌ์šฉ๋˜์—ˆ๋‹ค. ์ด ์ค‘ 70%์— ํ•ด๋‹นํ•˜๋Š” ์•ฝ 46๋งŒ ์žฅ์„ ์ž๊ธฐ ์ง€๋„ ์‚ฌ์ „ํ•™์Šต์— ํ™œ์šฉํ•˜์˜€๋‹ค. (b) Sparsh (MAE) โ€“ ๋งˆ์Šคํ‚น ์ž๋™์ธ์ฝ”๋”(Masked Autoencoder) ๋ฐฉ์‹: ์ž…๋ ฅ ์ด๋ฏธ์ง€์˜ ์ƒ๋‹น ๋ถ€๋ถ„(์˜ˆ: 75%)์„ ๋ฌด์ž‘์œ„๋กœ ๊ฐ€๋ฆฐ ํ›„, ๋‚จ์€ ์ผ๋ถ€๋ถ„๋งŒ์„ ๋ณด๊ณ  ์ „์ฒด ์ด๋ฏธ์ง€๋ฅผ ๋ณต์›ํ•˜๋„๋ก ์ธ์ฝ”๋”-๋””์ฝ”๋”๋ฅผ ํ•™์Šต์‹œํ‚จ๋‹ค. ์ธ์ฝ”๋”๋Š” ViT ๊ธฐ๋ฐ˜์ด๋ฉฐ, ๋งˆ์Šคํฌ๋œ ์˜์—ญ ๋ณต์›์€ ๊ฐ„๋‹จํ•œ ๋””์ฝ”๋”๋ฅผ ํ†ตํ•ด ์ˆ˜ํ–‰๋˜๊ณ  L2 ํ”ฝ์…€ ์†์‹ค๋กœ ํ•™์Šต๋œ๋‹ค. (c) Sparsh (DINO) โ€“ ์ž๊ธฐ ์ฆ๋ฅ˜(self-distillation) ๋ฐฉ์‹: ๋™์ผํ•œ ๊ตฌ์กฐ์˜ ํ•™์ƒ ๋„คํŠธ์›Œํฌ์™€ EMA๋กœ ์—…๋ฐ์ดํŠธ๋˜๋Š” ๊ต์‚ฌ ๋„คํŠธ์›Œํฌ ๋‘ ๊ฐœ๋ฅผ ๋‘๊ณ , ํ•˜๋‚˜์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€์— ์„œ๋กœ ๋‹ค๋ฅธ ๋ณ€ํ™˜(crop ๋“ฑ)์„ ๊ฐ€ํ•œ ๋‘ ์ž…๋ ฅ์„ ํ†ตํ•ด ๊ฐ๊ฐ ํŠน์ง•์„ ์ถ”์ถœํ•œ๋‹ค. ๊ฐ ํŠน์ง•์„ ๋ณ„๋„์˜ MLP ํ—ค๋“œ์— ํ†ต๊ณผ์‹œ์ผœ ์ž„์˜์˜ ๋ฒ”์ฃผ ๋ถ„ํฌ(ํด๋Ÿฌ์Šคํ„ฐ ํ™•๋ฅ )๋ฅผ ์˜ˆ์ธกํ•˜๊ณ , ๊ต์‚ฌ ์ถœ๋ ฅ์— ํ•™์ƒ ์ถœ๋ ฅ์ด ๋งž์ถฐ์ง€๋„๋ก ํฌ๋กœ์Šค์—”ํŠธ๋กœํ”ผ ์†์‹ค๋กœ ํ•™์Šตํ•œ๋‹ค. ์ด๋ ‡๊ฒŒ ํ•˜๋ฉด ๋ ˆ์ด๋ธ” ์—†์ด๋„ ํ•™์ƒ ๋„คํŠธ์›Œํฌ๊ฐ€ ๊ต์‚ฌ์˜ ๊ตฐ์ง‘ํ™”๋œ ํ‘œํ˜„์„ ๋ชจ๋ฐฉํ•˜๋ฉฐ ์˜๋ฏธ ์žˆ๋Š” ์ž ์žฌ ํ‘œํ˜„์„ ์–ป๊ฒŒ ๋œ๋‹ค. (d) Sparsh (I-JEPA) โ€“ Joint Embedding Predictive Architecture ๋ฐฉ์‹: ํ•™์ƒ(์ปจํ…์ŠคํŠธ ๋„คํŠธ์›Œํฌ)๊ณผ ๊ต์‚ฌ(ํƒ€๊ฒŸ ๋„คํŠธ์›Œํฌ)๋กœ ๊ตฌ์„ฑ๋˜๋ฉฐ, ๊ต์‚ฌ ๋„คํŠธ์›Œํฌ๋Š” EMA๋กœ ๊ฐฑ์‹ ๋œ๋‹ค. ํ•™์ƒ ๋„คํŠธ์›Œํฌ๋Š” ์ด๋ฏธ์ง€์˜ ์ผ๋ถ€ ์˜์—ญ๋งŒ ๊ด€์ฐฐํ•˜์—ฌ ํŠน์ง•์„ ๋งŒ๋“ค๊ณ  ์ž‘์€ ์˜ˆ์ธก๊ธฐ(predictor)๋ฅผ ํ†ตํ•ด ๊ต์‚ฌ ๋„คํŠธ์›Œํฌ์˜ ํŠน์ง•์„ ๋งž์ถฐ๋ณด๋Š” ์ž‘์—…์„ ํ•œ๋‹ค. ๊ตฌ์ฒด์ ์œผ๋กœ, ํ•™์ƒ์€ ์ด๋ฏธ์ง€์˜ ์ƒ๋‹น ๋ถ€๋ถ„์„ ๋งˆ์Šคํ‚นํ•œ ๊ธ€๋กœ๋ฒŒ ์‹œ์•ผ๋ฅผ ๊ฐ€์ง€๊ณ , ๊ต์‚ฌ๋Š” ์ด๋ฏธ์ง€์˜ ๊ตญ์†Œ ํŒจ์น˜๋“ค๋งŒ์„ ๋ณธ๋‹ค. ํ•™์ƒ์˜ ์ปจํ…์ŠคํŠธ ํŠน์ง•์„ ํ†ตํ•ด ๊ต์‚ฌ์˜ ์ง€์—ญ ํŠน์ง•์„ ์˜ˆ์ธกํ•˜๋„๋ก L1 ์†์‹ค๋กœ ํ•™์Šตํ•จ์œผ๋กœ์จ, ๋ถ€๋ถ„ ๊ด€์ฐฐ์„ ๊ธฐ๋ฐ˜์œผ๋กœ ์ „์ฒด ์ •๋ณด๋ฅผ ์ถ”๋ก ํ•˜๋Š” ๋Šฅ๋ ฅ์ด ํ–ฅ์ƒ๋œ๋‹ค. Sparsh์—๋Š” ์ •์ ์ธ ์ด๋ฏธ์ง€์— ์ ์šฉํ•œ I-JEPA๋ฟ ์•„๋‹ˆ๋ผ, ์—ฐ์†์ ์ธ ๋น„๋””์˜ค ํ”„๋ ˆ์ž„์— ์ ์šฉํ•œ V-JEPA๋„ ํฌํ•จ๋˜์–ด ์žˆ๋‹ค.

์‚ฌ์ „ํ•™์Šต์— ์‚ฌ์šฉ๋œ ๋ชจ๋ธ ์•„ํ‚คํ…์ฒ˜๋Š” ๊ธฐ๋ณธ์ ์œผ๋กœ ViT-Base (ํŒจ์น˜ ํฌ๊ธฐ 14) ๊ตฌ์„ฑ์ž…๋‹ˆ๋‹ค. ์ž…๋ ฅ์œผ๋กœ ๋“ค์–ด์˜ค๋Š” ์ด‰๊ฐ ์ด๋ฏธ์ง€๋Š” ๋ฐฐ๊ฒฝ ์ฐจ๊ฐ(background subtraction)์„ ๊ฑฐ์น˜๋Š”๋ฐ, ์ด๋Š” ๊ฐ ์„ผ์„œ์—์„œ ์ ‘์ด‰์ด ์—†์„ ๋•Œ์˜ ๊ธฐ๋ณธ ์˜์ƒ์„ ๋นผ์คŒ์œผ๋กœ์จ ์กฐ๋ช…์ด๋‚˜ ๋งˆ์ปค ํŒจํ„ด ์ฐจ์ด ๋“ฑ ์„ผ์„œ๋ณ„ ์žก์Œ์„ ์ค„์ด๊ธฐ ์œ„ํ•จ์ž…๋‹ˆ๋‹ค. ์ด๋ ‡๊ฒŒ ํ•˜๋ฉด ๊ฐ™์€ ์ข…๋ฅ˜์˜ ์„ผ์„œ ๋‚ด์—์„œ๋Š” ์กฐ๊ธˆ ๋‹ค๋ฅธ ์ œ์กฐ ๊ณต์ •์œผ๋กœ ์ธํ•œ ๋ฐฐ๊ฒฝ ์ฐจ์ด๋„ ๋ณด์ •๋˜์–ด, ๋ชจ๋ธ์ด ์ง„์งœ ์ ‘์ด‰์— ์˜ํ•œ ๋ณ€ํ™”์— ์ง‘์ค‘ํ•  ์ˆ˜ ์žˆ๊ฒŒ ๋ฉ๋‹ˆ๋‹ค. ๋˜ํ•œ ์ด‰๊ฐ ์„ผ์‹ฑ์€ ์‹œ๊ฐ„์ ์ธ ๋งฅ๋ฝ์ด ์ค‘์š”ํ•œ ๊ฒฝ์šฐ๊ฐ€ ๋งŽ๊ธฐ ๋•Œ๋ฌธ์—, ์ €์ž๋“ค์€ ์‹œ๊ณ„์—ด ์ •๋ณด๋ฅผ ์ž…๋ ฅ์— ๋ฐ˜์˜ํ•˜์˜€์Šต๋‹ˆ๋‹ค. ๊ตฌ์ฒด์ ์œผ๋กœ, ์ •์ ์ธ ์ด๋ฏธ์ง€ ๊ธฐ๋ฐ˜ SSL ๊ธฐ๋ฒ•๋“ค(MAE, DINO ๋“ฑ)์—๋Š” ํ•œ ์„ผ์„œ ํ”„๋ ˆ์ž„์—์„œ ์•ฝ 80ms ๊ฐ„๊ฒฉ์œผ๋กœ ๋–จ์–ด์ง„ ๋‘ ์žฅ์˜ ์ด๋ฏธ์ง€๋ฅผ ์ฑ„๋„ ์ฐจ์›์œผ๋กœ ๋ถ™์—ฌ์„œ ํ•œ ์ž…๋ ฅ์œผ๋กœ ์‚ฌ์šฉํ•˜์˜€์Šต๋‹ˆ๋‹ค. ๋ณดํ†ต ์ด‰๊ฐ ์„ผ์„œ๊ฐ€ 60 FPS๋กœ ๋™์ž‘ํ•จ์„ ๊ฐ์•ˆํ•˜์—ฌ 5ํ”„๋ ˆ์ž„ ์ฐจ์ด๋ฅผ ๋‘” ๊ฒƒ์œผ๋กœ, ์ด๋Š” ์ธ๊ฐ„์ด ๋ฏธ๋„๋Ÿฌ์ง์„ ๊ฐ์ง€ํ•˜๊ณ  ํž˜์„ ์กฐ์ ˆํ•˜๋Š” ๋ฐ˜์‘ ์‹œ๊ฐ„๊ณผ ๋น„์Šทํ•œ ์ˆ˜์ค€์ž…๋‹ˆ๋‹ค. ํ•œํŽธ ๋น„๋””์˜ค ๊ธฐ๋ฐ˜ SSL ๊ธฐ๋ฒ•(V-JEPA)์—๋Š” 4ํ”„๋ ˆ์ž„ ๊ธธ์ด์˜ ์งง์€ ํด๋ฆฝ(๋™์˜์ƒ ์กฐ๊ฐ)์„ ์ž…๋ ฅ์œผ๋กœ ์‚ฌ์šฉํ•˜์—ฌ ์‹œ๊ฐ„์— ๋”ฐ๋ฅธ ๋ณ€ํ™”๊นŒ์ง€ ํ•™์Šตํ•˜๋„๋ก ํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์ด๋ ‡๊ฒŒ ๋‘ ์žฅ ๋˜๋Š” ์—ฌ๋Ÿฌ ์žฅ์˜ ์—ฐ์† ์ด๋ฏธ์ง€๋ฅผ ํ™œ์šฉํ•จ์œผ๋กœ์จ, ์ด‰๊ฐ ๋ณ€ํ™”์˜ ๋™์  ํŒจํ„ด(์˜ˆ: ๋ฏธ๋„๋Ÿฌ์ง€๊ธฐ ์ „์˜ ๋ฏธ์„ธํ•œ ์›€์ง์ž„)์„ ํฌ์ฐฉํ•  ์ˆ˜ ์žˆ๋„๋ก ํ•œ ๊ฒƒ์ด ํŠน์ง•์ž…๋‹ˆ๋‹ค.

SSL ํ•™์Šต์€ ๋ฌด์—‡์„ ์˜ˆ์ธกํ•˜๋А๋ƒ์— ๋”ฐ๋ผ ํ”ฝ์…€ ๊ณต๊ฐ„ ๋˜๋Š” ์ž ์žฌ ๊ณต๊ฐ„์—์„œ ์ด๋ฃจ์–ด์ง€๋Š”๋ฐ, ์•ž์„œ ์–ธ๊ธ‰ํ–ˆ๋“ฏ์ด ์ €์ž๋“ค์€ ์ž ์žฌ ๊ณต๊ฐ„์—์„œ์˜ ํ•™์Šต์ด ๋” ํšจ์œจ์ ์ผ ๊ฒƒ์œผ๋กœ ๊ฐ€์„ค์„ ์„ธ์› ์Šต๋‹ˆ๋‹ค. ์ด‰๊ฐ ์ด๋ฏธ์ง€๋Š” ์„ผ์„œ์˜ ๊ตญ์†Œ์  ์ ‘์ด‰๋งŒ ๋‹ด๊ณ  ์žˆ์–ด ํ•œ ์žฅ๋ฉด๋งŒ์œผ๋กœ๋Š” ๋ชจํ˜ธ์„ฑ์ด ์กด์žฌํ•  ์ˆ˜ ์žˆ๊ณ , ์ดฌ์˜ ์กฐ๊ฑด์— ๋”ฐ๋ผ ๋งˆ์ปค๋‚˜ ์กฐ๋ช… ๋ณ€ํ™” ๊ฐ™์€ ๋ฐฉํ•ด ์š”์†Œ๋„ ํฝ๋‹ˆ๋‹ค. ๋”ฐ๋ผ์„œ ๋ชจ๋“  ์ž‘์€ ๋””ํ…Œ์ผ๊นŒ์ง€ ๋ณต์›ํ•˜๋ ค๋Š” ํ”ฝ์…€ ์žฌ๊ตฌ์„ฑ๋ณด๋‹ค๋Š”, ๋” ์ถ”์ƒํ™”๋œ ํŠน์ง•์— ์ง‘์ค‘ํ•˜๋Š” ๋ฐฉ๋ฒ•(์˜ˆ: DINO, JEPA)์ด ์ด๋Ÿฐ ๋ถˆํ™•์‹ค์„ฑ๊ณผ ์žก์Œ์„ ๋ฌด์‹œํ•˜๊ณ  ์œ ์šฉํ•œ ํŒจํ„ด์„ ํ•™์Šตํ•˜๋Š” ๋ฐ ์œ ๋ฆฌํ•  ๊ฒƒ์ด๋ผ ๋ณธ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์‹ค์ œ ์‹คํ—˜์—์„œ๋„ ๋‚˜์ค‘์— ๋ณด๊ฒ ์ง€๋งŒ, DINO๋‚˜ I-JEPA์ฒ˜๋Ÿผ ์ž ์žฌ ํ‘œํ˜„ ํ•™์Šต์„ ํ•œ ๋ชจ๋ธ์ด MAE๊ฐ™์ด ํ”ฝ์…€ ๋ณต์›์„ ํ•œ ๋ชจ๋ธ๋ณด๋‹ค ์ „๋ฐ˜์ ์œผ๋กœ ์šฐ์ˆ˜ํ•œ ๋‹ค์šด์ŠคํŠธ๋ฆผ ์„ฑ๋Šฅ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค.

Sparsh ์‚ฌ์ „ํ•™์Šต์€ 150 ์—ํฌํฌ ๋™์•ˆ ์ง„ํ–‰๋˜์—ˆ์œผ๋ฉฐ, AdamW ์˜ตํ‹ฐ๋งˆ์ด์ €์™€ ์ฝ”์‚ฌ์ธ ํ•™์Šต๋ฅ  ์Šค์ผ€์ค„ ๋“ฑ์ด ์‚ฌ์šฉ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ๋ชจ๋“  ๋ชจ๋ธ์€ ํ•™์Šต ์‹œ [CLS] ํ† ํฐ์„ ์‚ฌ์šฉํ•˜์ง€ ์•Š๊ณ , ํŒจ์น˜ ์ž„๋ฒ ๋”ฉ๋“ค์˜ ํ’€๋ง์ด๋‚˜ ๋ณ„๋„ ํ—ค๋“œ๋ฅผ ํ†ตํ•ด ํ•™์Šต๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ํŠนํžˆ DINO์˜ ๊ฒฝ์šฐ [CLS] ํ† ํฐ ๋Œ€์‹  ViT์˜ ํŠน์ • ๋ ˆ์ง€์Šคํ„ฐ๋ฅผ ํ™œ์šฉํ•˜์—ฌ ํด๋Ÿฌ์Šคํ„ฐ ํ™•๋ฅ  ์ถœ๋ ฅ์„ ์–ป๋Š” ๋“ฑ, ์•ฝ๊ฐ„์˜ ๊ตฌ์กฐ ๋ณ€ํ˜•์ด ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ํ•˜์ดํผํŒŒ๋ผ๋ฏธํ„ฐ๋กœ๋Š” DINO์™€ JEPA ๋ฐฉ์‹์—์„œ EMA ๋ชจ๋ฉ˜ํ…€ ๊ณ„์ˆ˜(์˜ˆ: DINO 0.998, IJEPA 0.996)์™€ ํ•™์Šต๋ฅ  ๋“ฑ์ด ์กฐ์ •๋˜์—ˆ๊ณ , ๋ฐฐ์น˜ ํฌ๊ธฐ๋Š” MAE 100, ๋‚˜๋จธ์ง€ 150์œผ๋กœ ์„ธํŒ…๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์ตœ์ข…์ ์œผ๋กœ ํ•™์Šต๋œ Sparsh ์ธ์ฝ”๋”๋Š” ์•ฝ 0.86์–ต ๊ฐœ ํŒŒ๋ผ๋ฏธํ„ฐ(ViT-Base ์ˆ˜์ค€)์ด๋ฉฐ, GPU ๊ธฐ์ค€์œผ๋กœ 100 FPS ์ด์ƒ์˜ ์ถ”๋ก  ์†๋„๋ฅผ ๋ณด์—ฌ ์‹ค์‹œ๊ฐ„ ํ™œ์šฉ์—๋„ ๋ฌด๋ฆฌ๊ฐ€ ์—†์Œ์„ ํ™•์ธํ•˜์˜€์Šต๋‹ˆ๋‹ค (์˜ˆ: Sparsh (DINO) ~112FPS).

2.3 ์‹คํ—˜: TacBench ๋ฒค์น˜๋งˆํฌ ํ‰๊ฐ€

Sparsh์˜ ํšจ๊ณผ๋ฅผ ๊ฒ€์ฆํ•˜๊ธฐ ์œ„ํ•ด ์ €์ž๋“ค์€ TacBench๋ผ ๋ถˆ๋ฆฌ๋Š” ๋ฒค์น˜๋งˆํฌ๋ฅผ ๊ตฌ์ถ•ํ•˜์—ฌ ์ผ๋ จ์˜ ๋‹ค์šด์ŠคํŠธ๋ฆผ ๊ณผ์ œ ์‹คํ—˜์„ ์ˆ˜ํ–‰ํ–ˆ์Šต๋‹ˆ๋‹ค. TacBench์—๋Š” ์•ž์„œ ์†Œ๊ฐœํ•œ ๋Œ€๋กœ 6๊ฐœ์˜ ๋Œ€ํ‘œ์ ์ธ ์ด‰๊ฐ ๊ณผ์ œ(T1โ€“T6)๊ฐ€ ํฌํ•จ๋˜์–ด ์žˆ์Šต๋‹ˆ๋‹ค. ๊ฐ ๊ณผ์ œ๋Š” ์„œ๋กœ ๋‹ค๋ฅธ ์„ผ์„œ์™€ ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ ๊ตฌ์„ฑ๋˜๋ฉฐ, ๊ตฌ์ฒด์ ์ธ ๋‚ด์šฉ์€ ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค:

  • [T1] ํž˜ ์ถ”์ • (Force Estimation): ์ด‰๊ฐ ์„ผ์„œ์˜ ์ ค์— ๊ฐ€ํ•ด์ง€๋Š” 3์ถ• ํž˜(์ˆ˜์ง+๋‘ ์ถ•์˜ ์ „๋‹จ๋ ฅ)์„ ์ถ”์ •ํ•˜๋Š” ํšŒ๊ท€ ๋ฌธ์ œ์ž…๋‹ˆ๋‹ค. ์ €์ž๋“ค์ด ๊ตฌ์ถ•ํ•œ Shear Load ๋ฐ์ดํ„ฐ์…‹์„ ์‚ฌ์šฉํ•˜๋ฉฐ, ๋กœ๋ด‡ ํŒ”์— ์žฅ์ฐฉ๋œ ์ด‰๊ฐ ์„ผ์„œ(DIGIT ๋˜๋Š” GelSight Mini)๋กœ ๋ฐ˜๊ตฌํ˜•, ๋พฐ์กฑํ•œ, ํ‰ํ‰ํ•œ ๋ชจ์–‘์˜ ์ธ๋ดํ„ฐ(indenter)๋ฅผ ๋ˆŒ๋Ÿฌ๊ฐ€๋ฉฐ ๋™์‹œ์— ํž˜ ์„ผ์„œ ๊ฐ’๊ณผ ์ด‰๊ฐ ์˜์ƒ์„ ๊ธฐ๋กํ•˜์˜€์Šต๋‹ˆ๋‹ค. DIGIT์€ 60fps, GelSight Mini๋Š” 25fps๋กœ ์ดฌ์˜๋˜์–ด ์ด ๊ฐ 7.5๋งŒ ์ƒ˜ํ”Œ์˜ ์ •๋ ฌ๋œ ์˜์ƒ-ํž˜ ๋ฐ์ดํ„ฐ๊ฐ€ ์–ป์–ด์กŒ์Šต๋‹ˆ๋‹ค. ํ‰๊ฐ€ ์ง€ํ‘œ๋Š” 3์ถ• ํž˜์˜ RMSE(ํ‰๊ท  ์ œ๊ณฑ๊ทผ ์˜ค์ฐจ)์ด๋ฉฐ, ํ•™์Šต ์‹œ ์‹ค์ œ ํž˜๊ฐ’์„ ์ •๊ทœํ™”ํ•˜์—ฌ L1 ์†์‹ค๋กœ ์˜ˆ์ธกํ•˜๋„๋ก ๋””์ฝ”๋”(์ž‘์€ MLP)๋ฅผ ํ•™์Šต์‹œ์ผฐ์Šต๋‹ˆ๋‹ค.

  • [T1A] ํž˜์žฅ ์‹œ๊ฐํ™” (Force Field Visualization): T1์˜ ๋ถ€๊ฐ€ ์‹คํ—˜์œผ๋กœ, ์ด‰๊ฐ ์ด๋ฏธ์ง€๋กœ๋ถ€ํ„ฐ ์ ค ํ‘œ๋ฉด ์ „์ฒด์˜ ์ ‘์ด‰ ํž˜ ๋ถ„ํฌ (์ •๊ทœ๋ ฅ ๋ถ„ํฌ ๋ฐ ์ „๋‹จ๋ ฅ ๋ฒกํ„ฐ์žฅ)๋ฅผ ์ถ”์ •ํ•˜๋Š” ๊ณผ์ œ์ž…๋‹ˆ๋‹ค. ๋งˆ์ปค๊ฐ€ ์žˆ๋Š” ์„ผ์„œ์˜ ๊ฒฝ์šฐ ๋งˆ์ปค ์›€์ง์ž„ ์ถ”์ ์œผ๋กœ ์ „๋‹จ ๋ณ€ํ˜•์žฅ์„ ์–ป๋Š” ๊ฒƒ์ด ๊ฐ€๋Šฅํ•˜์ง€๋งŒ, ๋งˆ์ปค๊ฐ€ ์—†๋Š” ์„ผ์„œ์—์„œ๋Š” ์ „์ฒด ์žฅ(field)์˜ ground truth๋ฅผ ์–ป๊ธฐ ์–ด๋ ค์›Œ ์ด ์ž‘์—…์ด ์ž˜ ์ˆ˜ํ–‰๋˜์–ด์˜ค์ง€ ์•Š์•˜์Šต๋‹ˆ๋‹ค. ์ €์ž๋“ค์€ Sparsh ํ‘œํ˜„์„ ์ด์šฉํ•ด ๋งˆ์ปค ์—†๋Š” ์„ผ์„œ์˜ ํž˜์žฅ๋„ ์ถ”์ •์ด qualitatively ๊ฐ€๋Šฅํ•จ์„ ๋ณด์˜€๋Š”๋ฐ, ์ •๊ทœ๋ ฅ์žฅ์€ ๊นŠ์ด์ง€๋„(depth map)๋กœ, ์ „๋‹จ๋ ฅ์žฅ์€ ์˜ตํ‹ฑ ํ”Œ๋กœ์šฐ ๋ฌธ์ œ๋กœ ํ”„๋ ˆ์ž„ ๊ฐ„ ๋ณ€์œ„๋ฅผ ์˜ˆ์ธกํ•˜๋„๋ก ์„ค์ •ํ•˜์—ฌ ๊ฐ๋…์—†์ด ๋””์ฝ”๋”(CNN+DPT ๊ตฌ์กฐ)๋ฅผ ํ•™์Šต์‹œ์ผฐ์Šต๋‹ˆ๋‹ค. ๊ทธ ๊ฒฐ๊ณผ Sparsh (DINO) ๋ชจ๋ธ์„ ํ™œ์šฉํ•˜๋ฉด, ์ ‘์ด‰ ํŒจ์น˜์˜ ์›€์ง์ž„ ๋ฐฉํ–ฅ, ์˜ˆ๋ฅผ ๋“ค์–ด ๋ฏธ๋„๋Ÿผ ๋ฐฉํ–ฅ์ด๋‚˜ ๋น„ํ‹€๋ฆผ(torsion), ์ ‘์ด‰ ์‹œ์˜ ํผ์ ธ๋‚˜๊ฐ€๋Š” ํ˜•ํƒœ ๋“ฑ์„ ์œ ์˜๋ฏธํ•˜๊ฒŒ ๋ณด์—ฌ์ฃผ๋Š” ์ „๋‹จ๋ ฅ ๋ฒกํ„ฐ์žฅ์„ ๊ทธ๋ ค๋‚ผ ์ˆ˜ ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ๊ทธ๋ฆผ 4 (vi)์— ์‹œ๊ฐํ™” ์˜ˆ์‹œ๊ฐ€ ์ œ์‹œ๋˜์–ด ์žˆ์Šต๋‹ˆ๋‹ค.

  • [T2] ๋ฏธ๋„๋Ÿผ ๊ฐ์ง€ (Slip Detection): ๋ฌผ์ฒด๊ฐ€ ์†๊ฐ€๋ฝ์—์„œ ๋ฏธ๋„๋Ÿฌ์ง€๋Š”์ง€ ์—ฌ๋ถ€๋ฅผ ์ด์ง„ ๋ถ„๋ฅ˜ํ•˜๋Š” ๊ณผ์ œ์ž…๋‹ˆ๋‹ค. ์‹คํ—˜์„ ์œ„ํ•ด T1๊ณผ ๋™์ผํ•œ ์žฅ๋น„๋กœ ๋ฐ˜๊ตฌํ˜• ์ธ๋ดํ„ฐ๋ฅผ ์‚ฌ์šฉํ•˜๋˜, ์ผ๋ถ€ ๊ตฌ๊ฐ„์—์„œ๋Š” ์„ผ์„œ ํ‘œ๋ฉด์ด ๋ฏธ๋„๋Ÿฌ์ง€๋„๋ก ํž˜์˜ ๋ฐฉํ–ฅ์„ ์กฐ์ ˆํ•˜์—ฌ stick-slip ๋™์ž‘์„ ๋งŒ๋“ค์–ด๋ƒˆ์Šต๋‹ˆ๋‹ค. ๋งˆ์ฐฐ ์›๋ฟ” ๋ชจ๋ธ์— ๋”ฐ๋ผ, ์ •์  ๋งˆ์ฐฐ ํ•œ๊ณ„๋ฅผ ๋„˜์€ ๊ฒฝ์šฐ๋ฅผ ๋ฏธ๋„๋Ÿผ ๋ฐœ์ƒ์œผ๋กœ ๋ ˆ์ด๋ธ”๋ง ํ•˜์˜€๊ณ  (์ •์  ๋งˆ์ฐฐ๊ณ„์ˆ˜๋Š” ์‹คํ—˜์ ์œผ๋กœ ์ถ”์ •), ์ด 12.5๋งŒ ์ƒ˜ํ”Œ ์ค‘ ์•ฝ 13%๊ฐ€ ๋ฏธ๋„๋Ÿผ์œผ๋กœ ๋ ˆ์ด๋ธ”๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ๋ฐ์ดํ„ฐ ๋ถˆ๊ท ํ˜•์ด ์žˆ๊ธฐ ๋•Œ๋ฌธ์— ํ‰๊ฐ€์—๋Š” F1-score๋ฅผ ์ฃผ๋กœ ์‚ฌ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค. ํ•™์Šต ์‹œ์—๋Š” ๋ฏธ๋„๋Ÿผ ์œ ๋ฌด ๋ถ„๋ฅ˜ MLP์™€ ํž˜ ๋ณ€ํ™”๋Ÿ‰(regression) MLP๋ฅผ ๋ฉ€ํ‹ฐํƒœ์Šคํฌ๋กœ ๋™์‹œ์— ํ•™์Šต์‹œ์ผฐ๋Š”๋ฐ, ํž˜ ๋ณ€ํ™” (ํŠนํžˆ ์ „๋‹จ๋ ฅ์˜ ๋ณ€ํ™”)๊ฐ€ ๋ฏธ๋„๋Ÿผ๊ณผ ๋ฐ€์ ‘ํ•œ ๊ด€๋ จ์ด ์žˆ์–ด ๋‘ ๊ฐ’์„ ํ•จ๊ป˜ ์˜ˆ์ธกํ•˜๋ฉด ์„ฑ๋Šฅ์ด ์ข‹์•„์ง์„ ๊ด€์ฐฐํ–ˆ๊ธฐ ๋•Œ๋ฌธ์ž…๋‹ˆ๋‹ค.

  • [T3] ๋ฌผ์ฒด ์ž์„ธ ์ถ”์  (Pose Estimation): ์ด‰๊ฐ ์ด๋ฏธ์ง€๋ฅผ ํ†ตํ•ด ์„ผ์„œ์— ์ ‘์ด‰ํ•œ ๋ฌผ์ฒด์˜ ์ƒ๋Œ€ ์ž์„ธ(SE(2) ๋ณ€ํ™˜) ๋ณ€ํ™”๋ฅผ ์ถ”์ •ํ•˜๋Š” ๊ณผ์ œ์ž…๋‹ˆ๋‹ค. ์ด๋Š” ์†๊ฐ€๋ฝ๊ณผ ๋ฌผ์ฒด ์‚ฌ์ด์˜ ๋ฏธ๋„๋Ÿฌ์ง ์ •๋„(ํ‰๋ฉด ์ด๋™ ๋ฐ ํšŒ์ „)๋ฅผ ์ถ”์ ํ•˜๋Š” ๊ฒƒ์œผ๋กœ ๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ๋ฐ์ดํ„ฐ์…‹์€ DIGIT ์„ผ์„œ๋กœ ์‚ฌ๋žŒ์ด ๋ฌผ์ฒด(์˜ˆ: YCB ๋ฌผ์ฒด)๋ฅผ ์‚ด์ง ๋ฏธ๋„๋Ÿฌ๋œจ๋ฆฌ๋Š” ์žฅ๋ฉด์„ ์ดฌ์˜ํ•˜๊ณ , ๋™๊ธฐํ™”๋œ ๋ชจ์…˜ ์บก์ฒ˜ ์‹œ์Šคํ…œ์œผ๋กœ ๋ฌผ์ฒด์˜ ์‹ค์ œ ์ž์„ธ ๋ณ€ํ™”๋ฅผ ๊ธฐ๋กํ•˜์—ฌ ๋งŒ๋“ค์—ˆ์Šต๋‹ˆ๋‹ค. ์ด 4.9๋งŒ ์Œ์˜ (์ด์ „ ์ด๋ฏธ์ง€, ํ˜„์žฌ ์ด๋ฏธ์ง€)์™€ ๊ทธ ์‚ฌ์ด์˜ ๋ฌผ์ฒด ๋ณ€ํ™˜ ๋ ˆ์ด๋ธ”์ด ์žˆ์œผ๋ฉฐ, ํ•™์Šต ์‹œ ๋ถ„๋ฅ˜๋ฅผ ํ†ตํ•œ ํšŒ๊ท€(regression-by-classification) ๋ฐฉ์‹์„ ์ฑ„ํƒํ–ˆ์Šต๋‹ˆ๋‹ค. ์ฆ‰, ํ‰๋ฉด ์ƒ์˜ x, y ์ด๋™ ๋ฐ ํšŒ์ „ ๋ณ€ํ™”๋ฅผ ์—ฐ์†๊ฐ’ ๋Œ€์‹  ์—ฌ๋Ÿฌ ๊ตฌ๊ฐ„์œผ๋กœ ์–‘์žํ™”(binning)ํ•˜์—ฌ ๋‹ค์ค‘ ํด๋ž˜์Šค ๋ถ„๋ฅ˜ ๋ฌธ์ œ๋กœ ๋ณ€ํ™˜ํ•œ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ด๋™์€ ์ˆ˜๋ฐฑ ฮผm ์ •๋„์˜ ํ•ด์ƒ๋„๋กœ, ํšŒ์ „์€ ์ˆ˜ ๋„(degree) ๋‹จ์œ„๋กœ ๊ตฌ๊ฐ„ํ™”ํ•˜์—ฌ, ๊ฐ ์ž์œ ๋„์— ๋Œ€ํ•ด ๋ณ„๋„์˜ Softmax ์ถœ๋ ฅ์„ ๋‚ด๋„๋ก ํ•˜์˜€์Šต๋‹ˆ๋‹ค. ํ‰๊ฐ€ ์ง€ํ‘œ๋กœ๋Š” ๋ถ„๋ฅ˜ ์ •ํ™•๋„(์ •๋‹ต ๊ตฌ๊ฐ„ ๋งž์ถ˜ ๋น„์œจ)๋ฅผ ์‚ฌ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค.

  • [T4] ๊ทธ๋ฆฝ ์•ˆ์ •์„ฑ ์˜ˆ์ธก (Grasp Stability): ๋กœ๋ด‡ ์†๊ฐ€๋ฝ์œผ๋กœ ๋ฌผ์ฒด๋ฅผ ์žก์•˜์„ ๋•Œ ์„ฑ๊ณต์ ์œผ๋กœ ๋“ค์—ˆ๋Š”์ง€(์•ˆ์ •์ ์œผ๋กœ ํŒŒ์ง€๋˜์—ˆ๋Š”์ง€) ์—ฌ๋ถ€๋ฅผ ๋งž์ถ”๋Š” ์ด์ง„ ๋ถ„๋ฅ˜ ๊ณผ์ œ์ž…๋‹ˆ๋‹ค. ์ด๋Š” ์ด‰๊ฐ ์—ฐ๊ตฌ์—์„œ ์˜ค๋žซ๋™์•ˆ ๋‹ค๋ค„์ง„ ์ฃผ์ œ์ธ๋ฐ, ๋ณธ ๋…ผ๋ฌธ์—์„œ๋Š” ๊ธฐ์กด Feeling of Success ๋ฐ์ดํ„ฐ์…‹์„ ํ™œ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด ๋ฐ์ดํ„ฐ์…‹์€ ๋ณ‘ ๋”ฐ๊ธฐ์šฉ ๋กœ๋ด‡ ์†๊ฐ€๋ฝ์— GelSight ์„ผ์„œ๋ฅผ ๋ถ€์ฐฉํ•˜์—ฌ 100์—ฌ ๊ฐœ ๋ฌผ์ฒด๋ฅผ ์žก์€ ํ›„ ์„ฑ๊ณต/์‹คํŒจ๋ฅผ ๊ธฐ๋กํ•œ ๊ฒƒ์œผ๋กœ, ํ•˜๋‚˜์˜ ์‹œ๋„๋งˆ๋‹ค ์žก๊ธฐ ์ „, ์žก๋Š” ์ค‘, ์žก์€ ํ›„์˜ ์„ธ ์žฅ์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€๊ฐ€ ์ œ๊ณต๋ฉ๋‹ˆ๋‹ค. ์ด ์•ฝ 9300ํšŒ ์‹œ๋„ ์ค‘ ์„ฑ๊ณต๊ณผ ์‹คํŒจ ์‚ฌ๋ก€๊ฐ€ ๋ชจ๋‘ ํฌํ•จ๋˜์–ด ์žˆ์Šต๋‹ˆ๋‹ค. ๋ณธ ์—ฐ๊ตฌ์—์„œ๋Š” ํ•œ ์†๊ฐ€๋ฝ์˜ ์ด‰๊ฐ ์ •๋ณด๋งŒ ์‚ฌ์šฉํ•˜๋ฏ€๋กœ, ์„ธ ๊ฐœ ์ด๋ฏธ์ง€ ์ค‘ ์žก๊ธฐ ์ „๊ณผ ์žก๋Š” ์ค‘ ๋‘ ์ด๋ฏธ์ง€๋ฅผ ํžˆ์Šคํ† ๋ฆฌ๋กœ ์ž…๋ ฅ์œผ๋กœ ์ฃผ์—ˆ๊ณ , ๋ ˆ์ด๋ธ”์€ ๊ทธ๋ฆฝ ์„ฑ๊ณต ์—ฌ๋ถ€(์˜ˆ/์•„๋‹ˆ์˜ค)์ž…๋‹ˆ๋‹ค. ๋ฐ์ดํ„ฐ์…‹์— ๊ณต์‹ ๋ถ„ํ• ์ด ์—†์–ด์„œ ์ž„์˜๋กœ 8000์—ฌ ๊ฐœ ์‹œ๋„๋ฅผ ํ•™์Šต์—, 1300์—ฌ ๊ฐœ๋ฅผ ํ…Œ์ŠคํŠธ์— ์‚ฌ์šฉํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์„ฑ๋Šฅ ์ง€ํ‘œ๋Š” ๋ถ„๋ฅ˜ ์ •ํ™•๋„์ž…๋‹ˆ๋‹ค.

  • [T5] ์ง๋ฌผ ์žฌ์งˆ ์ธ์‹ (Textile Recognition): ์ด‰๊ฐ๋งŒ์œผ๋กœ ๋‹ค์–‘ํ•œ ์ง๋ฌผ์˜ ์žฌ์งˆ์„ ๋ถ„๋ฅ˜ํ•˜๋Š” ๊ณผ์ œ์ž…๋‹ˆ๋‹ค. ๊ธฐ์กด ์—ฐ๊ตฌ์—์„œ ์ •์˜ํ•œ Clothing Dataset์„ ์‚ฌ์šฉํ•˜์˜€๋Š”๋ฐ, ์ด๋Š” GelSight 2017 ์„ผ์„œ(๋งˆ์ปค ํŒจํ„ด ์žˆ์Œ)๋กœ ๊ฐ€์ฃฝ, ๋ฉด, ํด๋ฆฌ์—์Šคํ„ฐ ๋“ฑ 20๊ฐ€์ง€ ์ง๋ฌผ์„ ์žก์•˜์„ ๋•Œ์˜ ์ด‰๊ฐ ์˜์ƒ์ด ๋‹ด๊ธด ์งง์€ ๋น„๋””์˜ค ํด๋ฆฝ 4467๊ฐœ๋กœ ์ด๋ฃจ์–ด์ ธ ์žˆ์Šต๋‹ˆ๋‹ค. ๊ฐ ํด๋ฆฝ์€ 10~25ํ”„๋ ˆ์ž„ ๊ธธ์ด์ด๋ฉฐ, ๋กœ๋ด‡์ด ์˜ท๊ฐ์„ ์‚ด์ง ์ฅ์—ˆ๋‹ค ๋†“๋Š” ๋™์ž‘ ๋“ฑ์„ ํฌํ•จํ•ฉ๋‹ˆ๋‹ค. ์šฐ๋ฆฌ๋Š” ์ œ๊ณต๋œ ๋ฉ”ํƒ€๋ฐ์ดํ„ฐ์˜ ํ•™์Šต/์‹œํ—˜ ๋ถ„ํ• ์„ ๋”ฐ๋ž์Šต๋‹ˆ๋‹ค. ์ด ๋ฌธ์ œ๋Š” 20-class ๋ถ„๋ฅ˜์ด๋ฉฐ ํ‰๊ฐ€ ์ง€ํ‘œ๋Š” ์ •ํ™•๋„์ž…๋‹ˆ๋‹ค.

  • [T6] ๋น„๋“œ ๋ฏธ๋กœ (Bead Maze) ์กฐ์ž‘: ์žฅ๋‚œ๊ฐ์ธ ๋น„๋“œ ๋ฏธ๋กœ(๊ณ ๋ฆฌ ๋ชจ์–‘์˜ ๊ตฌ์Šฌ์„ ๋ง‰๋Œ€ ๊ธฐ๋‘ฅ์„ ๋”ฐ๋ผ ์›€์ง์ด๋Š” ํผ์ฆ)๋ฅผ ๋กœ๋ด‡์ด ์ด‰๊ฐ ํ”ผ๋“œ๋ฐฑ์œผ๋กœ ํ’€๋„๋ก ํ•˜๋Š” ๊ฐ•ํ™” ํ•™์Šต์  ๊ณผ์ œ์ž…๋‹ˆ๋‹ค. ํ•œ์ชฝ ๋์— ๊ตฌ์Šฌ์ด ๊ฑธ๋ ค ์žˆ๋Š” ๊ตฌ๋ถˆ๊ตฌ๋ถˆํ•œ ๋ง‰๋Œ€ ๊ฒฝ๋กœ๋ฅผ ๋”ฐ๋ผ ๊ตฌ์Šฌ์„ ๋‹ค๋ฅธ ๋๊นŒ์ง€ ์›€์ง์ด๋Š” ๊ฒƒ์ด ๋ชฉํ‘œ๋กœ, ๋กœ๋ด‡์€ ๊ตฌ์Šฌ์„ ์ง‘์€ ์†๊ฐ€๋ฝ์— ๋‹ฌ๋ฆฐ ์ด‰๊ฐ ์„ผ์„œ๋กœ๋ถ€ํ„ฐ ์ €ํ•ญ์„ ๋А๋ผ๋ฉฐ ํž˜์„ ์กฐ์ ˆํ•ด์•ผ ํ•ฉ๋‹ˆ๋‹ค. ์‹œ๊ฐ์ ์œผ๋กœ๋Š” ์†๊ฐ€๋ฝ์— ๊ฐ€๋ ค ์ž˜ ์•ˆ ๋ณด์ด๊ณ , ๋งˆ์ฐฐ๋กœ ์ธํ•œ ๋ฏธ์„ธํ•œ ๋ง‰ํž˜ ๋“ฑ์„ ๊ฐ์ง€ํ•ด์•ผ ํ•˜๊ธฐ ๋•Œ๋ฌธ์— ์ด‰๊ฐ์— ์˜์กดํ•˜๋Š” ๋ฌธ์ œ ์„ค์ •์ž…๋‹ˆ๋‹ค. ์ €์ž๋“ค์€ ํ”„๋ž‘์นด(Franka) ๋กœ๋ด‡ํŒ”๊ณผ DIGIT ์„ผ์„œ๋ฅผ ์ด์šฉํ•˜์—ฌ ๋‹ค์–‘ํ•œ ๋ชจ์–‘์˜ ๋ฏธ๋กœ์—์„œ 50ํšŒ ๋ฐ๋ชจ ์‹œ์—ฐ์„ ๋ชจ์•˜์Šต๋‹ˆ๋‹ค. ์ ˆ๋ฐ˜์€ VR ์žฅ์น˜๋ฅผ ํ™œ์šฉํ•œ ์›๊ฒฉ ์กฐ์ž‘์œผ๋กœ, ์ ˆ๋ฐ˜์€ ์‚ฌ๋žŒ์˜ ์ˆ˜๋™ ์กฐ์ž‘์œผ๋กœ ์ˆ˜ํ–‰๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์ด 3.4๋งŒ ๊ฐœ์˜ (์ด‰๊ฐ ์ด๋ฏธ์ง€ ์‹œํ€€์Šค, ๋กœ๋ด‡ ๊ด€์ ˆ ๋ช…๋ น) ์Œ์ด ๋ฐ์ดํ„ฐ๋กœ ํ™•๋ณด๋˜์—ˆ๊ณ , ์ด๋ฅผ ์ด์šฉํ•ด Diffusion Policy ๋ผ๋Š” ์ตœ์‹  Behavior Cloning ์•Œ๊ณ ๋ฆฌ์ฆ˜์œผ๋กœ ์ •์ฑ…(policy) ํ•™์Šต์„ ํ•ฉ๋‹ˆ๋‹ค. ์ด๋•Œ ์‹œ๊ฐ์šฉ์œผ๋กœ ์„ค๊ณ„๋œ ์›๋ž˜ Diffusion Policy์˜ ์ธ์ฝ”๋”๋ฅผ Sparsh ์‚ฌ์ „ํ•™์Šต ์ธ์ฝ”๋”๋กœ ๊ต์ฒดํ•˜์—ฌ, ์ด‰๊ฐ ๊ด€์ธก์„ ์ฒ˜๋ฆฌํ•˜๋„๋ก ๋งŒ๋“ค์—ˆ์Šต๋‹ˆ๋‹ค. ํ•™์Šต๋œ ์ •์ฑ…์€ ํ˜„์žฌ๊นŒ์ง€์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€ ํžˆ์Šคํ† ๋ฆฌ(์˜ˆ: 2~3์žฅ)์™€ ํ˜„์žฌ ๋กœ๋ด‡ ๊ด€์ ˆ๊ฐ์„ ์ž…๋ ฅ์œผ๋กœ ๋ฐ›์•„, ๋‹ค์Œ ๊ด€์ ˆ ๊ฐ ๋ณ€ํ™”๋Ÿ‰์„ ์ถœ๋ ฅํ•ฉ๋‹ˆ๋‹ค. ํ‰๊ฐ€์—์„œ๋Š” ๋ฐ๋ชจ์™€ ๋กœ๋ด‡์˜ ์‹คํ–‰ ๊ฒฐ๊ณผ ๊ฐ„์˜ ๊ฑฐ๋ฆฌ ์ฐจ์ด(trajectory error)๋ฅผ ์งง์€ ๊ตฌ๊ฐ„๋ณ„(3cm ์ด๋™๋‹น)๋กœ ์ธก์ •ํ•˜์—ฌ ๋ˆ„์  ์˜ค์ฐจ๋ฅผ ๊ณ„์‚ฐํ•˜์˜€์œผ๋ฉฐ, ์ตœ์ข…์ ์œผ๋กœ ์‹ค์ œ ๋กœ๋ด‡์— ์ •์ฑ…์„ ์‹คํ–‰ํ•˜์—ฌ ์–ผ๋งˆ๋‚˜ ๋จผ ๊ฑฐ๋ฆฌ๊นŒ์ง€ ๊ตฌ์Šฌ์„ ์šด๋ฐ˜ํ•˜๋Š”์ง€๋„ ์ธก์ •ํ–ˆ์Šต๋‹ˆ๋‹ค.

๊ฐ ๊ณผ์ œ๋งˆ๋‹ค, Sparsh๋กœ ์‚ฌ์ „ํ•™์Šต๋œ ์ธ์ฝ”๋”๋Š” ๋™๊ฒฐํ•˜๊ณ , ๊ทธ ์œ„์— ์ž‘์€ ํƒœ์Šคํฌ๋ณ„ ๋””์ฝ”๋”/ํ”„๋กœ๋ธŒ๋งŒ ํ•™์Šต์‹œ์ผฐ์Šต๋‹ˆ๋‹ค. ๊ตฌ์ฒด์ ์œผ๋กœ, [T1]~[T5] ๋Œ€๋ถ€๋ถ„์˜ ๊ณผ์ œ๋Š” ์–ดํ…์…˜ ํ’€๋ง ๊ธฐ๋ฐ˜ ๋””์ฝ”๋”๋ฅผ ์‚ฌ์šฉํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” Sparsh ์ธ์ฝ”๋”์˜ ํŒจ์น˜๋ณ„ ์ถœ๋ ฅ์— ๊ต์ฐจ ์–ดํ…์…˜(cross-attention)์„ ์ ์šฉํ•ด ์ „์—ญ์ ์ธ ํŠน์ง•์„ ๋ชจ์€ ํ›„, 2๊ณ„์ธต MLP๋ฅผ ํ†ตํ•ด ์ตœ์ข… ์˜ˆ์ธก์„ ์‚ฐ์ถœํ•˜๋Š” ์†Œ๊ทœ๋ชจ ๋„คํŠธ์›Œํฌ์ž…๋‹ˆ๋‹ค. ์ด๋ ‡๊ฒŒ ํ•˜๋ฉด ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์ด ์–ผ๋งˆ๋‚˜ ํ•ด๋‹น ๊ณผ์ œ์˜ ์ •๋ณด๋ฅผ ๋‹ด๊ณ  ์žˆ๋Š”์ง€ ์„ ํ˜• ๋ถ„๋ฅ˜๊ธฐ ์ˆ˜์ค€์—์„œ ํ‰๊ฐ€ํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ํ•œํŽธ ํž˜ ๋ถ„ํฌ ํ•„๋“œ ์žฌ๊ตฌ์„ฑ(T1A) ๊ฐ™์€ Dense ์˜ˆ์ธก์ด ํ•„์š”ํ•œ ๊ฒฝ์šฐ์—๋Š”, Sparsh ์ธ์ฝ”๋”์˜ ์ค‘๊ฐ„ ํŠน์ง•๋“ค์„ ๋ฐ›์•„ DPT(Dense Prediction Transformer) ๋””์ฝ”๋”๋กœ ํ”ฝ์…€ ๋‹จ์œ„ ์ถœ๋ ฅ์„ ๋ณต์›ํ•˜๋„๋ก ์„ค๊ณ„ํ–ˆ์Šต๋‹ˆ๋‹ค. [T6] ๋น„๋“œ ๋ฏธ๋กœ์˜ ๊ฒฝ์šฐ๋Š” ๊ฐ•ํ™”ํ•™์Šต ์ •์ฑ… ํŠน์„ฑ์ƒ end-to-end๋กœ ํ•™์Šต์ด ์ด๋ค„์ง€์ง€๋งŒ, ๋น„๊ต๋ฅผ ์œ„ํ•ด Sparsh ์ธ์ฝ”๋”๋ฅผ ๊ณ ์ •ํ•œ ๋ฒ„์ „๊ณผ, ์ฒ˜์Œ๋ถ€ํ„ฐ ์ •์ฑ…๊ณผ ์ธ์ฝ”๋”๋ฅผ ํ•จ๊ป˜ ํ•™์Šตํ•œ ๋ฒ„์ „์„ ๋ชจ๋‘ ์‹œํ—˜ํ–ˆ์Šต๋‹ˆ๋‹ค.

์ด์ œ TacBench ์‹คํ—˜ ๊ฒฐ๊ณผ๋ฅผ ์‚ดํŽด๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค. ์ „์ฒด์ ์ธ ๊ฒฐ๋ก ๋ถ€ํ„ฐ ๋งํ•˜๋ฉด, Sparsh ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์€ ๋‹ค์–‘ํ•œ ์ด‰๊ฐ ๊ณผ์ œ์—์„œ ๋งค์šฐ ๋›ฐ์–ด๋‚œ ์„ฑ๋Šฅ ํ–ฅ์ƒ์„ ๋ณด์—ฌ์ฃผ์—ˆ์Šต๋‹ˆ๋‹ค. ์šฐ์„  ๊ณตํ†ต์ ์œผ๋กœ, ๋ ˆ์ด๋ธ”๋œ ๋ฐ์ดํ„ฐ๊ฐ€ ์ ์„์ˆ˜๋ก Sparsh์˜ ํšจ๊ณผ๋Š” ๋”์šฑ ๋‘๋“œ๋Ÿฌ์กŒ์Šต๋‹ˆ๋‹ค. ๊ทธ๋ฆผ 1 ๊ฐ€์šด๋ฐ ๊ทธ๋ž˜ํ”„์—์„œ ๋ณผ ์ˆ˜ ์žˆ๋“ฏ์ด, ์‚ฌ์ „ํ•™์Šต ์—†์ด ๊ฐœ๋ณ„ ๊ณผ์ œ ์ „์šฉ์œผ๋กœ ํ•™์Šตํ•œ ๋ชจ๋ธ(E2E)๋“ค์€ ํ•™์Šต ๋ฐ์ดํ„ฐ๊ฐ€ ์ถฉ๋ถ„ํ•  ๋•Œ๋Š” ์ผ์ • ์ˆ˜์ค€ ์„ฑ๋Šฅ์„ ๋‚ด์ง€๋งŒ, ๋ฐ์ดํ„ฐ๊ฐ€ ์ค„์–ด๋“ค์ˆ˜๋ก ์„ฑ๋Šฅ์ด ๊ธ‰๊ฒฉํžˆ ๋–จ์–ด์กŒ์Šต๋‹ˆ๋‹ค. ๋ฐ˜๋Œ€๋กœ Sparsh ์ธ์ฝ”๋”๋ฅผ ์‚ฌ์šฉํ•œ ๋ชจ๋ธ๋“ค์€ ๋ ˆ์ด๋ธ” 1/3๋งŒ์œผ๋กœ๋„ ์ค€์ˆ˜ํ•œ ์ •ํ™•๋„๋ฅผ ์œ ์ง€ํ–ˆ๊ณ , 10%๋‚˜ 1% ์ˆ˜์ค€์˜ ๊ทน์†Œ๋Ÿ‰ ๋ ˆ์ด๋ธ”๋กœ๋„ ์–ด๋А ์ •๋„ ์œ ์˜๋ฏธํ•œ ๊ฒฐ๊ณผ๋ฅผ ๋ƒˆ์Šต๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด ํž˜ ์ถ”์ •์˜ ๊ฒฝ์šฐ, Sparsh (DINO) ๋ชจ๋ธ์€ ๋ ˆ์ด๋ธ”์˜ 10%๋งŒ ์จ๋„ 0.1N ์ดํ•˜์˜ ์˜ค์ฐจ๋ฅผ ์œ ์ง€ํ–ˆ์œผ๋ฉฐ, ๋ฏธ๋„๋Ÿผ ๊ฐ์ง€๋„ 1% ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ•ด๋„ F1-score๊ฐ€ ๊ฝค ์œ ์˜๋ฏธํ•˜๊ฒŒ ๋‚˜์™”์Šต๋‹ˆ๋‹ค. ๋ฐ˜๋ฉด E2E ๋ชจ๋ธ์€ 33% ์ดํ•˜์—์„œ๋Š” ์•„์˜ˆ ์ถœ๋ ฅ์ด ํ•œ์ชฝ์œผ๋กœ ์น˜์šฐ์น˜๋Š” ๋“ฑ ์ œ๋Œ€๋กœ ํ•™์Šต๋˜์ง€ ์•Š๋Š” ํ˜„์ƒ์ด ๊ด€์ฐฐ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ๊ฒฝํ–ฅ์€ ์ •๋Ÿ‰์ ์ธ ํ‰๊ท  ์ง€ํ‘œ๋กœ๋„ ํ™•์ธ๋˜๋Š”๋ฐ, ์ €์ž๋“ค์ด ๋ช…์‹œํ•˜์˜€๋“ฏ์ด Sparsh ๋ชจ๋ธ๋“ค์€ ๋ ˆ์ด๋ธ” 33% ์กฐ๊ฑด์—์„œ E2E ๋Œ€๋น„ ํ‰๊ท  95.1% ์„ฑ๋Šฅ ํ–ฅ์ƒ์„ ์ด๋ฃจ์—ˆ์Šต๋‹ˆ๋‹ค. ๋‹ค์‹œ ๋งํ•ด ๋ ˆ์ด๋ธ”์ด ๋ถ€์กฑํ•  ๋•Œ ๋‘ ๋ฐฐ ๊ฐ€๊นŒ์šด ์„ฑ๋Šฅ ๊ฒฉ์ฐจ๋ฅผ ๋‚ธ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์‹ฌ์ง€์–ด ๋ชจ๋“  ๊ณผ์ œ๊ฐ€ ๋ ˆ์ด๋ธ” ์ถฉ๋ถ„ ์กฐ๊ฑด(Full data)์—์„œ๋„ Sparsh๊ฐ€ E2E๋ณด๋‹ค ๋Œ€์ฒด๋กœ ์šฐ์ˆ˜ํ–ˆ๋Š”๋ฐ, ์ด๋Š” ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์ด ํ•™์Šต ํšจ์œจ๋ฟ ์•„๋‹ˆ๋ผ ์ผ๋ฐ˜ํ™” ์„ฑ๋Šฅ ์ธก๋ฉด์—์„œ๋„ ์ด์ ์ด ์žˆ์Œ์„ ์‹œ์‚ฌํ•ฉ๋‹ˆ๋‹ค.

๊ฐ ๊ณผ์ œ๋ณ„ ์ƒ์„ธ ๊ฒฐ๊ณผ๋ฅผ ์š”์•ฝํ•˜๋ฉด ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค:

  • ํž˜ ์ถ”์ • [T1]: Sparsh ํ‘œํ˜„์„ ์ด์šฉํ•˜๋ฉด ์ •๊ทœํ™”๋œ ํž˜ ์ถ”์ • ์˜ค์ฐจ๋ฅผ ๋งค์šฐ ๋‚ฎ๊ฒŒ ์œ ์ง€ํ•  ์ˆ˜ ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ํŠนํžˆ GelSight Mini ์„ผ์„œ์˜ ๊ฒฝ์šฐ ํ•ด์ƒ๋„๊ฐ€ ๋†’๊ณ  ๋ฐฐ๊ฒฝ ๋Œ€๋น„ ์ ‘์ด‰ ์˜์—ญ์ด ์ž‘์•„์„œ E2E ๋ชจ๋ธ์€ ์ถฉ๋ถ„ํ•œ ๋ฐ์ดํ„ฐ๊ฐ€ ์žˆ์–ด๋„ ๊ณผ์ ํ•ฉ ๋“ฑ์˜ ๋ฌธ์ œ๋กœ ์ •ํ™•๋„๊ฐ€ ๋‚ฎ์•˜์ง€๋งŒ, Sparsh ์ธ์ฝ”๋”๋ฅผ ์“ด ๋ชจ๋ธ์€ ์•ˆ์ •์ ์œผ๋กœ ์ž‘์€ RMSE๋ฅผ ๊ธฐ๋กํ–ˆ์Šต๋‹ˆ๋‹ค. DIGIT์˜ ๊ฒฝ์šฐ๋Š” ๋ฐ์ดํ„ฐ๊ฐ€ ์ถฉ๋ถ„ํ•˜๋ฉด E2E๋„ ์–ด๋А ์ •๋„ ์„ฑ๋Šฅ์„ ๋ƒˆ์œผ๋‚˜, ๋ ˆ์ด๋ธ”์ด ์ ์„ ๋•Œ๋Š” Sparsh (ํŠนํžˆ DINO ๋ณ€ํ˜•)์ด ํ›จ์”ฌ ๊ฒฌ๊ณ ํ•˜๊ฒŒ ๋‚ฎ์€ ์˜ค๋ฅ˜๋ฅผ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. Sparsh (DINO)๋Š” ์†Œ๋Ÿ‰์˜ ํ•™์Šต๋ฐ์ดํ„ฐ๋กœ๋„ ๊ฐ•๊ฑดํ•˜๊ฒŒ ํž˜์„ ์˜ˆ์ธกํ•˜์—ฌ, ๋ ˆ์ด๋ธ” ๋ถ€์กฑ ์ƒํ™ฉ์—์„œ ๋‘๋“œ๋Ÿฌ์ง„ ์„ฑ๋Šฅ์„ ๋ฐœํœ˜ํ–ˆ์Šต๋‹ˆ๋‹ค.

  • ํž˜์žฅ ์‹œ๊ฐํ™” [T1A]: ์ •๋Ÿ‰์  ํ‰๊ฐ€๊ฐ€ ์–ด๋ ค์šด ๊ณผ์ œ์ด์ง€๋งŒ, Sparsh ํ‘œํ˜„์„ ์‚ฌ์šฉํ•ด ์ถ”์ •ํ•œ ์ „๋‹จ๋ ฅ ๋ฒกํ„ฐ์žฅ์€ ๋งˆ์ปค ์—†๋Š” GelSight ์„ผ์„œ์—์„œ๋„ ์ ‘์ด‰ ํŒจ์น˜์˜ ์›€์ง์ž„ ๋ฐฉํ–ฅ์„ ์ž˜ ๋‚˜ํƒ€๋‚ด์ฃผ์—ˆ์Šต๋‹ˆ๋‹ค. ์˜ˆ์ปจ๋Œ€ ๋ฏธ๋„๋Ÿฌ์ง€๋Š” ๋ฐฉํ–ฅ์œผ๋กœ ํ™”์‚ดํ‘œ๊ฐ€ ์ผ์ •ํ•˜๊ฒŒ ๊ทธ๋ ค์ง„๋‹ค๋“ ์ง€, ๋น„ํ‹€๋ฆฌ๋Š” ๊ฒฝ์šฐ ํšŒ์ „ํ˜• ํŒจํ„ด์ด ๋‚˜ํƒ€๋‚œ๋‹ค๋“ ์ง€, ์ƒˆ๋กœ์šด ์ ‘์ด‰์ด ์ผ์–ด๋‚  ๋•Œ ํผ์ ธ๋‚˜๊ฐ€๋Š” ํ˜•ํƒœ๊ฐ€ ๋ณด์ด๋Š” ๋“ฑ, ์‚ฌ๋žŒ์˜ ์ด‰๊ฐ์  ์ง๊ด€๊ณผ ๋งž์•„๋–จ์–ด์ง€๋Š” ์‹œ๊ฐํ™”๋ฅผ ์–ป์—ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ๊ธฐ์กด์— ๋งˆ์ปค๊ฐ€ ์—†์œผ๋ฉด ์–ป๊ธฐ ํž˜๋“ค์—ˆ๋˜ ์ •๋ณด๋ฅผ ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์œผ๋กœ ๋ณด์™„ํ•œ ํฅ๋ฏธ๋กœ์šด ๊ฒฐ๊ณผ์ž…๋‹ˆ๋‹ค.

  • ๋ฏธ๋„๋Ÿผ ๊ฐ์ง€ [T2]: ๋ถˆ๊ท ํ˜• ๋ฐ์ดํ„ฐ(๋ฏธ๋„๋Ÿผ ์ ์Œ)์™€ ์„ผ์„œ ๋…ธ์ด์ฆˆ๋กœ ์ธํ•ด DIGIT ์„ผ์„œ์—์„œ๋Š” ํŠนํžˆ ์–ด๋ ค์šด ๋ฌธ์ œ์˜€์ง€๋งŒ, Sparsh์˜ V-JEPA ๋ณ€ํ˜•์ด ๊ฐ€์žฅ ๋›ฐ์–ด๋‚œ ์„ฑ๋Šฅ(F1-score)์„ ๋‹ฌ์„ฑํ–ˆ์Šต๋‹ˆ๋‹ค. Sparsh (VJEPA)๋Š” ๋น„๋””์˜ค ํด๋ฆฝ ์ž…๋ ฅ์„ ํ™œ์šฉํ•ด ์‹œ๊ฐ„์— ๋”ฐ๋ฅธ ๋ณ€ํ™”๋ฅผ ์ง์ ‘ ํ•™์Šตํ•œ ๋•๋ถ„์—, ์ •์ ์ธ ๋ฐฉ๋ฒ•๋“ค๋ณด๋‹ค ๋ฏธ๋„๋Ÿผ ์ง•ํ›„ ํฌ์ฐฉ์— ์œ ๋ฆฌํ–ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ ๊ฒฐ๊ณผ DIGIT์ฒ˜๋Ÿผ ํ‘œ๋ฉด์— ๋งˆ์ปค ํŒจํ„ด์ด ์—†์–ด ์ „๋‹จ๋ ฅ ๋ฐฉํ–ฅ ํŒŒ์•…์ด ์–ด๋ ค์šด ์„ผ์„œ์—์„œ๋„, ๋ฏธ๋„๋Ÿผ ์—ฌ๋ถ€๋ฅผ ํ›จ์”ฌ ์ •ํ™•ํžˆ ๋ถ„๋ฅ˜ํ•ด๋ƒˆ์Šต๋‹ˆ๋‹ค. ํŠนํžˆ ํ•™์Šต๋ฐ์ดํ„ฐ์˜ 50% ์ดํ•˜๋งŒ ์‚ฌ์šฉํ•  ๊ฒฝ์šฐ Sparsh ๋ชจ๋ธ๊ณผ E2E ์‚ฌ์ด ์„ฑ๋Šฅ ๊ฒฉ์ฐจ๊ฐ€ ํฌ๊ฒŒ ๋ฒŒ์–ด์กŒ๋Š”๋ฐ, Sparsh (VJEPA)๋Š” 50% ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ•ด๋„ E2E์˜ 100% ๋ฐ์ดํ„ฐ ์„ฑ๋Šฅ์„ ๋Šฅ๊ฐ€ํ•  ์ •๋„์˜€์Šต๋‹ˆ๋‹ค.

  • ์ž์„ธ ์ถ”์ • [T3]: ์ด ๊ณผ์ œ์—์„œ๋Š” ํด๋ž˜์Šค๊ฐ€ ์ด˜์ด˜ํ•˜๊ฒŒ ์–‘์žํ™”๋˜์–ด ์žˆ์–ด, ์ ์€ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ•˜๋ฉด ์ธ์ ‘ํ•œ ๊ฐ๋„๋‚˜ ์ด๋™ ๊ตฌ๊ฐ„์„ ๊ตฌ๋ณ„ํ•˜๊ธฐ ์–ด๋ ค์›Œ์ง‘๋‹ˆ๋‹ค. ์‹ค์ œ๋กœ E2E ๋ชจ๋ธ์€ ๋ ˆ์ด๋ธ”์ด ์ค„์–ด๋“ค์ˆ˜๋ก ํ˜ผ๋™์ด ์‹ฌํ•ด์ ธ, ์˜ˆ์ปจ๋Œ€ 0๋„์™€ 5๋„์˜ ํšŒ์ „ ์ฐจ์ด๋„ ๋งžํžˆ์ง€ ๋ชปํ•˜๊ณ  ์—‰๋šฑํ•œ ํฐ ๊ฐ’๋งŒ ์˜ˆ์ธกํ•˜๋Š” ๊ฒฝํ–ฅ(๊ทน๋‹จ๊ฐ’์œผ๋กœ ์ˆ˜๋ ด)์ด ๋‚˜ํƒ€๋‚ฌ์Šต๋‹ˆ๋‹ค. ๋ฐ˜๋ฉด Sparsh ์ธ์ฝ”๋” ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ 1/3 ์ˆ˜์ค€์˜ ๋ฐ์ดํ„ฐ๋กœ๋„ ๊ฝค ๋†’์€ ์ •ํ™•๋„๋ฅผ ์œ ์ง€ํ–ˆ๊ณ , ์ ์€ ๋ฐ์ดํ„ฐ์—์„œ ๊ทน๋‹จ๊ฐ’์œผ๋กœ ์น˜์šฐ์น˜๋Š” ํ˜„์ƒ๋„ ๋œํ–ˆ์Šต๋‹ˆ๋‹ค. ์ถฉ๋ถ„ํ•œ ๋ฐ์ดํ„ฐ๊ฐ€ ์žˆ์„ ๋•Œ๋Š” E2E์™€ ํฐ ์ฐจ์ด๊ฐ€ ์—†์—ˆ์ง€๋งŒ, ์ €๋ฐ์ดํ„ฐ ์‹œ๋‚˜๋ฆฌ์˜ค์—์„œ Sparsh์˜ ์ด์ ์ด ๋‘๋“œ๋Ÿฌ์ ธ, ๋ฏธ์„ธํ•œ ๊ฐ๋„ ์ฐจ์ด๊นŒ์ง€ ๋น„๊ต์  ์ž˜ ์˜ˆ์ธกํ•˜์˜€์Šต๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆฝ ์•ˆ์ •์„ฑ [T4]: ํ•™์Šต ๋ฐ์ดํ„ฐ๊ฐ€ ์ถฉ๋ถ„ํ•œ (8000๊ฐœ ์ด์ƒ) ๊ฒฝ์šฐ์—๋Š” Sparsh๋‚˜ E2E๋‚˜ ๋ชจ๋‘ ์œ ์‚ฌํ•œ ๋†’์€ ์ •ํ™•๋„๋ฅผ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. Sparsh (IJEPA)์™€ Sparsh (VJEPA)๋Š” ์•ฝ 90%์— ๊ฐ€๊นŒ์šด ์ •ํ™•๋„๋ฅผ ๋‹ฌ์„ฑํ•˜์—ฌ, ์‹œ๊ฐ+์ด‰๊ฐ ๋ฉ€ํ‹ฐ๋ชจ๋‹ฌ ์ •๋ณด๋ฅผ ํ•จ๊ป˜ ์“ด ์ด์ „ ์—ฐ๊ตฌ๋ณด๋‹ค๋„ ์˜คํžˆ๋ ค ๋†’์€ ์„ฑ๋Šฅ์„ ๋‚˜ํƒ€๋ƒˆ์Šต๋‹ˆ๋‹ค. ์ฃผ๋ชฉํ•  ์ ์€ ์—ฌ๊ธฐ์„œ Sparsh๋Š” ํ•œ ์†๊ฐ€๋ฝ์˜ ์ด‰๊ฐ ์ •๋ณด๋งŒ ์‚ฌ์šฉํ•˜๊ณ ๋„, ๊ณผ๊ฑฐ์— ์‹œ๊ฐ๊นŒ์ง€ ๋™์›ํ•œ ๋ชจ๋ธ์„ ์•ž์งˆ๋ €๋‹ค๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๋˜ํ•œ Sparsh ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋ฐ์ดํ„ฐ 33%๋กœ ํ•™์Šตํ•ด๋„ ํฐ ์„ฑ๋Šฅ ์ €ํ•˜ ์—†์ด 80% ์ด์ƒ ์ •ํ™•๋„๋ฅผ ์œ ์ง€ํ–ˆ๊ณ , 10% (800๊ฐœ ๋ฏธ๋งŒ)๋งŒ์œผ๋กœ๋„ 70%๋Œ€ ์ˆ˜์ค€์„ ๋ณด์—ฌ ์‹ค์šฉ์ ์ธ ์„ฑ๋Šฅ์„ ๋ฐœํœ˜ํ–ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ๋Ÿฌ๋‚˜ 80๊ฐœ (1%) ์ •๋„๋กœ ๊ทน๋‹จ์ ์œผ๋กœ ์ค„์ด๋ฉด ํ™•์—ฐํžˆ ๋–จ์–ด์ ธ์„œ, ์ €์ž๋“ค์€ ์ด ๊ฒฝ์šฐ์—” ๋ฌด์ž‘์œ„ ์ถ”์ธก ์ˆ˜์ค€์œผ๋กœ ์ „๋ฝํ•จ์„ ๊ด€์ฐฐํ–ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ๋Ÿผ์—๋„ ๋ถˆ๊ตฌํ•˜๊ณ  ์ „๋ฐ˜์ ์œผ๋กœ Sparsh ํ‘œํ˜„์€ ์ด‰๊ฐ๋งŒ์œผ๋กœ ๊ทธ๋ฆฝ ์„ฑ๊ณต ์—ฌ๋ถ€๋ฅผ ์‹ ๋ขฐ์„ฑ ์žˆ๊ฒŒ ์˜ˆ์ธกํ•  ์ˆ˜ ์žˆ์Œ์„ ๊ฒ€์ฆํ•œ ์…ˆ์ž…๋‹ˆ๋‹ค.

  • ์ง๋ฌผ ์ธ์‹ [T5]: ์ด ๊ณผ์ œ๋Š” 20-way ๋ถ„๋ฅ˜๋กœ ๋‚œ์ด๋„๊ฐ€ ๋†’๊ณ , ๊ธฐ์กด ์—ฐ๊ตฌ์—์„œ๋„ E2E ํ•™์Šต์ด ์–ด๋ ต๋‹ค๊ณ  ๋ณด๊ณ ๋œ ๋ฐ” ์žˆ์Šต๋‹ˆ๋‹ค. ๋ณธ ์—ฐ๊ตฌ ๊ฒฐ๊ณผ ์—ญ์‹œ E2E๋กœ๋Š” ์ข‹์€ ์„ฑ๋Šฅ์„ ๋‚ด๊ธฐ ํž˜๋“ค์—ˆ์ง€๋งŒ, ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์„ ์‚ฌ์šฉํ•˜์ž ์„ฑ๋Šฅ์ด ํฌ๊ฒŒ ํ–ฅ์ƒ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ํŠนํžˆ Sparsh (MAE) ๋ชจ๋ธ์ด ๋‘๋“œ๋Ÿฌ์กŒ๋Š”๋ฐ, ํ”ฝ์…€ ์ˆ˜์ค€์˜ ์งˆ๊ฐ ํŠน์ง•์„ ๋ณต์›ํ•˜๋„๋ก ํ•™์Šต๋œ ๋•๋ถ„์— ์ด‰๊ฐ์œผ๋กœ ์žฌ์งˆ์„ ๊ตฌ๋ถ„ํ•˜๋Š” ๋ฐ ์œ ๋ฆฌํ–ˆ๋˜ ๊ฒƒ์œผ๋กœ ๋ณด์ž…๋‹ˆ๋‹ค. Sparsh (MAE)๋ฅผ ์‚ฌ์šฉํ•˜๋ฉด ์ „์ฒด ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ•  ๋•Œ ์ •ํ™•๋„๊ฐ€ ํฌ๊ฒŒ ๋†’์•„์กŒ์„ ๋ฟ ์•„๋‹ˆ๋ผ, 10% ์ดํ•˜์˜ ๋ฐ์ดํ„ฐ๋กœ๋„ E2E์˜ ํ’€๋ฐ์ดํ„ฐ ์„ฑ๋Šฅ์— ๋งž๋จน๋Š” ๊ฒฐ๊ณผ๋ฅผ ์–ป์—ˆ์Šต๋‹ˆ๋‹ค. ํฅ๋ฏธ๋กœ์šด ์ถ”๊ฐ€ ์‹คํ—˜์œผ๋กœ, ์ €์ž๋“ค์€ ์„ผ์„œ ๊ฐ„ ์ „์ด ํ•™์Šต์„ ์‹œ๋„ํ–ˆ๋Š”๋ฐ, ์˜ˆ์ปจ๋Œ€ GelSight๋กœ ์‚ฌ์ „ํ•™์Šตํ•œ Sparsh๋ฅผ ์ด์šฉํ•ด DIGIT ์„ผ์„œ์˜ ์ง๋ฌผ ์ธ์‹์„ ๋ช‡ ๊ฐœ ์ƒ˜ํ”Œ๋กœ ํŒŒ์ธํŠœ๋‹ํ•˜๋ฉด ๊ธˆ๋ฐฉ ์ ์‘ํ•œ๋‹ค๋Š” ๊ฒƒ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. ๋‹จ 10-shot(์ง๋ฌผ๋ณ„ 10์žฅ) ์ •๋„์˜ ์†Œ๋Ÿ‰ ํ•™์Šต์œผ๋กœ๋„ ์ƒˆ๋กœ์šด ์„ผ์„œ์— ๋งž๊ฒŒ ๋ถ„๋ฅ˜๊ธฐ๊ฐ€ ์กฐ์ •๋˜์–ด, ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์˜ ๋ฒ”์šฉ์„ฑ์„ ํ™•์ธ์‹œ์ผœ์ฃผ์—ˆ์Šต๋‹ˆ๋‹ค.

  • ๋น„๋“œ ๋ฏธ๋กœ [T6]: ๊ฐ•ํ™”ํ•™์Šต(ํ–‰๋™ ํด๋กœ๋‹) ๋ฌธ์ œ์—์„œ๋„ Sparsh ํ‘œํ˜„์ด ๋„์›€์„ ์ฃผ๋Š”์ง€ ๊ฒ€์ฆํ–ˆ์Šต๋‹ˆ๋‹ค. ์šฐ์„  ์‹œ๋ฎฌ๋ ˆ์ด์…˜ ํ™˜๊ฒฝ(๋ฐ๋ชจ ๊ฒฝ๋กœ ์ถ”์ข…)์—์„œ์˜ ๊ฒฐ๊ณผ๋ฅผ ๋ณด๋ฉด, Sparsh (DINO)์™€ Sparsh (IJEPA) ๊ธฐ๋ฐ˜ ์ •์ฑ…์ด E2E ์ •์ฑ…๋ณด๋‹ค ๊ถค์  ์˜ค์ฐจ๊ฐ€ ์•ฝ 16% ์ ๊ฒŒ๋‚˜ํƒ€๋‚ฌ์Šต๋‹ˆ๋‹ค. ๊ฐ™์€ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ•ด๋„ ์‚ฌ์ „ํ•™์Šต ์ธ์ฝ”๋”๋ฅผ ์“ด ์ชฝ์ด ํ›จ์”ฌ ๋ฐ๋ชจ๋ฅผ ์ •ํ™•ํžˆ ์žฌํ˜„ํ•œ๋‹ค๋Š” ์˜๋ฏธ์ž…๋‹ˆ๋‹ค. ๋˜ ํ•™์Šต์— ์“ฐ์ธ ๋ฐ๋ชจ ๊ฐœ์ˆ˜๋ฅผ ์ค„์—ฌ๋ณด๋Š” ์‹คํ—˜์—์„œ๋„ Sparsh ๋ชจ๋ธ์€ ์ ์€ ์‹œ์—ฐ์œผ๋กœ๋„ ๊ดœ์ฐฎ์€ ์ •์ฑ…์„ ํ•™์Šตํ–ˆ์ง€๋งŒ, E2E๋Š” ๋ฐ๋ชจ๊ฐ€ ์ค„๋ฉด ์„ฑ๋Šฅ ๊ธ‰ํ•˜๋ฝ์„ ๋ณด์—ฌ ํ‘œํ˜„ ํ•™์Šต์˜ ๋ฐ์ดํ„ฐ ํšจ์œจ์„ฑ์„ ์žฌํ™•์ธํ–ˆ์Šต๋‹ˆ๋‹ค. ๋งˆ์ง€๋ง‰์œผ๋กœ ์‹ค์ œ ๋กœ๋ด‡์— ์ •์ฑ…์„ ์‹คํ–‰ํ•˜์—ฌ ํ…Œ์ŠคํŠธํ•œ ๊ฒฐ๊ณผ, ๋ชจ๋“  ๋ชจ๋ธ์ด ๋ฏธ๋กœ ์™„์ฃผ๋Š” ์‹คํŒจํ–ˆ์ง€๋งŒ Sparsh ๊ธฐ๋ฐ˜ ์ •์ฑ…๋“ค์ด E2E๋ณด๋‹ค 20~53% ๋” ๋จผ ๊ฑฐ๋ฆฌ๊นŒ์ง€ ๊ตฌ์Šฌ์„ ์›€์ง์ด๋Š” ๋ฐ ์„ฑ๊ณตํ–ˆ์Šต๋‹ˆ๋‹ค. ์ฆ‰, ์™„์ „ํ•œ ์„ฑ๊ณต๋ฅ  ์ธก๋ฉด์—์„œ๋Š” ํ•œ๊ณ„๊ฐ€ ์žˆ์—ˆ์œผ๋‚˜, ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์ด ๋ถ€๋ถ„์ ์ธ ์„ฑ๋Šฅ ํ–ฅ์ƒ๊ณผ ์•ˆ์ •์ ์ธ ์กฐ์ž‘์— ๊ธฐ์—ฌํ•จ์„ ์•Œ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ๋‹ค๋งŒ ์‹ค์ œ ๋กœ๋ด‡ ์‹คํ—˜์—์„œ๋Š”, ์‹œ๋ฎฌ๋ ˆ์ด์…˜๊ณผ ๋‹ฌ๋ฆฌ ๋กœ๋ด‡์˜ ๋ฏธ์„ธํ•œ ์ œ์–ด ํ•œ๊ณ„, ํ•œ๋ฒˆ ๋ฏธ๋„๋Ÿฌ์ง€๋ฉด ์žฌ์žก๊ธฐ ์–ด๋ ค์šด ๋ฌผ๋ฆฌ์  ์ƒํ™ฉ ๋“ฑ์ด ์ž‘์šฉํ•˜์—ฌ ์‚ฌ์ „ํ•™์Šต ํšจ๊ณผ๊ฐ€ ์™„์ „ํžˆ ๋ฐœํœ˜๋˜์ง€ ๋ชปํ–ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ๋Ÿผ์—๋„ Sparsh๋ฅผ ์‚ฌ์šฉํ•œ ์ •์ฑ…์ด ์ „๋ฐ˜์ ์œผ๋กœ ๋” ๋‚˜์€ ๊ฒฐ๊ณผ๋ฅผ ๋ณด์˜€๋‹ค๋Š” ์ ์—์„œ, ์ด‰๊ฐ ํ‘œํ˜„ ํ•™์Šต์ด ๋กœ๋ด‡ ์ •์ฑ… ํ•™์Šต์—๋„ ์œ ์šฉํ•  ์ˆ˜ ์žˆ๋‹ค๋Š” ๊ฐ€๋Šฅ์„ฑ์„ ๋ณด์—ฌ์ฃผ์—ˆ์Šต๋‹ˆ๋‹ค.

ไปฅไธŠ์˜ ์‹คํ—˜๋“ค์„ ์ข…ํ•ฉํ•˜๋ฉด, Sparsh๋กœ ํ•™์Šต๋œ ์ด‰๊ฐ ํ‘œํ˜„์€ ์—ฌ๋Ÿฌ ์„ผ์„œ์™€ ์—ฌ๋Ÿฌ ๊ณผ์ œ๋ฅผ ์•„์šฐ๋ฅด๋ฉฐ ์„ฑ๋Šฅ์„ ํ–ฅ์ƒ์‹œํ‚ต๋‹ˆ๋‹ค. ํŠนํžˆ ๋ ˆ์ด๋ธ”์ด ์ œํ•œ์ ์ธ ํ˜„์‹ค์—์„œ, ์‚ฌ์ „ํ•™์Šต ๋ชจ๋ธ์„ ์“ฐ๋ฉด ํ›จ์”ฌ ์•ˆ์ •์ ์ด๊ณ  ๋†’์€ ์„ฑ๋Šฅ์„ ์–ป์„ ์ˆ˜ ์žˆ์Œ์„ ํ™•์ธํ–ˆ์Šต๋‹ˆ๋‹ค. ๋˜ํ•œ Sparsh์˜ ๋‹ค์–‘ํ•œ ๋ณ€ํ˜•๋“ค ์ค‘ DINO ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ํž˜/์ž์„ธ ์ถ”์ • ๊ฐ™์€ ๋ฌผ๋ฆฌ๋Ÿ‰ ํšŒ๊ท€ ๊ณผ์ œ์— ๊ฐ•ํ–ˆ๊ณ , I-JEPA ๊ธฐ๋ฐ˜ ๋ชจ๋ธ์€ ๋ฏธ๋„๋Ÿผ, ์•ˆ์ •์„ฑ, ์žฌ์งˆ ๋ถ„๋ฅ˜ ๊ฐ™์€ ์˜๋ฏธ๋ก ์  ๋ถ„๋ฅ˜ ๊ณผ์ œ์— ์ข€ ๋” ์„ฑ๋Šฅ์ด ์šฐ์ˆ˜ํ•œ ๊ฒฝํ–ฅ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. ์ด๋Š” ํ”ฝ์…€ ๋ณต์› vs ํŠน์ง• ์˜ˆ์ธก์˜ ์ฐจ์ด๋ฟ ์•„๋‹ˆ๋ผ, ํ•™์Šต ๋ชฉํ‘œ์— ๋”ฐ๋ฅธ ํŠนํ™” ํšจ๊ณผ๋„ ์ผ๋ถ€ ์žˆ์Œ์„ ์‹œ์‚ฌํ•ฉ๋‹ˆ๋‹ค. ์žฌ๋ฏธ์žˆ๊ฒŒ๋„, ๋‘ ๋ชจ๋ธ์€ ๋น„๋“œ ๋ฏธ๋กœ ์ •์ฑ…์ฒ˜๋Ÿผ ๋ณตํ•ฉ์ ์ธ ๊ณผ์ œ์—์„œ๋Š” ๋น„์Šทํ•œ ์„ฑ๋Šฅ์„ ๋ƒˆ๋Š”๋ฐ, ์ด๋Š” ๊ทธ ๊ณผ์ œ๊ฐ€ ํž˜๊ณผ ๋ฏธ๋„๋Ÿผ์— ๋Œ€ํ•œ ์ข…ํ•ฉ์  ์ดํ•ด๋ฅผ ์š”๊ตฌํ•˜๊ธฐ ๋•Œ๋ฌธ์ผ ๊ฒƒ์ž…๋‹ˆ๋‹ค.

2.4 ๊ธฐ์กด ์—ฐ๊ตฌ์™€์˜ ๋น„๊ต

Sparsh ์ด์ „์˜ ๋น„์ „ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์ธ์ง€ ์—ฐ๊ตฌ๋“ค์€ ์ฃผ๋กœ ํŠน์ • ์ž‘์—…์— ์ดˆ์ ์„ ๋งž์ถฐ ๊ฐœ๋ณ„์ ์ธ ๋ชจ๋ธ์„ ๊ฐœ๋ฐœํ•˜๊ณค ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ดˆ์ฐฝ๊ธฐ ์ ‘๊ทผ๋ฒ•์œผ๋กœ๋Š”, ์ด‰๊ฐ ์ด๋ฏธ์ง€๋ฅผ ํ•ด์„ํ•˜๊ธฐ ์œ„ํ•ด ๋งˆ์ปค ์ถ”์ ์ด๋‚˜ ๋ฌผ๋ฆฌ ์‹œ๋ฎฌ๋ ˆ์ด์…˜(FEM) ๋“ฑ์„ ํ™œ์šฉํ•˜์—ฌ ์ ‘์ด‰ ์ง€ํ˜•๊ณผ ํž˜์„ ๊ณ„์‚ฐํ•˜๋Š” ๋ฐฉ์‹์ด ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ๋Ÿฌ๋‚˜ ์ด๋Ÿฌํ•œ ๋ฐฉ์‹์€ ์„ผ์„œ๋งˆ๋‹ค ๋งˆ์ปค ํŒจํ„ด ๋ณด์ •์ด ํ•„์š”ํ•˜๊ฑฐ๋‚˜ ๊ณ„์‚ฐ ๋น„์šฉ์ด ํฌ๋‹ค๋Š” ํ•œ๊ณ„๊ฐ€ ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ์ดํ›„ ํ•™์Šต ๊ธฐ๋ฐ˜ ๊ธฐ๋ฒ•๋“ค์ด ๋“ฑ์žฅํ•˜๋ฉด์„œ, ๊ฐœ์ธ๋ณ„๋กœ ์ปค์Šคํ…€ ๋””์ž์ธํ•œ ์‹ ๊ฒฝ๋ง์„ ์‚ฌ์šฉํ•˜์—ฌ ์ด‰๊ฐ ์ •๋ณด๋ฅผ ์ฒ˜๋ฆฌํ•˜๋Š” ์‹œ๋„๊ฐ€ ๋งŽ์•˜์Šต๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด, ์–ด๋–ค ์—ฐ๊ตฌ์—์„œ๋Š” ํŠน์ • ์ด‰๊ฐ ์„ผ์„œ์— ๋งž์ถ˜ CNN ์ธ์ฝ”๋”๋ฅผ ์„ค๊ณ„ํ•ด ์ข…์ด ์งˆ๊ฐ ๋ถ„๋ฅ˜๋ฅผ ํ•™์Šตํ•˜๊ฑฐ๋‚˜, BioTac์ด๋‚˜ GelSight ๋“ฑ์˜ ์„ผ์„œ ๋ฐ์ดํ„ฐ๋ฅผ ์ „์ดํ•™์Šตํ•˜์—ฌ ํŒจ๋ธŒ๋ฆญ์˜ ์—ฌ๋Ÿฌ ์„ฑ๋ถ„(์‹ค, ์งˆ๊ฐ ๋“ฑ)์„ ์•Œ์•„๋‚ด๋Š” ์ž‘์—…์„ ํ•˜๊ธฐ๋„ ํ–ˆ์Šต๋‹ˆ๋‹ค. ์‹ฌ์ง€์–ด ์ตœ๊ทผ์—๋Š” XELA๋ผ๋Š” ์„ผ์„œ์˜ ์ถœ๋ ฅ์„ ์ตœ๊ทผ์ ‘ ์ด์›ƒ ๋น„๊ต๋งŒ์œผ๋กœ ์กฐ์ž‘์— ํ™œ์šฉํ•œ ์‚ฌ๋ก€๋„ ์žˆ์—ˆ๋Š”๋ฐ, ์ด๋Š” ์ด‰๊ฐ ํ‘œํ˜„์„ ๋ช…์‹œ์ ์œผ๋กœ ํ•™์Šตํ•˜์ง€ ์•Š๊ณ  ์ž„๋ฒ ๋”ฉ ๊ณต๊ฐ„์—์„œ ๋น„์Šทํ•œ ์ด‰๊ฐ์„ ์ฐพ์•„๋‚ด๋Š” ๋ฐฉ์‹์ด์—ˆ์Šต๋‹ˆ๋‹ค. ํ•˜์ง€๋งŒ ์ด๋ ‡๋“ฏ ํŒŒํŽธํ™”๋œ ์ ‘๊ทผ๋“ค๋กœ ์ธํ•ด, ์„œ๋กœ ๋‹ค๋ฅธ ์—ฐ๊ตฌ ๊ฐ„์— ๊ฒฐ๊ณผ๋ฅผ ๋น„๊ตํ•˜๊ฑฐ๋‚˜ ํ‘œ์ค€ ๋ชจ๋ธ์„ ๊ณต์œ ํ•˜๊ธฐ๊ฐ€ ์–ด๋ ค์› ์Šต๋‹ˆ๋‹ค. ํ‘œ์ค€ํ™”๋œ ์‚ฌ์ „ํ•™์Šต ๋ชจ๋ธ์ด ์—†์—ˆ๊ธฐ ๋•Œ๋ฌธ์—, ๋งค๋ฒˆ ์ƒˆ๋กœ์šด ๋ฌธ์ œ๋‚˜ ์„ผ์„œ๊ฐ€ ๋‚˜์˜ค๋ฉด ๋‹ค์‹œ ๋ฐ์ดํ„ฐ ์ˆ˜์ง‘์—์„œ ๋ชจ๋ธ ๋””์ž์ธ๊นŒ์ง€ ์ฒ˜์Œ๋ถ€ํ„ฐ ํ•ด์•ผ ํ•˜๋Š” ๋น„ํšจ์œจ์ด ์กด์žฌํ–ˆ์Šต๋‹ˆ๋‹ค.

์ž๊ธฐ ์ง€๋„ ํ‘œํ˜„ ํ•™์Šต์— ๋Œ€ํ•œ ๊ด€์‹ฌ๋„ ์ ์ฐจ ๋†’์•„์ ธ, Sparsh ์ด์ „์—๋„ ๋ช‡ ๊ฐ€์ง€ ๊ด€๋ จ ์—ฐ๊ตฌ๊ฐ€ ๋“ฑ์žฅํ–ˆ์Šต๋‹ˆ๋‹ค. ํ•œ ์˜ˆ๋กœ, MAE ๊ธฐ๋ฒ•์„ ์ด‰๊ฐ์— ์ ์šฉํ•˜์—ฌ ์žฌ์งˆ ๋ถ„๋ฅ˜ ๋“ฑ์— ํšจ๊ณผ์ ์ž„์„ ๋ณด์ธ ์ดˆ๊ธฐ ์‹คํ—˜์ด ์žˆ์—ˆ๊ณ , ๋‹ค์–‘ํ•œ ์ด‰๊ฐ ์„ผ์„œ(BioTac ๋“ฑ)์— ๋Œ€ํ•ด ์‚ฌ์ „ํ•™์Šต ํ›„ ๋ฏธ์„ธ์กฐ์ •(fine-tuning)์„ ํ•˜์—ฌ ์„ฑ๋Šฅ์„ ๋†’์ธ ์‹œ๋„๋„ ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ๋Ÿฌ๋‚˜ ์ด๋“ค ์—ญ์‹œ ๋‹จ์ผ ์„ผ์„œ ํ˜น์€ ํ•œ์ •๋œ ๋ฒ”์œ„์˜ ์ž‘์—…์— ์ดˆ์ ์„ ๋งž์ถ”๊ณ  ์žˆ์–ด ์ผ๋ฐ˜์„ฑ์ด ๋ถ€์กฑํ–ˆ์Šต๋‹ˆ๋‹ค.

ํ•œํŽธ, ๋ฉ€ํ‹ฐ๋ชจ๋‹ฌ ํ•™์Šต ์ธก๋ฉด์—์„œ๋Š” ์‹œ๊ฐ-์ด‰๊ฐ ๊ฐ„์˜ ์—ฐ๊ด€์„ฑ์„ ํ•™์Šตํ•˜๋ ค๋Š” ๋…ธ๋ ฅ๋“ค๋„ ์žˆ์–ด ์™”์Šต๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด, ๋™์ผํ•œ ๋ฌผ์ฒด๋ฅผ ๋งŒ์กŒ์„ ๋•Œ์˜ ์ด‰๊ฐ ์ด๋ฏธ์ง€์™€ ์‹œ๊ฐ ์ด๋ฏธ์ง€ ์Œ์„ ๋ชจ์•„ ๋Œ€์กฐ ํ•™์Šต(contrastive learning)์œผ๋กœ ๊ณตํ†ต ์ž„๋ฒ ๋”ฉ ๊ณต๊ฐ„์— ๋งคํ•‘ํ•˜๊ฑฐ๋‚˜, ์ด‰๊ฐ ์ •๋ณด๋กœ ์‹œ๊ฐ์  ์Šคํƒ€์ผ์„ ๋ณ€ํ™˜ํ•˜๋Š” ๋“ฑ์˜ ์‹คํ—˜์ด ์ด๋ฃจ์–ด์กŒ์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ์—ฐ๊ตฌ๋“ค์€ ์žฌ์งˆ ๋ถ„๋ฅ˜๋‚˜ ๊ทธ๋ฆฝ ์„ฑ๊ณต ์˜ˆ์ธก ๋“ฑ์— ์žˆ์–ด์„œ ์ด‰๊ฐ+์‹œ๊ฐ ๊ฒฐํ•ฉ์˜ ๊ฐ€๋Šฅ์„ฑ์„ ๋ณด์—ฌ์ฃผ์—ˆ์ง€๋งŒ, ์ฃผ๋กœ ํ‘œ๋ฉด์˜ ์งˆ๊ฐ์ด๋‚˜ ๋ฌผ์ฒด์˜ ์‹œ๊ฐ์  ํŠน์ง•์— ์ง‘์ค‘๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์ฆ‰, ํž˜, ๋ฏธ๋„๋Ÿผ, ์ž์„ธ ๋ณ€ํ™”์™€ ๊ฐ™์€ ๋ฌผ๋ฆฌ์  ์ ‘์ด‰ ํŠน์„ฑ๊นŒ์ง€ ๋‹ค๋ฃจ์ง€๋Š” ๋ชปํ•˜์˜€์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ๋ถ€๋ถ„์€ ์—ฌ์ „ํžˆ ๋ฉ€ํ‹ฐ๋ชจ๋‹ฌ ์ ‘๊ทผ๋ฒ•์˜ ๋„์ „ ๊ณผ์ œ๋กœ ๋‚จ์•„ ์žˆ์Šต๋‹ˆ๋‹ค.

Sparsh์™€ ๊ฐ€์žฅ ์œ ์‚ฌํ•˜๊ฑฐ๋‚˜ ๋ณ‘ํ–‰๋œ ์—ฐ๊ตฌ๋กœ ๋…ผ๋ฌธ์—์„œ ์–ธ๊ธ‰ํ•œ ๊ฒƒ์€ T3์™€ UniT๋ผ๋Š” ๋‘ ๊ฐ€์ง€์ž…๋‹ˆ๋‹ค. T3๋Š” ์—ฌ๋Ÿฌ ์ด‰๊ฐ ์„ผ์„œ์— ๋Œ€ํ•ด ๊ณต์œ  ์ธ์ฝ”๋”(shared trunk)๋ฅผ ํ•™์Šตํ•˜๋˜, ์„ผ์„œ๋ณ„๋กœ ๊ฐœ๋ณ„ ๊ฐ€์ง€(branch)๋ฅผ ๋‘” ๊ตฌ์กฐ์ž…๋‹ˆ๋‹ค. MAE ๋ฐฉ์‹์˜ ๋ณต์› ๊ณผ์ œ์™€ ํ•จ๊ป˜ ๋ช‡ ๊ฐ€์ง€ ๋ ˆ์ด๋ธ”๋œ ์ž‘์—…์„ ํ˜ผํ•ฉํ•ด ํ•™์Šตํ•œ ์ ์ด ํŠน์ง•์ด์ง€๋งŒ, ๊ฒฐ๊ตญ ์„ผ์„œ๋งˆ๋‹ค ๋ณ„๋„ ์ธ์ฝ”๋” ํŒŒ๋ผ๋ฏธํ„ฐ๋ฅผ ์œ ์ง€ํ•ด์•ผ ํ•˜๋ฏ€๋กœ ์™„์ „ํžˆ ํ•˜๋‚˜์˜ ํ†ตํ•ฉ ๋ชจ๋ธ์ด๋ผ๊ณ  ๋ณด๊ธด ์–ด๋ ต์Šต๋‹ˆ๋‹ค. ๋˜ํ•œ T3๋Š” ์ œํ•œ๋œ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šต๋˜์–ด Sparsh๋งŒํผ ๊ด‘๋ฒ”์œ„ํ•œ ๊ฒ€์ฆ์€ ์ด๋ฃจ์–ด์ง€์ง€ ์•Š์€ ๊ฒƒ์œผ๋กœ ๋ณด์ž…๋‹ˆ๋‹ค. UniT๋Š” GelSight Mini (๋งˆ์ปค ์žˆ์Œ) ์„ผ์„œ๋ฅผ ๋Œ€์ƒ์œผ๋กœ ํ•œ ์—ฐ๊ตฌ๋กœ, VQ-GAN์„ ํ™œ์šฉํ•œ ์ƒ์„ฑ๋ชจ๋ธ ๊ธฐ๋ฐ˜ ํ‘œํ˜„ ํ•™์Šต์„ ์‹œ๋„ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ํŒจ์น˜ ๋‹จ์œ„๋กœ ์ด๋ฏธ์ง€๋ฅผ ์••์ถ•ํ•˜๋ฉฐ ๋””์Šคํฌ๋ฆฌ๋ฏธ๋„ค์ดํ„ฐ๋กœ ํ›ˆ๋ จํ•˜๋Š” ๋ฐฉ์‹์ธ๋ฐ, ํŠน์ • ์„ผ์„œ ํ•œ ์ข…๋ฅ˜์—๋งŒ ๊ตญํ•œ๋˜์–ด ์žˆ๊ณ  ์ฃผ๋กœ ์ •์  ํŠน์„ฑ์— ์ดˆ์ ์„ ๋งž์ถ”์—ˆ์Šต๋‹ˆ๋‹ค.

์ด๋“ค์— ๋น„ํ•ด Sparsh์˜ ์ฐจ๋ณ„์ ์€ ๋ถ„๋ช…ํ•ฉ๋‹ˆ๋‹ค. ์ฒซ์งธ, Sparsh๋Š” ์—ฌ๋Ÿฌ ๋Œ€ํ‘œ์ ์ธ ์ด‰๊ฐ ์„ผ์„œ(DIGIT ๊ณ„์—ด, GelSight ๊ณ„์—ด ๋“ฑ)์˜ ๋ฐ์ดํ„ฐ๋ฅผ ๋ชจ๋‘ ํ™œ์šฉํ•˜์—ฌ ํ•˜๋‚˜์˜ ๊ณต์šฉ ๋ชจ๋ธ๋กœ ํ•™์Šตํ–ˆ๋‹ค๋Š” ์ ์ž…๋‹ˆ๋‹ค. ์ด๋กœ์จ ์„ผ์„œ ๊ต์ฒด๋‚˜ ์ถ”๊ฐ€์— ๋Œ€ํ•œ ์ผ๋ฐ˜ํ™” ๊ฐ€๋Šฅ์„ฑ์„ ์ฒ˜์Œ์œผ๋กœ ๋ณธ๊ฒฉ ํƒ๊ตฌํ–ˆ๋‹ค๋Š” ์˜์˜๊ฐ€ ์žˆ์Šต๋‹ˆ๋‹ค. ๋‘˜์งธ, ์ตœ์‹  SSL ์•Œ๊ณ ๋ฆฌ์ฆ˜๋“ค์„ ์ ๊ทน ๋„์ž…ํ•˜์—ฌ, ํ”ฝ์…€ ๋ณต์›(MAE), ์ง€์‹ ์ฆ๋ฅ˜(DINO), ์ž ์žฌ ์˜ˆ์ธก(JEPA) ๋“ฑ ๋‹ค์–‘ํ•œ ํŒจ๋Ÿฌ๋‹ค์ž„์„ ๋น„๊ตยท๋ถ„์„ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ์ด์ „ ์—ฐ๊ตฌ๋“ค์ด ์ฃผ๋กœ ํ•˜๋‚˜์˜ SSL ๊ธฐ๋ฒ•๋งŒ ์‹œํ—˜ํ•œ ๋ฐ ๋ฐ˜ํ•ด, ์–ด๋–ค ์ž๊ธฐ ์ง€๋„ ๋ฐฉ์‹์ด ์ด‰๊ฐ์— ๊ฐ€์žฅ ์ ํ•ฉํ•œ๊ฐ€๋ผ๋Š” ์ค‘์š”ํ•œ ์งˆ๋ฌธ์— ๋‹ต์„ ์ œ์‹œํ•˜๋ ค ํ•œ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์…‹์งธ, Sparsh๋Š” ๋‹จ์ˆœ ๋ชจ๋ธ ์ œ์‹œ๋ฅผ ๋„˜์–ด TacBench๋ผ๋Š” ๋ฒค์น˜๋งˆํฌ๋ฅผ ๊ตฌ์ถ•ํ•จ์œผ๋กœ์จ, ์ด‰๊ฐ ํ‘œํ˜„ ํ•™์Šต์˜ ํ‰๊ฐ€ ํ‘œ์ค€์„ ๋งˆ๋ จํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด ๋ฒค์น˜๋งˆํฌ์—๋Š” ๋ฌผ๋ฆฌ์ , ์ธ์ง€์ , ์กฐ์ž‘ ์ธก๋ฉด์„ ๋ง๋ผํ•œ ๊ณผ์ œ๋“ค์ด ํฌํ•จ๋˜์–ด, ์•ž์œผ๋กœ ๋‹ค๋ฅธ ์—ฐ๊ตฌ๋“ค๊ณผ ์ง์ ‘ ์„ฑ๋Šฅ ๋น„๊ต๋ฅผ ํ•  ์ˆ˜ ์žˆ๋Š” ์žฅ์„ ์—ด์—ˆ๋‹ค๋Š” ์ ์—์„œ ํฐ ์˜๋ฏธ๊ฐ€ ์žˆ์Šต๋‹ˆ๋‹ค. ๋„ท์งธ, ๋ฐ์ดํ„ฐ ๊ทœ๋ชจ ์ธก๋ฉด์—์„œ๋„ Sparsh๋Š” ์ด์ „๋ณด๋‹ค ์••๋„์ ์œผ๋กœ ํฐ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šต๋˜์—ˆ๊ณ , ์ด๋ฅผ ํ†ตํ•ด ๋ชจ๋ธ ์šฉ๋Ÿ‰์„ ํ‚ค์šฐ๊ณ ๋„ ๊ณผ์ ํ•ฉ ์—†์ด ํ•™์Šต์ด ๊ฐ€๋Šฅํ•จ์„ ๋ณด์—ฌ์ฃผ์—ˆ์Šต๋‹ˆ๋‹ค. ์š”์ปจ๋Œ€ Sparsh๋Š” โ€œ์ด‰๊ฐ๊ณ„์˜ Foundation Modelโ€์„ ์ง€ํ–ฅํ•œ ์ตœ์ดˆ์˜ ๋ณธ๊ฒฉ ์‹œ๋„๋กœ์„œ, ์ด์ „ ๊ฐœ๋ณ„ ์—ฐ๊ตฌ๋“ค์˜ ํ•œ๊ณ„๋ฅผ ํ•œ ๋‹จ๊ณ„ ๋›ฐ์–ด๋„˜์€ ํ†ตํ•ฉ์  ์ ‘๊ทผ์ด๋ผ ํ‰๊ฐ€ํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

2.5 ์žฅ์ ๊ณผ ํ•œ๊ณ„

Sparsh์˜ ์„ฑ๊ณต ์š”์ธ๊ณผ ๊ฐ•์ ์„ ์ •๋ฆฌํ•˜๋ฉด ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค:

  • ๋ ˆ์ด๋ธ” ํ”„๋ฆฌ(self-supervised) ํ•™์Šต์˜ ์ด์ : ๊ฑฐ๋Œ€ํ•œ ๋น„์ง€๋„ ๋ฐ์ดํ„ฐ๋กœ ํ•™์Šตํ–ˆ๊ธฐ์—, ๊ธฐ์กด์— ํž˜๋“ค์—ˆ๋˜ ์ ‘์ด‰ ํ˜„์ƒ์˜ ํฌ๊ท€ ํŒจํ„ด๊นŒ์ง€ ๋ชจ๋ธ์ด ํ•™์Šตํ•  ์ˆ˜ ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ์˜ˆ์ปจ๋Œ€ ๋ฏธ๋„๋Ÿผ์ด๋‚˜ ๋น„ํ‹€๋ฆผ ๊ฐ™์€ ์ด๋ฒคํŠธ๋Š” ๋ ˆ์ด๋ธ”๋งํ•˜๊ธฐ ์–ด๋ ต๊ณ  ๋“œ๋ฌผ์ง€๋งŒ, SSL๋กœ ๋ฐฉ๋Œ€ํ•œ ๋ฐ์ดํ„ฐ๋ฅผ ํ•™์Šตํ•˜๋ฉด์„œ ์ด๋Ÿฐ ํŠน์ง•๊นŒ์ง€ ์ž ์žฌ์ ์œผ๋กœ ํฌ์ฐฉํ•˜๊ฒŒ ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ ๊ฒฐ๊ณผ ์ผ๋ฐ˜์ ์ธ E2E ๋ชจ๋ธ์ด ๋†“์น˜๊ธฐ ์‰ฌ์šด ๋ถ€๋ถ„์—์„œ๋„ Sparsh ํ‘œํ˜„์€ ์˜๋ฏธ ์žˆ๋Š” ์‹ ํ˜ธ๋ฅผ ๋‚ด์žฌํ™”ํ•˜๊ณ  ์žˆ์–ด, ์ ์€ ๋ ˆ์ด๋ธ”๋กœ๋„ ๋†’์€ ์„ฑ๋Šฅ์„ ๋‚ด๋Š” ๋ฐ‘๋ฐ”ํƒ•์ด ๋˜์—ˆ์Šต๋‹ˆ๋‹ค.

  • ๋ฒ”์šฉ์„ฑ (Generalization): Sparsh ์ธ์ฝ”๋” ํ•˜๋‚˜๋กœ ์—ฌ๋Ÿฌ ์„ผ์„œ์™€ ์—ฌ๋Ÿฌ ๊ณผ์ œ๋ฅผ ์ปค๋ฒ„ํ•  ์ˆ˜ ์žˆ๋‹ค๋Š” ์ ์ด ์ž…์ฆ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์‹ค์ œ TacBench ๊ณผ์ œ๋“ค์„ ๋ณด๋ฉด, ์„ผ์„œ ์ข…๋ฅ˜(DIGIT vs GelSight ๋“ฑ)๋‚˜ ์ถœ๋ ฅ ํ˜•ํƒœ(ํšŒ๊ท€ vs ๋ถ„๋ฅ˜ vs ๊ฐ•ํ™”ํ•™์Šต)๊ฐ€ ์ œ๊ฐ๊ฐ์ธ๋ฐ, ๋™์ผํ•œ Sparsh ํ‘œํ˜„์ด ๋ชจ๋‘์— ์ ์šฉ๋˜์–ด ์ข‹์€ ๊ฒฐ๊ณผ๋ฅผ ๋ƒˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ๋กœ๋ด‡ ์‹œ์Šคํ…œ์—์„œ ์„ผ์„œ๋ฅผ ๊ต์ฒดํ•˜๊ฑฐ๋‚˜ ์ƒˆ๋กœ์šด ์ž‘์—…์— ํˆฌ์ž…ํ•  ๋•Œ ๊ธฐ์กด ๋ชจ๋ธ์„ ์žฌ์‚ฌ์šฉํ•  ์ˆ˜ ์žˆ๋Š” ๊ธธ์„ ์—ด์–ด์ค๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด, Sparsh๋กœ ํ•™์Šต๋œ ํ‘œํ˜„์„ ์“ฐ๋ฉด ์ƒˆ๋กœ์šด GelSight ์„ผ์„œ๋ฅผ ์žฅ์ฐฉํ•˜๊ฑฐ๋‚˜ ์ƒˆ๋กœ์šด ๋ฌผ์ฒด ์žก๊ธฐ ๊ณผ์ œ๊ฐ€ ์ฃผ์–ด์ ธ๋„, ์ผ๋ถ€ํ„ฐ ํ•™์Šตํ•˜์ง€ ์•Š๊ณ  10-shot ์ •๋„์˜ ๊ฒฝ๋ฏธํ•œ ์ถ”๊ฐ€ ํ•™์Šต๋งŒ์œผ๋กœ ์ ์‘์ด ๊ฐ€๋Šฅํ•จ์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค.

  • ์ž ์žฌ ํ‘œํ˜„ ํ•™์Šต์˜ ํšจ๊ณผ: Sparsh (DINO)์™€ (IJEPA)๊ฐ€ MAE๋ณด๋‹ค ์ข‹์•˜๋“ฏ์ด, ๋…ธ์ด์ฆˆ์™€ ์„ผ์„œ ํŠน์ˆ˜์„ฑ์„ ๊ฑธ๋Ÿฌ๋‚ธ ์ž ์žฌ ๊ณต๊ฐ„ ํ‘œํ˜„์ด ์ด‰๊ฐ ๋ฌธ์ œ์— ์œ ๋ฆฌํ•จ์ด ํ™•์ธ๋˜์—ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ์ด‰๊ฐ ์„ผ์‹ฑ์˜ ํ˜„์‹ค์ ์ธ ๋ฌธ์ œ, ์ฆ‰ ์กฐ๋ช… ๋ณ€ํ™”, ์นด๋ฉ”๋ผ ์žก์Œ, ๋งˆ์ปค ํŒจํ„ด ๋“ฑ์˜ ์š”์†Œ๋ฅผ ์ถ”์ƒํ™”ํ•˜์—ฌ, ํ•ต์‹ฌ ์ ‘์ด‰ ์ •๋ณด์— ์ง‘์ค‘ํ•  ์ˆ˜ ์žˆ๊ฒŒ ํ•ด์ค๋‹ˆ๋‹ค. ๊ทธ ๊ฒฐ๊ณผ DIGIT์ด๋‚˜ GelSight Mini๊ฐ™์ด ๋งˆ์ปค๊ฐ€ ์—†๋Š” ์„ผ์„œ์—์„œ๋„ ์ „์—๋Š” ํ’€๊ธฐ ์–ด๋ ค์› ๋˜ ์ „๋‹จ๋ ฅ ๋ถ„ํฌ ์ถ”์ •์ด๋‚˜ ๋ฏธ๋„๋Ÿผ ๊ฐ์ง€ ๋“ฑ์ด Sparsh ํ‘œํ˜„์œผ๋กœ๋Š” ๊ฐ€๋Šฅํ•ด์กŒ์Šต๋‹ˆ๋‹ค.

  • ์‹ค์‹œ๊ฐ„์„ฑ๊ณผ ํ™œ์šฉ ๊ฐ€๋Šฅ์„ฑ: ViT-Base ์ˆ˜์ค€์˜ Sparsh ๋ชจ๋ธ์€ ๊ณ ์„ฑ๋Šฅ GPU์—์„œ 100 FPS ์ด์ƒ์˜ ์ถ”๋ก  ์†๋„๋ฅผ ๋ณด์˜€์Šต๋‹ˆ๋‹ค. ์ด๋Š” ๋กœ๋ด‡ ์ œ์–ด์— ์ถฉ๋ถ„ํžˆ ํˆฌ์ž…ํ•  ๋งŒํ•œ ์†๋„์ด๋ฉฐ, ์‹ค์ œ๋กœ ๋น„๋“œ ๋ฏธ๋กœ ๊ณผ์ œ์—์„œ๋„ ์‹ค์‹œ๊ฐ„ ์ด‰๊ฐ ํ”ผ๋“œ๋ฐฑ์œผ๋กœ ์ •์ฑ…์„ ์‹คํ–‰ํ•  ์ˆ˜ ์žˆ์Œ์„ ์‹œ์—ฐํ–ˆ์Šต๋‹ˆ๋‹ค. ๋”ฐ๋ผ์„œ Sparsh๋Š” ์‹คํ—˜์‹ค ํ”„๋กœํ† ํƒ€์ž…์„ ๋„˜์–ด ์‹ค์‹œ๊ฐ„ ๋กœ๋ด‡ ์ œ์–ด์— ํˆฌ์ž… ๊ฐ€๋Šฅํ•œ ์ค€๋น„๋œ ๋ชจ๋ธ์ด๋ผ๊ณ  ํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

  • ํ‘œ์ค€ ๋ฒค์น˜๋งˆํฌ ์ œ๊ณต: TacBench์˜ ๋“ฑ์žฅ์€ ์ด‰๊ฐ ์—ฐ๊ตฌ ์ปค๋ฎค๋‹ˆํ‹ฐ์— ํฌ๊ฒŒ ๊ธฐ์—ฌํ•˜๋Š” ์ ์ž…๋‹ˆ๋‹ค. ์ด์ œ ์—ฐ๊ตฌ์ž๋“ค์€ ์ƒˆ๋กœ์šด ์ด‰๊ฐ ํ‘œํ˜„ ๋ชจ๋ธ์ด ๋‚˜์˜ค๋ฉด ์ด 6๊ฐœ ๊ณผ์ œ์—์„œ์˜ ์„ฑ๋Šฅ ์ง€ํ‘œ๋กœ ๋น„๊ต ํ‰๊ฐ€ํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ๋…ผ๋ฌธ ์ €์ž๋“ค๋„ TacBench๋ฅผ โ€œ์ดˆ๊ธฐ ๋ฒค์น˜๋งˆํฌโ€๋กœ ์นญํ•˜๋ฉฐ, ํ–ฅํ›„ ๊ณผ์ œ๋“ค์„ ๋” ์ถ”๊ฐ€ํ•˜๊ฑฐ๋‚˜ ๋ฐ์ดํ„ฐ์…‹์„ ํ™•์žฅํ•จ์œผ๋กœ์จ ์ง€์†์ ์œผ๋กœ ๋ฐœ์ „์‹œํ‚ฌ ์ˆ˜ ์žˆ๋‹ค๊ณ  ์–ธ๊ธ‰ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฐ ํ‘œ์ค€ํ™”๋œ ํ”Œ๋žซํผ์€ ๊ณต๋™ ๋ฐœ์ „์„ ๊ฐ€์†ํ•  ๊ฒƒ์ž…๋‹ˆ๋‹ค.

๋ฌผ๋ก  ํ•œ๊ณ„๋‚˜ ๊ฐœ์„ ์ ๋„ ์กด์žฌํ•ฉ๋‹ˆ๋‹ค:

  • ์‹ค์ œ ๋กœ๋ด‡ ์‘์šฉ์—์„œ์˜ ๊ณผ์ œ: Sparsh ํ‘œํ˜„์„ ์‚ฌ์šฉํ•œ ์ •์ฑ…๋„ ๋ณต์žกํ•œ ์‹ค์ œ ์กฐ์ž‘ ๋ฌธ์ œ(๋น„๋“œ ๋ฏธ๋กœ ์™„์ฃผ ๋“ฑ)์—์„œ๋Š” ์•„์ง ์™„๋ฒฝํ•œ ์„ฑ๊ณผ๋ฅผ ๋‚ด์ง€ ๋ชปํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ๊ผญ Sparsh์˜ ์ž˜๋ชป์ด๋ผ๊ธฐ๋ณด๋‹ค, ํ–‰๋™ ๋ณต์ œ ๋ฐฉ์‹์˜ ํ•œ๊ณ„์™€ ํ™˜๊ฒฝ์  ์š”์ธ ๋•Œ๋ฌธ์ž…๋‹ˆ๋‹ค. ์‹ค์ œ ๋กœ๋ด‡์—์„œ๋Š” ๋ฏธ์„ธํ•œ ํž˜ ์ œ์–ด์˜ ์–ด๋ ค์›€, ์˜ค์ฐจ๊ฐ€ ๋ˆ„์ ๋˜๋ฉด ๋ณต๊ตฌ ๋ถˆ๊ฐ€ ๋“ฑ์˜ ๋ฌธ์ œ๊ฐ€ ์žˆ์–ด, ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์ด ์žˆ์–ด๋„ ์ถ”๊ฐ€์ ์ธ ๋Œ€์ฑ…์ด ํ•„์š”ํ•จ์ด ๋“œ๋Ÿฌ๋‚ฌ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ํ–ฅํ›„ ๊ฐ•ํ™”ํ•™์Šต๊ณผ์˜ ์—ฐ๊ณ„๋‚˜ ์‹ค์‹œ๊ฐ„ ๋ณด์ • ๊ธฐ๋ฒ• ์—ฐ๊ตฌ๊ฐ€ ํ•„์š”ํ•จ์„ ์‹œ์‚ฌํ•ฉ๋‹ˆ๋‹ค.

  • ๋ฐ์ดํ„ฐ์˜ ํŽธ์ค‘: ์ด๋ฒˆ ์—ฐ๊ตฌ์— ์‚ฌ์šฉ๋œ ๊ณต๊ฐœ ์ด‰๊ฐ ๋ฐ์ดํ„ฐ๋“ค์€ ์ฃผ๋กœ ๋ถˆ์—ฐ์†์ ์ธ ์ ‘์ด‰(๋ฌผ์ฒด๋ฅผ ๋—๋‹ค ๋ถ™์˜€๋‹ค ํ•˜๋Š”) ์œ„์ฃผ์ž…๋‹ˆ๋‹ค. ์ง€์†์ ์œผ๋กœ ๋ฏธ๋„๋Ÿฌ์ง€๋Š” ์ƒํ˜ธ์ž‘์šฉ์ด๋‚˜ ์ถฉ๊ฒฉ/์ง„๋™ ๊ฐ™์€ ์—ญ๋™์  ๋ฐ์ดํ„ฐ๋Š” ๋ถ€์กฑํ•œ ํŽธ์ž…๋‹ˆ๋‹ค. ์ €์ž๋“ค๋„ ์ „๋‹จ์ด ํ’๋ถ€ํ•œ ๋ฐ์ดํ„ฐ๋ฅผ ์ถ”๊ฐ€๋กœ ๋ชจ์€๋‹ค๋ฉด ํ‘œํ˜„ ํ•™์Šต์ด ๋” ์ข‹์•„์งˆ ๊ฒƒ์ด๋ผ๊ณ  ์˜ˆ์ƒํ–ˆ์Šต๋‹ˆ๋‹ค. ๋”ฐ๋ผ์„œ ํ˜„ ๋‹จ๊ณ„ Sparsh๋Š” ์ €์†, ์ค€์ •์  ์ ‘์ด‰ ์ƒํ™ฉ์— ์ตœ์ ํ™”๋˜์–ด ์žˆ์„ ์ˆ˜ ์žˆ์œผ๋ฉฐ, ๊ณ ์† ์ถฉ๋Œ์ด๋‚˜ ์ง„๋™ ๊ฐ์ง€ ๋“ฑ์—๋Š” ์„ฑ๋Šฅ์ด ๊ฒ€์ฆ๋˜์ง€ ์•Š์•˜์Šต๋‹ˆ๋‹ค.

  • ํžˆ์Šคํ† ๋ฆฌ ๊ธธ๋“œ์— ๋Œ€ํ•œ ๋ฏธ์‹คํ—˜: Sparsh๋Š” ์ž…๋ ฅ์œผ๋กœ ๋‘ ํ”„๋ ˆ์ž„(๋˜๋Š” 4ํ”„๋ ˆ์ž„)์„ ์‚ฌ์šฉํ•˜๋Š” ๊ฒƒ์œผ๋กœ ๊ณ ์ •ํ•˜์˜€๋Š”๋ฐ, ์ด ์ด๋ ฅ ๊ธธ์ด๋ฅผ ๋Š˜๋ฆฌ๊ฑฐ๋‚˜ ์ค„์ด๋Š” ๊ฒƒ์— ๋Œ€ํ•œ ์‹คํ—˜์ด ์—†์Šต๋‹ˆ๋‹ค. ๋” ๊ธด ์‹œ๊ฐ„ ์ฐฝ์˜ ์ž…๋ ฅ์ด ์ž ์žฌํ‘œํ˜„์— ์œ ๋ฆฌํ• ์ง€, ํ˜น์€ ๋ถˆํ•„์š”ํ•œ ์žก์Œ์„ ์ค„์ง€์— ๋Œ€ํ•œ ๋ถ„์„์ด ์—†์–ด์„œ, ํ˜„ ์„ค์ •์ด ์ตœ์ ์ธ์ง€๋Š” ์ถ”๊ฐ€ ์—ฐ๊ตฌ๊ฐ€ ํ•„์š”ํ•ฉ๋‹ˆ๋‹ค.

  • ํƒ€ ์„ผ์„œ ์œ ํ˜•์—์˜ ์ผ๋ฐ˜ํ™”: Sparsh๋Š” ๋น„์ „ ๊ธฐ๋ฐ˜ ์ด‰๊ฐ ์„ผ์„œ๋“ค๋งŒ ๋‹ค๋ฃน๋‹ˆ๋‹ค. ์••๋ ฅ ๋ถ„ํฌ๋ฅผ ์ด๋ฏธ์ง€๋กœ ๋ณ€ํ™˜ํ•˜์ง€ ์•Š๋Š” ๋‹ค๋ฅธ ์ข…๋ฅ˜์˜ ์ด‰๊ฐ ์„ผ์„œ(์˜ˆ: ๋ฐ”์ด์˜คํƒœํฌ์˜ ์ „๋„๋„ ๋ณ€ํ™”, ํž˜ ํ† ํฌ ์„ผ์„œ ๋“ฑ)์— ๋Œ€ํ•ด์„œ๋Š” ์ด ์ ‘๊ทผ๋ฒ•์ด ๋ฐ”๋กœ ํ†ตํ•˜์ง€ ์•Š์„ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ๋ฌผ๋ก  ๋น„์ „ ๊ธฐ๋ฐ˜์ด๋ผ๋Š” ๋™์ผ ์›๋ฆฌ์— ์†ํ•˜๋Š” ์„ผ์„œ๋“ค ์‚ฌ์ด์—์„œ๋Š” ์ผ๋ฐ˜ํ™”๊ฐ€ ์ž˜ ๋˜์—ˆ์ง€๋งŒ, ๊ทธ ์™ธ ๋ฐฉ์‹๊นŒ์ง€ ํฌ๊ด„ํ•˜๋Š” ๋ฉ€ํ‹ฐ๋ชจ๋‹ฌ ์ด‰๊ฐ ํ‘œํ˜„์œผ๋กœ ํ™•์žฅํ•˜๋ ค๋ฉด ์ถ”๊ฐ€ ์—ฐ๊ตฌ๊ฐ€ ํ•„์š”ํ•ฉ๋‹ˆ๋‹ค.

  • ๋Œ€๊ทœ๋ชจ ์ž์› ํ•„์š”: ์žฅ์ ์œผ๋กœ ๊ผฝ์•˜๋˜ ์‚ฌ์ „ํ•™์Šต์ด๋ž€ ๊ณผ์ •์€, ๊ฑฐ๊พธ๋กœ ๋ณด๋ฉด ์ƒ๋‹นํ•œ ๊ณ„์‚ฐ ์ž์›๊ณผ ๋ฐ์ดํ„ฐ ์ˆ˜์ง‘ ๋…ธ๋ ฅ์ด ํ•„์š”ํ•œ ์ž‘์—…์ž…๋‹ˆ๋‹ค. ๋ณธ ์—ฐ๊ตฌ๋Š” Meta ๋ฐ ๋Œ€ํ•™ ํ˜‘๋ ฅ์„ ํ†ตํ•ด ๋ฐ์ดํ„ฐ๋ฅผ ๋ชจ์œผ๊ณ  ์ˆ˜ ์ฃผ๊ฐ„ ๋Œ€์šฉ๋Ÿ‰ ๋ชจ๋ธ์„ ํ•™์Šต์‹œ์ผฐ๋Š”๋ฐ, ๋ชจ๋“  ์—ฐ๊ตฌํŒ€์ด ์ด๋ฅผ ์ˆ˜ํ–‰ํ•˜๊ธฐ๋Š” ์–ด๋ ต์Šต๋‹ˆ๋‹ค. ๋‹คํ–‰ํžˆ ํ•™์Šต๋œ ๊ฐ€์ค‘์น˜ ๊ณต๊ฐœ(ํ”„๋กœ์ ํŠธ ๊นƒํ—ˆ๋ธŒ ๋“ฑ)๊ฐ€ ์ด๋ฃจ์–ด์ง„๋‹ค๋ฉด ์ด๋ฅผ ํ™œ์šฉํ•˜๋ฉด ๋˜๊ฒ ์ง€๋งŒ, ํ–ฅํ›„ ๋” ํฐ ๋ชจ๋ธ๋“ค์€ ๋” ๋งŽ์€ ๋ฐ์ดํ„ฐ/์—ฐ์‚ฐ์ด ํ•„์š”ํ•  ๊ฒƒ์ด๊ธฐ์— ๊ทœ๋ชจ์˜ ๊ฒฝ์ œ๋ฅผ ๋ˆ„๋ฆด ์ˆ˜ ์žˆ๋Š” ๊ธฐ๊ด€ ์ค‘์‹ฌ์œผ๋กœ ์—ฐ๊ตฌ๊ฐ€ ์ง„ํ–‰๋  ์šฐ๋ ค๋„ ์žˆ์Šต๋‹ˆ๋‹ค.

  • ๋ถ€๋ถ„ ํŒŒ์ธํŠœ๋‹ ํšจ๊ณผ ๋ฏธ๋ฏธ: ๋ณธ๋ฌธ์—์„œ๋Š” ๋‹ค๋ฃจ์ง€ ์•Š์•˜์ง€๋งŒ, ๋ถ€๋ก์—์„œ Sparsh ์ธ์ฝ”๋”๋ฅผ ๋ถ€๋ถ„์ ์œผ๋กœ ๋ฏธ์„ธ์กฐ์ •(fine-tuning)ํ•ด๋„ ์„ฑ๋Šฅ ํ–ฅ์ƒ์€ ํฌ์ง€ ์•Š๊ณ  ๊ฑฐ์˜ ๊ณ ์ •๋œ ์ƒํƒœ์™€ ๋น„์Šทํ–ˆ๋‹ค๊ณ  ํ•ฉ๋‹ˆ๋‹ค. ์ „์ฒด ํŒŒ์ธํŠœ๋‹ํ•˜๋ฉด ๋” ์„ฑ๋Šฅ์ด ์ข‹์•„์กŒ์ง€๋งŒ ํŠนํžˆ latent๊ธฐ๋ฐ˜ ๋ชจ๋ธ์ด ๊ทธ๋ ‡๋‹ค๋Š” ๊ฒƒ์ด๊ณ , ๋ถ€๋ถ„(์˜ˆ: ๋งˆ์ง€๋ง‰ ๋ช‡ ๊ณ„์ธต๋งŒ)๋งŒ ํ›ˆ๋ จํ•˜๋Š” ๊ฑด ํฐ ์˜๋ฏธ๊ฐ€ ์—†์—ˆ๋Š”๋ฐ์š”. ์ด๋Š” Sparsh ํ‘œํ˜„์ด ์ด๋ฏธ ์ถฉ๋ถ„ํžˆ ์ผ๋ฐ˜์  ํŠน์„ฑ์„ ๋ฝ‘์•„๋‚ด ์ฃผ๊ธฐ ๋•Œ๋ฌธ์ผ ์ˆ˜๋„ ์žˆ๊ณ , ๋ฐ˜๋Œ€๋กœ ๋ณด๋ฉด ํ‘œํ˜„์— ์ž ์žฌ๋œ ํ•œ๊ณ„๊ฐ€ ์žˆ์–ด์„œ ๋” ํŠœ๋‹ํ•ด๋„ ๊ทน๋ณตํ•˜๊ธฐ ์–ด๋ ต๋‹ค๋Š” ์˜๋ฏธ์ผ ์ˆ˜๋„ ์žˆ์Šต๋‹ˆ๋‹ค. ์ด ๋ถ€๋ถ„์€ ์ถ”ํ›„ ์—ฐ๊ตฌ๋กœ ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์„ ์ ์ ˆํžˆ ๋ณด์™„/๋ฏธ์„ธ์กฐ์ •ํ•˜๋Š” ๊ธฐ๋ฒ•์ด ๊ฐœ๋ฐœ๋  ์—ฌ์ง€๊ฐ€ ์žˆ์Šต๋‹ˆ๋‹ค.

2.6 ํ–ฅํ›„ ์ „๋ง ๋ฐ ์‘์šฉ

Sparsh ์—ฐ๊ตฌ๋Š” ์ด‰๊ฐ ์„ผ์‹ฑ ๋ถ„์•ผ์˜ ์ƒˆ๋กœ์šด ์žฅ์„ ์—ฌ๋Š” ์ถœ๋ฐœ์ ์œผ๋กœ ๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ์ €์ž๋“ค๋„ โ€œ์‹œ์ž‘์— ๋ถˆ๊ณผโ€ํ•˜๋‹ค๋Š” ํˆฌ์œผ๋กœ ์•ž์œผ๋กœ์˜ ๋ฐœ์ „ ๋ฐฉํ–ฅ์„ ์ œ์‹œํ•˜๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค. ์šฐ์„ , ๋” ํฐ ๊ทœ๋ชจ์˜ ์ด‰๊ฐ ๋ฐ์ดํ„ฐ์…‹ ๊ตฌ์ถ•์ด ์ฃผ์š” ๊ณผ์ œ๋กœ ์–ธ๊ธ‰๋ฉ๋‹ˆ๋‹ค. ํ˜„์žฌ๊นŒ์ง€๋Š” ์—ฐ๊ตฌํŒ€์ด ์ž์ฒด ์ˆ˜์ง‘ํ•˜๊ฑฐ๋‚˜ ๊ณต๊ฐœ๋œ ๋ฐ์ดํ„ฐ๋ฅผ ๋ชจ์•˜์ง€๋งŒ, ์ „์„ธ๊ณ„์ ์œผ๋กœ ์ด‰๊ฐ ๋ฐ์ดํ„ฐ๋ฅผ ๋ชจ์œผ๋Š” ๋…ธ๋ ฅ์ด ๊ฒฐ์ง‘๋œ๋‹ค๋ฉด ์ปดํ“จํ„ฐ ๋น„์ „์ด๋‚˜ NLP์ฒ˜๋Ÿผ ๊ฑฐ๋Œ€ํ•˜๊ณ  ๋‹ค์–‘ํ•œ ๋ฐ์ดํ„ฐ๋กœ ๋ชจ๋ธ์„ ํ•™์Šต์‹œํ‚ฌ ์ˆ˜ ์žˆ์„ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ํŠนํžˆ ๋‹ค์–‘ํ•œ ์„ผ์„œ(์˜ˆ: ์ƒˆ๋กœ์šด ์ €๊ฐ€ ์ด‰๊ฐ์„ผ์„œ, ์งˆ๊ฐ ์„ผ์„œ ๋“ฑ)์™€ ๋‹ค์–‘ํ•œ ํ™˜๊ฒฝ(์‚ฐ์—…์šฉ, ์˜๋ฃŒ์šฉ ๋“ฑ)์˜ ๋ฐ์ดํ„ฐ๋ฅผ ํฌํ•จ์‹œํ‚ค๋ฉด Sparsh์˜ ํ›„์† ๋ชจ๋ธ์€ ๋”์šฑ ๋ฒ”์šฉ์ ์œผ๋กœ ์ง„ํ™”ํ•  ๊ฒƒ์ž…๋‹ˆ๋‹ค.

๋ชจ๋ธ์˜ ์Šค์ผ€์ผ ์—…(scale-up)๋„ ๊ธฐ๋Œ€ํ•ด๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. Vision Transformer ๊ธฐ๋ฐ˜์˜ Sparsh๋Š” Base ์ˆ˜์ค€์ด์ง€๋งŒ, ํ–ฅํ›„ ViT-Large๋‚˜ Hybrid ๋ชจ๋ธ๋กœ ํ‚ค์šด๋‹ค๋ฉด ๋” ์ •๊ตํ•œ ํ‘œํ˜„์„ ์–ป์„ ์ˆ˜ ์žˆ์„ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๋ฌผ๋ก  ๋ฐ์ดํ„ฐ๋„ ๋น„๋ก€ํ•ด์„œ ๋Š˜์–ด๋‚˜์•ผ ํ•˜๊ฒ ์ง€๋งŒ, ์ปดํ“จํ„ฐ ๋น„์ „ ๋ถ„์•ผ์˜ ๊ฒฝํ—˜์ƒ ๋ชจ๋ธ์ด ์ปค์งˆ์ˆ˜๋ก ์„ฑ๋Šฅ์ด ์˜ฌ๋ผ๊ฐ€๋Š” ์ถ”์„ธ๊ฐ€ ์ด‰๊ฐ์—๋„ ์ ์šฉ๋  ๊ฐ€๋Šฅ์„ฑ์ด ๋†’์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ๋Œ€ํ˜• ์‚ฌ์ „ํ•™์Šต ์ด‰๊ฐ ๋ชจ๋ธ์€ ์ง„์ •ํ•œ ์˜๋ฏธ์˜ ์ด‰๊ฐ Foundation Model๋กœ ์ž๋ฆฌ๋งค๊น€ํ•˜์—ฌ, ์‚ฌ๋žŒ ์†์˜ ์ด‰๊ฐ์ฒ˜๋Ÿผ ๋ฒ”์šฉ์ ์ธ ์ง€๋Šฅ์„ ๋ณด์—ฌ์ค„์ง€๋„ ๋ชจ๋ฆ…๋‹ˆ๋‹ค.

๋˜ ํ•˜๋‚˜์˜ ๋ฐฉํ–ฅ์€ ๋‹ค์ค‘ ๋ชจ๋‹ฌ ํ†ตํ•ฉ์ž…๋‹ˆ๋‹ค. ์•ž์„œ ๋น„๊ตํ•œ๋Œ€๋กœ Sparsh๋Š” ์˜ค์ง ์ด‰๊ฐ ๋ชจ๋‹ฌ๋ฆฌํ‹ฐ๋งŒ ์‚ฌ์šฉํ–ˆ๋Š”๋ฐ, ์ดํ›„์—๋Š” ์‹œ๊ฐ+์ด‰๊ฐ ๊ณต๋™ ํ•™์Šต์ด๋‚˜ ๋” ๋‚˜์•„๊ฐ€ ์–ธ์–ด๊นŒ์ง€ ๊ฒฐํ•ฉํ•œ ๋ฉ€ํ‹ฐ๋ชจ๋‹ฌ ํ•™์Šต์œผ๋กœ ํ™•์žฅํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด, ๋™์ผํ•œ ์ƒํ™ฉ์—์„œ ์ด‰๊ฐ๊ณผ ์‹œ๊ฐ ์ •๋ณด๋ฅผ ๋ชจ๋‘ ์‚ฌ์ „ํ•™์Šตํ•˜์—ฌ ๊ณต์šฉ ์ž„๋ฒ ๋”ฉ์„ ๋งŒ๋“ค๋ฉด, ๋กœ๋ด‡์ด ๋ณด๊ฑฐ๋‚˜ ๋งŒ์ง€๋Š” ๊ฒƒ์— ๋Œ€ํ•ด ์ผ๊ด€๋œ ํ‘œํ˜„ ๊ณต๊ฐ„์—์„œ ์ดํ•ดํ•  ์ˆ˜ ์žˆ๊ฒŒ ๋  ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ด๋Š” ์ธ๊ฐ„์ด ๋ณด๊ณ  ๋А๋ผ๋Š” ๊ฐ๊ฐ์„ ๊ฒฐํ•ฉํ•˜์—ฌ ๋ฌผ์ฒด๋ฅผ ์ธ์ง€ํ•˜๋Š” ๋ฐฉ์‹๊ณผ๋„ ์œ ์‚ฌํ•ฉ๋‹ˆ๋‹ค. ์‹ค์ œ๋กœ ์ด์ „ ์—ฐ๊ตฌ๋“ค์—์„œ ๋ฉ€ํ‹ฐ๋ชจ๋‹ฌ ์‹œ๋„๊ฐ€ ์žˆ๋˜ ๋งŒํผ, Sparsh๋ฅผ ๊ธฐ๋ฐ˜์œผ๋กœ ๊ทธ๋Ÿฐ ๋ฐฉํ–ฅ์„ ๋ชจ์ƒ‰ํ•œ๋‹ค๋ฉด ์ด‰๊ฐ-์‹œ๊ฐ ๋™์‹œ ํ™œ์šฉ ์ž‘์—…(์˜ˆ: ๋ฌผ์ฒด ์‹๋ณ„, ์žฌ์งˆ ํƒ์ƒ‰)์— ํ˜์‹ ์„ ๊ฐ€์ ธ์˜ฌ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๊ฐ•ํ™”ํ•™์Šต ๋ฐ ๋กœ๋ด‡ ์ œ์–ด ์ธก๋ฉด์—์„œ๋Š”, ํ‘œํ˜„ ํ•™์Šต๊ณผ ์ •์ฑ… ํ•™์Šต์˜ ์ ‘๋ชฉ์ด ์ค‘์š”ํ•  ๊ฒƒ์ž…๋‹ˆ๋‹ค. Sparsh๋Š” Behavior Cloning ์˜ˆ์ œ๋กœ ๋น„๋“œ ๋ฏธ๋กœ๋ฅผ ์‹œ๋„ํ–ˆ์ง€๋งŒ, ์•ž์œผ๋กœ๋Š” ๋ชจ๋ธ ๊ธฐ๋ฐ˜ ๊ฐ•ํ™”ํ•™์Šต์ด๋‚˜ ์˜จ-์ •์ฑ…(on-policy) ๋ฐฉ๋ฒ•์—์„œ ์‚ฌ์ „ํ•™์Šต ํ‘œํ˜„์„ ํ™œ์šฉํ•˜๋Š” ์—ฐ๊ตฌ๊ฐ€ ํ•„์š”ํ•ฉ๋‹ˆ๋‹ค. ํŠนํžˆ ์‹ค์‹œ๊ฐ„ ์ƒํ˜ธ์ž‘์šฉ ์ค‘์— ํ‘œํ˜„์„ ๊ณ„์† ์ ์‘์‹œ์ผœ๋‚˜๊ฐ€๋Š” ํ‘œํ˜„ ๊ฐ•๊ฐ•ํ•™์Šต ๊ฐ™์€ ๊ฐœ๋…๋„ ์ƒ๊ฐํ•ด๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” Sparsh ํ‘œํ˜„์„ ๋™์ ์œผ๋กœ ์—…๋ฐ์ดํŠธํ•˜๊ฑฐ๋‚˜, ํ˜น์€ ํ”„๋กœ๋ธŒ ๋„คํŠธ์›Œํฌ์— ํ”ผ๋“œ๋ฐฑ์„ ์ฃผ๋Š” ๋ฐฉ์‹์œผ๋กœ ์ด๋ฃจ์–ด์งˆ ์ˆ˜ ์žˆ์„ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๊ถ๊ทน์ ์œผ๋กœ๋Š”, ์‚ฌ์ „ํ•™์Šต๋œ ํ‘œํ˜„์„ ์จ์„œ ํ•™์Šต ํšจ์œจ์„ ๋†’์ด๋ฉด์„œ๋„, ์‹ค์ œ ํ™˜๊ฒฝ์—์„œ์˜ ํ”ผ๋“œ๋ฐฑ์œผ๋กœ ์ง€์† ๊ฐœ์„ ํ•˜๋Š” ๋ฐฉํ–ฅ์ด ๋ฐ”๋žŒ์งํ•  ๊ฒƒ์ž…๋‹ˆ๋‹ค.

์‘์šฉ ๋ถ„์•ผ๋ฅผ ์‚ดํŽด๋ณด๋ฉด, Sparsh๋Š” ๋‹ค์–‘ํ•œ ์‚ฐ์—… ๋ฐ ์—ฐ๊ตฌ ๋„๋ฉ”์ธ์— ํŒŒ๊ธ‰ํšจ๊ณผ๋ฅผ ๊ฐ€์ ธ์˜ฌ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด:

  • ์ •๋ฐ€ ์กฐ๋ฆฝ ๋ฐ ์‚ฝ์ž… ์ž‘์—…: ์ด‰๊ฐ ์„ผ์„œ๋ฅผ ์ด์šฉํ•œ ๋ฏธ์„ธ ์กฐ๋ฆฝ(๊ธฐ๊ณ„ ๋ถ€ํ’ˆ ๋ผ์šฐ๊ธฐ ๋“ฑ)์—์„œ๋Š” ํž˜๊ณผ ์œ„์น˜๋ฅผ ์„ฌ์„ธํžˆ ๊ฐ์ง€ํ•ด์•ผ ํ•ฉ๋‹ˆ๋‹ค. Sparsh ํ‘œํ˜„์ด ์žˆ์œผ๋ฉด ์ž‘์€ ์ ‘์ด‰ ๋ณ€ํ™”๋ฅผ ๋†“์น˜์ง€ ์•Š๊ณ ๋„, ๋‹ค์–‘ํ•œ ๋ถ€ํ’ˆ์— ๋Œ€ํ•œ ๋ฒ”์šฉ ์กฐ๋ฆฝ ๋ชจ๋“ˆ์„ ๊ตฌ์ถ•ํ•  ์ˆ˜ ์žˆ์„ ๊ฒƒ์ž…๋‹ˆ๋‹ค.

  • ์˜๋ฃŒ ๋กœ๋ด‡ ๋ฐ ์˜์ˆ˜(์˜์กฑ): ์‚ฌ๋žŒ์˜ ์ด‰๊ฐ์„ ๋Œ€์ฒดํ•˜๊ฑฐ๋‚˜ ๋ณด์กฐํ•˜๋Š” ์˜์ˆ˜/์˜์กฑ์— Sparsh ๊ฐ™์€ ๋ชจ๋ธ์ด ๋“ค์–ด๊ฐ€๋ฉด, ๋ฌผ๊ฑด์„ ์ฅ˜ ๋•Œ ๋ฏธ๋„๋Ÿฌ์ง์„ ์ž๋™์œผ๋กœ ๊ฐ์ง€ํ•ด ํž˜์„ ์กฐ์ ˆํ•˜๊ฑฐ๋‚˜, ์ด‰๊ฐ์œผ๋กœ ๋ฌผ์ฒด์˜ ์žฌ์งˆ์„ ์‹๋ณ„ํ•˜์—ฌ ์‚ฌ์šฉ์ž์—๊ฒŒ ํ”ผ๋“œ๋ฐฑ์„ ์ค„ ์ˆ˜๋„ ์žˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ์ด‰๊ฐ์ด ๊ฒฐ์—ฌ๋œ ๋กœ๋ด‡์ด๋‚˜ ๋ณด์กฐ์žฅ์น˜์— ์‚ฌ๋žŒ ๋น„์Šทํ•œ ์ด‰๊ฐ ๋Šฅ๋ ฅ์„ ๋ถ€์—ฌํ•˜๋Š” ๋ฐฉํ–ฅ์ž…๋‹ˆ๋‹ค.

  • ์žฌ๋ฃŒ ๋ฐ ํ’ˆ์งˆ ๊ฒ€์‚ฌ: ์ด‰๊ฐ ์„ผ์‹ฑ์€ ํ‘œ๋ฉด์˜ ๊ฑฐ์น ๊ธฐ๋‚˜ ์†Œ์žฌ ํŠน์„ฑ์„ ํŒŒ์•…ํ•˜๋Š” ๋ฐ ์“ฐ์ผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. Sparsh ๋ชจ๋ธ๋กœ ํ•™์Šต๋œ ์ž„๋ฒ ๋”ฉ ๊ณต๊ฐ„์€ ์งˆ๊ฐ์ด๋‚˜ ๋งˆ์ฐฐ๊ณ„์ˆ˜ ๋“ฑ์˜ ์ •๋ณด๋ฅผ ๋‚ดํฌํ•˜๊ณ  ์žˆ์œผ๋ฏ€๋กœ, ์‚ฐ์—… ๊ณต์ •์—์„œ ์ œํ’ˆ์˜ ํ‘œ๋ฉด ํ’ˆ์งˆ ๊ฒ€์‚ฌ, ์ง๋ฌผ์ด๋‚˜ ์ข…์ด์˜ ๋ถ„๋ฅ˜ ์ž‘์—… ๋“ฑ์— ๋ฐ”๋กœ ํ™œ์šฉ๋  ์ˆ˜ ์žˆ์„ ๊ฒƒ์ž…๋‹ˆ๋‹ค.

  • ์—ฐ๊ตฌ ํ”Œ๋žซํผ์œผ๋กœ์„œ์˜ ํ™œ์šฉ: TacBench์˜ ๊ณต๊ฐœ๋กœ, ์ด์ œ ์—ฐ๊ตฌ์ž๋“ค์€ ์ƒˆ๋กœ์šด ์ด‰๊ฐ ์„ผ์„œ๋งŒ ๊ฐœ๋ฐœ๋˜๋ฉด Sparsh์— ์ถ”๊ฐ€ ํ•™์Šต์‹œํ‚ค๊ณ  ๋™์ผํ•œ TacBench์—์„œ ์‹œํ—˜ํ•ด๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ์ด๋Š” ์ƒˆ๋กœ์šด ์„ผ์„œ ์•„ํ‚คํ…์ฒ˜ ํ‰๊ฐ€์—๋„ ํ‘œ์ค€์„ ์ œ๊ณตํ•˜์—ฌ, ์–ด๋–ค ์„ผ์„œ ์„ค๊ณ„๊ฐ€ ๋” ๋‹ค์–‘ํ•œ ์ด‰๊ฐ ์ •๋ณด๋ฅผ ์ž˜ ๋‹ด์•„๋‚ด๋Š”์ง€ ๋น„๊ตํ•  ์ˆ˜๋„ ์žˆ๊ฒŒ ๋ฉ๋‹ˆ๋‹ค. ์ฆ‰, Sparsh๋Š” ์ด‰๊ฐ ์„ผ์„œ ํ•˜๋“œ์›จ์–ด ์—ฐ๊ตฌ์—๋„ ์ •๋Ÿ‰์  ํ‰๊ฐ€ ๋„๊ตฌ๋กœ ๊ธฐ์—ฌํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๋งˆ์ง€๋ง‰์œผ๋กœ, Sparsh ์—ฐ๊ตฌ์ง„์€ ๋…ผ๋ฌธ์„ ํ†ตํ•ด *โ€œSparsh๋Š” ๋ฒ”์šฉ ์ด‰๊ฐ ๋ฐฑ๋ณธ์„ ํ–ฅํ•œ ์ค‘์š”ํ•œ ๋ฐœ๊ฑธ์Œ์ด๋‹คโ€*๋ผ๊ณ  ๊ฐ•์กฐํ•ฉ๋‹ˆ๋‹ค. ๊ทธ๋ฆฌ๊ณ  *โ€œ์šฐ๋ฆฌ์˜ ๋ชฉํ‘œ๋Š” ๋” ํฐ ์ด‰๊ฐ ๋ฐ์ดํ„ฐ์…‹๊ณผ ๋” ํฐ SSL ๋ฐฑ๋ณธ์„ ํ™œ์šฉํ•˜๋Š” ๊ฒƒโ€*์ด๋ผ๊ณ  ๋ฐํžˆ๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค. TacBench๋Š” ์‹œ์ž‘์ผ ๋ฟ์ด๋ฉฐ, ๋ถ€์กฑํ•œ ๋ถ€๋ถ„(์˜ˆ: ๋ฐ์ดํ„ฐ ๋‹ค์–‘์„ฑ, ์‹œ๊ฐ„ ์ฐฝ ๊ธธ์ด ๋“ฑ)์€ ํ–ฅํ›„ ๋ณด์™„ํ•˜๊ณ , ์˜ˆ์ปจ๋Œ€ ์•ก์ฒด๋ฅผ ๋”ฐ๋ฅผ ๋•Œ ์งˆ๋Ÿ‰ ๋ณ€ํ™” ์ถ”์  ๊ฐ™์€ ๋” ํฅ๋ฏธ๋กœ์šด ์ด‰๊ฐ ๊ณผ์ œ๋„ ์ถ”๊ฐ€ํ•  ์ˆ˜ ์žˆ๋‹ค๊ณ  ์ œ์•ˆํ•ฉ๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ์ฒญ์‚ฌ์ง„์„ ๋ณผ ๋•Œ, ์•ž์œผ๋กœ ์ด‰๊ฐ ์—ฐ๊ตฌ ์ปค๋ฎค๋‹ˆํ‹ฐ์˜ ํ˜‘์—… ํ•˜์— Sparsh๋ฅผ ์ž‡๋Š” ๋” ๋ฐœ์ „๋œ ๋ชจ๋ธ๋“ค์ด ๋‚˜์˜ฌ ๊ฒƒ์œผ๋กœ ๊ธฐ๋Œ€๋ฉ๋‹ˆ๋‹ค. ์‹œ๊ฐ๊ณผ ์–ธ์–ด์— ์ด์€ โ€œ์ด‰๊ฐ์˜ GPTโ€๊ฐ€ ๋“ฑ์žฅํ•˜๋Š” ๋‚ ๋„ ๋จธ์ง€์•Š์„์ง€ ๋ชจ๋ฆ…๋‹ˆ๋‹ค. Sparsh๋Š” ๊ทธ ์ฒซ๊ฑธ์Œ์„ ๋‚ด๋”›์—ˆ์œผ๋ฉฐ, ํ–ฅํ›„ ๋กœ๋ด‡์—๊ฒŒ ์ธ๊ฐ„ ์ˆ˜์ค€์˜ ์ด‰๊ฐ ์ง€๋Šฅ์„ ์‹ฌ์–ด์ฃผ๋Š” ์—ฌ์ •์— ์ค‘์š”ํ•œ ์ด์ •ํ‘œ๊ฐ€ ๋  ๊ฒƒ์ž…๋‹ˆ๋‹ค.

Copyright 2024, Jung Yeon Lee