๐Sparsh ๋ฆฌ๋ทฐ
- Sparsh๋ ์๊ฐ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์๋ฅผ ์ํ ์๊ธฐ ์ง๋ ํ์ต ๊ธฐ๋ฐ์ ์ผ๋ฐ์ ์ธ ์ด๊ฐ ํํ ๋ชจ๋ธ์ ์ ์ํฉ๋๋ค.
- ๋ณธ ์ฐ๊ตฌ๋ ํ ์ถ์ , ์ฌ๋ฆฝ ๊ฐ์ง, ์์ธ ์ถ์ ๋ฑ์ ํฌํจํ๋ 6๊ฐ์ง ์ด๊ฐ ์ค์ฌ ์์ ์ผ๋ก ๊ตฌ์ฑ๋ ํ์ค ๋ฒค์น๋งํฌ์ธ TacBench๋ ํจ๊ป ์ ์ํฉ๋๋ค.
- ํ๊ฐ ๊ฒฐ๊ณผ, ์๊ธฐ ์ง๋ ํ์ต์ผ๋ก ์ฌ์ ํ์ต๋ Sparsh๋ ์ ํ๋ ๋ผ๋ฒจ ๋ฐ์ดํฐ ํ๊ฒฝ์์ ์์ /์ผ์๋ณ ๋ชจ๋ธ๋ณด๋ค ์๋ฑํ ์ฐ์ํ ์ฑ๋ฅ์ ๋ณด์ด๋ฉฐ ๋ค์ํ ์์ ๊ณผ ์ผ์์ ๊ฑธ์ณ ์ผ๋ฐํ๋จ์ ์ ์ฆํ์ต๋๋ค.
1 Brief Review
์ด ๋ ผ๋ฌธ์ vision-based tactile sensor๋ฅผ ์ํ ์ผ๋ฐ์ ์ธ touch representation์ธ Sparsh์ ์ด๋ฅผ ํ๊ฐํ๊ธฐ ์ํ ํ์คํ๋ benchmark์ธ TacBench๋ฅผ ์ ์ํฉ๋๋ค. ํ์ฌ vision-based tactile sensor๋ฅผ ๋ก๋ด ์์ ์ ํตํฉํ๋ ๋ฐฉ์์ ๋๋ถ๋ถ ํน์ task ๋ฐ sensor์ ๋ง์ถคํ๋ perception model์ ํ์ต์ํค๋ ๊ฒ์ผ๋ก, ์ด๋ ๋นํจ์จ์ ์ด๋ฉฐ force, slip๊ณผ ๊ฐ์ ground truth label์ ํฌํจํ๋ ๋๊ท๋ชจ ์ค์ธ๊ณ data๋ฅผ ์์งํ๊ธฐ ์ด๋ ต๋ค๋ ๋ฌธ์ ์ ์ง๋ฉดํด ์์ต๋๋ค. Sensor๋ง๋ค lighting, gel marking ๋ฑ ํน์ฑ์ด ๋ค๋ฅธ ์ ๋ ์ผ๋ฐํ์ ์ด๋ ค์์ ๋ํฉ๋๋ค.
์ด๋ฌํ ํ๊ณ๋ฅผ ๊ทน๋ณตํ๊ณ ์, ์ ์๋ค์ computer vision์์ ์ฑ๊ณต์ ๊ฑฐ๋ self-supervised learning (SSL)์ tactile sensing domain์ ์ ์ฉํ์ต๋๋ค. Sparsh๋ ๋ค์ํ vision-based tactile sensor๋ฅผ ์ง์ํ๋ฉฐ, pixel ๋ฐ latent space์์์ masking๊ณผ self-distillation ๊ธฐ๋ฒ์ ์ฌ์ฉํ์ฌ 460k+๊ฐ์ unlabeled tactile image data๋ก pre-training๋ฉ๋๋ค.
ํต์ฌ ๋ฐฉ๋ฒ๋ก (Core Methodology)
- Dataset ๊ตฌ์ถ ๋ฐ ํ์ฉ: SSL pre-training์ ์ํด Touch-Slide (์ ์๋ค์ด ์๋ก ๊ตฌ์ถํ DIGIT sensor ๋ฐ์ดํฐ)์ ๊ธฐ์กด์ YCB-Slide (DIGIT), Touch-and-Go (GelSight), ObjectFolder (GelSight Mini) dataset์ ํตํฉํ์ฌ ์ด ์ฝ 661k๊ฐ์ ์ด๋ฏธ์ง๋ฅผ ์์งํ์ต๋๋ค. ์ด ์ค 70%์ธ ์ฝ 462.7k๊ฐ์ ์ด๋ฏธ์ง๋ฅผ SSL pre-training์ ์ฌ์ฉํ์ผ๋ฉฐ, ์ด๋ ๊ธฐ์กด tactile representation ์ฐ๊ตฌ๋ณด๋ค ํจ์ฌ ํฐ ๊ท๋ชจ์ ๋๋ค.
- ๋ฐ์ดํฐ ์ฒ๋ฆฌ: Tactile image๋ local information ํน์ฑ์ด ๊ฐํ๊ณ sensor๋ณ distractor (marker, lighting) ์ฐจ์ด๊ฐ ํฌ๋ฏ๋ก, DIGIT์ GelSight Mini (markerless)์ ๊ฒฝ์ฐ background subtraction์ ์ํํ์ฌ ๋ ธ์ด์ฆ์ ๊ฐ๊ฑดํ representation ํ์ต์ ์ ๋ํ์ต๋๋ค. Slip detection ๋ฑ temporal reasoning์ด ํ์ํ task๋ฅผ ์ํด, image-based SSL์ ๊ฒฝ์ฐ ํ์ฌ ์์ image It์ 5 sample stride ์ image It-5๋ฅผ channel ์ฐจ์์ผ๋ก concatenateํ I_t \oplus I_{t-5} \in \mathbb{R}^{h \times w \times 6} ์ด๋ฏธ์ง๋ฅผ ์ ๋ ฅ์ผ๋ก ์ฌ์ฉํ์ต๋๋ค. Video-based SSL (V-JEPA)์ ๊ฒฝ์ฐ [t, t-2, t-4, t-6] ์์ ์ 4 frame clip์ ์ฌ์ฉํ์ต๋๋ค. ์ ๋ ฅ ์ด๋ฏธ์ง๋ Vision Transformer (ViT) ์ฒ๋ฆฌ๋ฅผ ์ํด 224x224๋ก ์กฐ์ ๋์์ต๋๋ค.
- SSL ์๊ณ ๋ฆฌ์ฆ ์ ์ฉ: Computer vision ๋ถ์ผ์ ์ต์ SSL ์๊ณ ๋ฆฌ์ฆ๋ค์ tactile domain์ ๋ง๊ฒ ์์ ํ์ฌ Sparsh๋ฅผ ํ์ต์์ผฐ์ต๋๋ค. ๋ชจ๋ encoder backbone์ผ๋ก๋ ViT-B/14๋ฅผ ์ฌ์ฉํ์ต๋๋ค.
- Sparsh (MAE): Masked Autoencoder (MAE) [23] ๊ธฐ๋ฐ. ์ ๋ ฅ ์ด๋ฏธ์ง์ ์๋น ๋ถ๋ถ์ maskingํ๊ณ , ViT encoder๊ฐ contextual representation์ ํ์ตํ ํ lightweight decoder๊ฐ masked region์ raw pixel์ ์ฌ๊ตฌ์ฑํ๋๋ก ํ์ตํฉ๋๋ค. Loss๋ reconstruction L2 loss์ธ L_{MAE} = \|I_{target} - I_{recon}\|_2^2๋ฅผ ์ฌ์ฉํฉ๋๋ค.
- Sparsh (DINO/DINOv2): Self-distillation [48, 49] ๊ธฐ๋ฐ. Student network๊ฐ EMA (Exponential Moving Average) teacher network์ output prediction์ ๋ชจ๋ฐฉํ๋๋ก ํ์ตํฉ๋๋ค. ๋์ผํ ์ ๋ ฅ data sample์ ๋ํด ๋ค๋ฅธ augmentation์ ์ ์ฉํ ํ, ๊ฐ network์ feature representation์ MLP head๋ฅผ ํต๊ณผ์์ผ probability vector๋ฅผ ์ป๊ณ , ์ด๋ค ๊ฐ์ cross-entropy loss (L_{DINO} = - \sum p_t \log p_s)๋ฅผ ์ต์ํํฉ๋๋ค. Gradient๋ teacher network๋ก ์ญ์ ํ๋์ง ์์ต๋๋ค.
- Sparsh (IJEPA/V-JEPA): Joint-Embedding Predictive Architecture (JEPA) [50, 51] ๊ธฐ๋ฐ. Masking ๊ธฐ๋ฐ์ด์ง๋ง pixel space๊ฐ ์๋ latent representation space์์ ์์ธก์ ์ํํฉ๋๋ค. Context network (student)๋ masked input์์ ์ป์ contextual feature๋ฅผ predictor network๋ฅผ ํตํด target network (EMA teacher)์ latent feature๋ฅผ ์์ธกํฉ๋๋ค. Loss๋ feature space์์์ L2 loss L_{JEPA} = \sum_{i \in M} \sum_{j \in B_i} \|\hat{s}_{yj} - s_{yj}\|_2^2๋ฅผ ์ฌ์ฉํฉ๋๋ค. I-JEPA๋ spatial block masking, V-JEPA๋ temporal tube masking์ ์ฌ์ฉํฉ๋๋ค.
- TacBench ํ๊ฐ:
- TacBench๋ 6๊ฐ์ง task๋ก ๊ตฌ์ฑ๋ฉ๋๋ค.
- tactile properties (Force estimation, Force field visualization, Slip detection),
- physical perception (Pose estimation, Grasp stability, Textile recognition),
- manipulation planning (Bead maze)
- ํ๊ฐ ํ๋กํ ์ฝ์ SSL pre-training๋ Sparsh encoder์ ๊ฐ์ค์น๋ฅผ freezeํ๊ณ , ๊ฐ task์ labeled data (์ ์ฒด์ 33%-50%๋ง ์ฌ์ฉ)๋ฅผ ์ฌ์ฉํ์ฌ task-specific decoder (attentive probe ๋๋ dense prediction์ ์ํ DPT decoder)๋ฅผ ํ์ต์ํค๋ ๋ฐฉ์์ ๋๋ค. Random initialization๋ถํฐ encoder์ decoder๋ฅผ ๋ชจ๋ ํ์ตํ๋ End-to-End (E2E) baseline๊ณผ ์ฑ๋ฅ์ ๋น๊ตํฉ๋๋ค.
- TacBench๋ 6๊ฐ์ง task๋ก ๊ตฌ์ฑ๋ฉ๋๋ค.
์ฃผ์ ๊ฒฐ๊ณผ
TacBench ํ๊ฐ ๊ฒฐ๊ณผ, Sparsh pre-training์ task ๋ฐ sensor specific E2E training ๋๋น ํ๊ท 95.1% ๋ฐ์ด๋ ์ฑ๋ฅ์ ๋ณด์์ต๋๋ค. ํนํ labeled data๊ฐ ์ ํ์ ์ธ ํ๊ฒฝ์์ Sparsh์ ์ด์ ์ด ๋๋๋ฌ์ก์ต๋๋ค.
- Latent space์์ ํ์ต๋ Sparsh (DINO)์ Sparsh (IJEPA)๊ฐ ์ ๋ฐ์ ์ผ๋ก ๊ฐ์ฅ ์ฐ์ํ ์ฑ๋ฅ์ ๊ธฐ๋กํ๋ฉฐ, tactile image์ ๊ฒฝ์ฐ pixel space reconstruction (Sparsh (MAE))๋ณด๋ค latent space ํ์ต์ด ๋ ํจ๊ณผ์ ์์ ์์ฌํ์ต๋๋ค.
- Sparsh๋ DIGIT, GelSight 2017, GelSight Mini ๋ฑ ๋ค์ํ sensor์ task์ ๊ฑธ์ณ ์ผ๋ฐํ ์ฑ๋ฅ์ ๋ณด์์ต๋๋ค.
- Force estimation ([T1]): Sparsh (DINO)๊ฐ ์ ์ labeled data์์๋ ๊ฐ๊ฑดํ ์ฑ๋ฅ์ ๋ณด์์ผ๋ฉฐ, Sparsh (DINOv2)๊ฐ full dataset์์ ๊ฐ์ฅ ๋ฎ์ RMSE๋ฅผ ๋ฌ์ฑํ์ต๋๋ค. GelSight Mini์์๋ E2E ๋ชจ๋ธ์ ์ฑ๋ฅ์ด ๋ฎ์์ต๋๋ค.
- Slip detection ([T2]): Sparsh (VJEPA)๊ฐ temporal perspective๋ฅผ ํ์ฉํ์ฌ ๊ฐ์ฅ ๋์ F1 score๋ฅผ ๊ธฐ๋กํ์ต๋๋ค.
- Pose estimation ([T3]): labeled data๊ฐ ์ ์ ๋ Sparsh๊ฐ E2E ๋๋น ์ ์๋ฏธํ๊ฒ ๋์ ์ ํ๋๋ฅผ ์ ์งํ์ต๋๋ค.
- Grasp stability ([T4]) ๋ฐ Textile recognition ([T5]): Sparsh๊ฐ SOTA์ ๊ทผ์ ํ๊ฑฐ๋ ์ด๋ฅผ ๋ฅ๊ฐํ๋ ๋ถ๋ฅ ์ฑ๋ฅ์ ๋ณด์์ต๋๋ค. Sparsh (MAE)๋ Textile recognition์์ ํนํ ๊ฐ์ ์ ๋ณด์์ต๋๋ค. Sparsh๋ ์๋์ ๋ฐ์ดํฐ๋ง์ผ๋ก๋ cross-sensor transferability๋ฅผ ์ ์ฆํ์ต๋๋ค.
- Bead maze ([T6]): Sparsh representation์ ํ์ฉํ policy (Diffusion Policy ๊ธฐ๋ฐ)๊ฐ E2E policy ๋๋น ๋ฎ์ trajectory error๋ฅผ ๋ณด์๊ณ , ์ค์ ๋ก๋ด rollout์์๋ ๋ ๊ธด ๊ฑฐ๋ฆฌ๋ฅผ ์ด๋ํ์ต๋๋ค.
๋ณธ ์ฐ๊ตฌ๋ vision-based tactile sensor๋ฅผ ์ํ ์ผ๋ฐ ๋ชฉ์ ์ pre-trained representation ๊ตฌ์ถ ๊ฐ๋ฅ์ฑ์ ๋ณด์ฌ์ฃผ๋ฉฐ, tactile sensing ์ปค๋ฎค๋ํฐ์ ํฅํ ์ฐ๊ตฌ๋ฅผ ์ํ ํ์คํ๋ benchmark๋ฅผ ์ ๊ณตํฉ๋๋ค.
2 Detail Review
Sparsh: ์๊ธฐ ์ง๋ํ์ต์ ํ์ฉํ ๋น์ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์ฑ ๋ ผ๋ฌธ ๋ฆฌ๋ทฐ
์ต๊ทผ ๋ก๋ด ๊ณตํ์์ ์ด๊ฐ ์ผ์ฑ(touch sensing)์ ๋ฌผ์ฒด๋ฅผ ์กฐ์ํ๊ณ ํ๊ฒฝ๊ณผ ์ํธ์์ฉํ๋ ๋ฐ ํ์์ ์ธ ๋ชจ๋ฌ๋ฆฌํฐ๋ก ์ฃผ๋ชฉ๋ฐ๊ณ ์์ต๋๋ค. ํนํ ์นด๋ฉ๋ผ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์(vision-based tactile sensor)๋ค์ ์ ค ํจ๋(elastomer)์ ๋ณํ์ ์นด๋ฉ๋ผ๋ก ์ดฌ์ํ์ฌ ์ ์ด ์งํ๊ณผ ํ ์ ๋ณด๋ฅผ ์ป์ด๋ด๋ฉฐ, ์๊ฐ์ผ๋ก๋ ์ป๊ธฐ ์ด๋ ค์ด ๋ฏธ์ธํ ์ ์ด ์ ๋ณด๋ฅผ ์ ๊ณตํฉ๋๋ค. ๊ทธ๋ฌ๋ ์ง๊ธ๊น์ง ์ด๋ฌํ ์ด๊ฐ ์ผ์๋ฅผ ํ์ฉํ ๋ก๋ด ์์คํ ๋ค์ ์ผ์ ์ข ๋ฅ๋ ์ํ ์์ ์ ๋ฐ๋ผ ์ผ์ผ์ด ํ๋๋ ๋ง์ถคํ ๋ชจ๋ธ์ ์์กดํด ์์ต๋๋ค. ์๋ก์ด ์์ ์ ์ํํ๊ฑฐ๋ ์๋ก์ด ํํ์ ์ด๊ฐ ์ผ์๋ฅผ ์ฌ์ฉํ ๋๋ง๋ค ๋๋์ ๋ฐ์ดํฐ ์์ง๊ณผ ๋ ์ด๋ธ๋ง์ด ํ์ํ๋๋ฐ, ์ ์ด ํ์ด๋ ๋ฏธ๋๋ผ(slip) ๊ฐ์ ์ ์ด ํน์ฑ์ ๋ํ ์ ํํ ๋ ์ด๋ธ์ ๋๊ท๋ชจ๋ก ์ป๋ ๊ฒ์ ๋งค์ฐ ์ด๋ ค์ด ์ผ์ ๋๋ค.
Sparsh๋ ์ด๋ฌํ ๋ฌธ์ ๋ฅผ ํด๊ฒฐํ๊ธฐ ์ํด ์๊ธฐ ์ง๋ํ์ต(Self-Supervised Learning, SSL)์ ํ์ฉํ ๋ฒ์ฉ ์ด๊ฐ ํํ ํ์ต์ ์ ์ํ ์ต์ ์ฐ๊ตฌ์ ๋๋ค. ์ด ๋ ผ๋ฌธ์ ๋ค์ํ ๋น์ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์๋ค์ ๋ํด ์ฌ์ ํ์ต๋ ๊ณตํต ํํ์ ๋ง๋ค์ด, ์๋ก์ด ์์ ์ ๋ํ ๋ ์ด๋ธ ๋ถ์กฑ ๋ฌธ์ ๋ฅผ ๊ทน๋ณตํ๊ณ ์ ํฉ๋๋ค. ๋ํ TacBench๋ผ๋ ๋ฒค์น๋งํฌ๋ฅผ ๊ตฌ์ถํ์ฌ, ํ ๋ฒ ํ์ต๋ ์ด๊ฐ ํํ์ด ์ด๋ ์ ๋ ๋ฒ์ฉ์ ์ผ๋ก ์ฌ๋ฌ ๊ณผ์ ์ ํตํ ์ ์๋์ง ํ๊ฐํ ์ ์๋ ํ์ค ์คํ ํ๊ฒฝ์ ์ ๊ณตํฉ๋๋ค. ๋ณธ ๊ธ์์๋ ํด๋น ๋ ผ๋ฌธ์ ๋ชฉํ์ ๊ธฐ์ฌ, ๊ธฐ์ ์ ๋ฐฉ๋ฒ๋ก , ์คํ ๋ฐ ๊ฒฐ๊ณผ, ๊ธฐ์กด ์ฐ๊ตฌ์์ ๋น๊ต, ๊ทธ๋ฆฌ๊ณ ์ด ์ ๊ทผ๋ฒ์ ์ฅ์ ๊ณผ ํ๊ณ๋ฅผ ์ดํด๋ณด๊ณ ํฅํ ๋ฐ์ ๋ฐฉํฅ์ ๋ํด ๋ ผ์ํฉ๋๋ค.
๊ทธ๋ฆผ 1: Sparsh์ ๊ฐ์์ TacBench ๋ฒค์น๋งํฌ. ์ผ์ชฝ์๋ ๋ณธ ์ฐ๊ตฌ์์ ๋ค๋ฃจ๋ ๋ค์ํ ๋น์ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์๋ค(DIGIT, GelSight 2017 ๋ฑ)์ ์์๊ฐ, ์ค๋ฅธ์ชฝ์๋ ์ด๊ฐ ์ ๋ณด๋ฅผ ํ์ฉํ๋ ์ฌ์ฏ ๊ฐ์ง ๋ค์ด์คํธ๋ฆผ ๊ณผ์ (T1โT6)๊ฐ ๋ฌ์ฌ๋์ด ์๋ค. ๊ฐ์ด๋ฐ ๊ทธ๋ํ๋ ๊ฐ ๊ณผ์ ์์ Sparsh๋ก ์๊ธฐ ์ง๋ ์ฌ์ ํ์ต(SSL)ํ ๋ชจ๋ธ๊ณผ ์๋ํฌ์๋(E2E)๋ก ํด๋น ๊ณผ์ ๋ง ํ์ตํ ๋ชจ๋ธ์ ์ฑ๋ฅ์ ๋น๊ตํ ๊ฒฐ๊ณผ๋ก, ์ ํ๋ ์์ ๋ ์ด๋ธ๋ง์ผ๋ก(๋๋ถ๋ถ 33%, T6๋ 50%)๋ Sparsh ์ฌ์ ํ์ต ๋ชจ๋ธ์ด ์ ๋ฐ์ ์ผ๋ก ์ฐ์ํ ์ฑ๋ฅ์ ๋ณด์์ ๋ณด์ฌ์ค๋ค.
2.1 ์ฐ๊ตฌ ๋ชฉํ ๋ฐ ์ฃผ์ ๊ธฐ์ฌ
์ด ๋ ผ๋ฌธ์ ํต์ฌ ๋ชฉํ๋ ์ฌ๋ฌ ์ข ๋ฅ์ ์ด๊ฐ ์ผ์์ ๊ณตํต์ผ๋ก ์ ์ฉ ๊ฐ๋ฅํ ์ผ๋ฐ์ ์ธ ์ด๊ฐ ํํ์ ํ์ตํ๋ ๊ฒ์ ๋๋ค. ์ฆ, ํ ๋ฒ ๊ฑฐ๋ํ ์ด๊ฐ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ก ์ฌ์ ํ์ตํ ๋ฐฑ๋ณธ ์ ๊ฒฝ๋ง์ ๊ฐ์ถ๋ฉด, ๊ฐ๋ณ ์์ ๋ณ๋ก ์ผ์ผ์ด ์ผ์ ํน์ฑ์ ๋ง์ถ ๋ชจ๋ธ์ ์๋ก ์ค๊ณํ๊ฑฐ๋ ๋๋์ ๋ ์ด๋ธ์ ๋ชจ์ผ์ง ์์๋, ๋ค์ํ ๋ก๋ด ์กฐ์ ๊ณผ์ ์ ์ด๊ฐ ์ ๋ณด๋ฅผ ํ์ฉํ ์ ์๊ฒ ํ์๋ ๊ฒ์ ๋๋ค. ์ ์๋ค์ ์ด ๋ชฉํ๋ฅผ ๋ฌ์ฑํ๊ธฐ ์ํด ์๊ธฐ ์ง๋ํ์ต ๊ธฐ๋ฒ์ ์ด๊ฐ ๋ฐ์ดํฐ์ ์ ์ฉํ๊ณ , ํ์ต๋ ํํ์ ํจ๊ณผ๋ฅผ ์ฒด๊ณ์ ์ผ๋ก ๊ฒ์ฆํ ๋ฒค์น๋งํฌ๋ฅผ ๊ตฌ์ถํ์์ต๋๋ค.
๋ ผ๋ฌธ์์ ๋ฐํ ์ฃผ์ ๊ธฐ์ฌ๋ ๋ค์ ์ธ ๊ฐ์ง๋ก ์์ฝ๋ฉ๋๋ค:
๋ฒ์ฉ ์ด๊ฐ ํํ ๋ชจ๋ธ (Sparsh)์ ์ ์ํ์์ต๋๋ค. ๋ค์ํ ๋น์ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์ (์: DIGIT, GelSight ๋ฑ)๊ฐ ์์ฑํ๋ ์ด๋ฏธ์ง๋ฅผ ํ๋ฐ ๋ชจ์ 460,000์ฅ ์ด์์ ์ด๊ฐ ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ์ผ๋ก SSL ์ฌ์ ํ์ตํ ๊ณตํต ์ธ์ฝ๋๋ฅผ ๊ฐ๋ฐํ์์ต๋๋ค. ๋ณ๋์ ์์ ๋ณ ๋ ์ด๋ธ ์์ด ๋ง์คํน ๋ณต์๊ณผ ์๊ธฐ ์ฆ๋ฅ ๋ฑ์ ์๊ธฐ ์ง๋ ํ์ต ๊ธฐ๋ฒ์ผ๋ก ํ์ต๋ ์ด ๋ชจ๋ธ๋ค์ ์ฌ๋ฌ ์ผ์์ ๊ฑธ์ณ ์ฌ์ฉํ ์ ์๋ ์ผ๋ฐ์ ์ธ ์ด๊ฐ ํน์ง ํํ์ ์ ๊ณตํฉ๋๋ค.
TacBench ๋ฒค์น๋งํฌ๋ฅผ ๊ตฌ์ถํ์์ต๋๋ค. ์ด๋ ๋ค์ํ ์ผ์๋ก๋ถํฐ ์์ง๋ 6๊ฐ์ง ์ด๊ฐ ๊ด๋ จ ๊ณผ์ ์ ๋ํ ๋ฐ์ดํฐ์ ํ๊ฐ ํ๋กํ ์ฝ๋ก ๊ตฌ์ฑ๋ ๋ฒค์น๋งํฌ๋ก, ์ด๊ฐ ํํ์ ์ฑ๋ฅ์ ํ์คํ๋ ๋ฐฉ์์ผ๋ก ํ๊ฐํ ์ ์์ต๋๋ค. TacBench์ ๊ณผ์ ๋ค์ ์ ์ด ํ ์ถ์ , ๋ฏธ๋๋ผ ๊ฐ์ง ๋ฑ์ ์ด๊ฐ ๋ฌผ๋ฆฌ๋ ์ดํด ๊ณผ์ ๋ถํฐ ๋ฌผ์ฒด ์์น ์ถ์ , ๊ทธ๋ฆฝ ์์ ์ฑ ์์ธก, ์ฌ์ง ์ธ์ ๋ฑ์ ๋ฌผ์ฒด ์ธ์ง ๊ณผ์ , ๊ทธ๋ฆฌ๊ณ ๋น๋ ๋ฏธ๋ก ์กฐ์ ๊ฐ์ ๋ก๋ด ์กฐ์ ๊ณํ ๊ณผ์ ๊น์ง ํญ๋๊ฒ ํฌํจํ๊ณ ์์ต๋๋ค.
๋๊ท๋ชจ ์ด๊ฐ ๋ฐ์ดํฐ์ ์ ์์ง ๋ฐ ํตํฉ์ ์ํํ์์ต๋๋ค. ์ ์๋ค์ ๊ธฐ์กด์ ๊ณต๊ฐ๋ ์ฌ๋ฌ ์ด๊ฐ ์ผ์ ๋ฐ์ดํฐ์ (YCB-Slide, Touch-and-Go, ObjectFolder ๋ฑ)์ ๋ํด, ์์ฒด์ ์ผ๋ก Touch-Slide๋ผ๋ ์ ๋ฐ์ดํฐ์ ์ ์์งํ์ฌ ์ด 66๋ง์ฅ ์ด์์ ์ด๊ฐ ์ด๋ฏธ์ง ๋ฐ์ดํฐ๋ฅผ ํ๋ณดํ์ต๋๋ค. ์ด ์ค ์ฝ 46๋ง์ฅ(70%)์ ์ฌ์ ํ์ต์ ์ฌ์ฉํ๊ณ ๋๋จธ์ง๋ ๊ฒ์ฆ์ ์ฌ์ฉํ์์ผ๋ฉฐ, ๋ณ๋๋ก TacBench์ ๊ฐ ๊ณผ์ ์ ๋ง๋ ๋ ์ด๋ธ๋ ๋ฐ์ดํฐ์ ๋ ๊ตฌ์ถํ์ฌ ๊ณต๊ฐํ์์ต๋๋ค. ์ด๋ฌํ ๋ ธ๋ ฅ์ ์ด๊ฐ ํํ ํ์ต์ ์ํ ๋ฐ์ดํฐ ๊ท๋ชจ๋ฅผ ํ์ธต ๋์ด์ฌ๋ ค, ์ด์ ์ ์ด๋ค ์ฐ๊ตฌ๋ณด๋ค 1์๋ฆฌ์ ์ด์ ๋ง์ ์ด๋ฏธ์ง๋ก ๋ชจ๋ธ์ ํ๋ จํ ์ ์๊ฒ ํ์๋ค๋ ์์๋ฅผ ๊ฐ์ต๋๋ค.
์์ฝํ๋ฉด Sparsh ์ฐ๊ตฌ๋ (1) ๋ค์ํ ์ด๊ฐ ์ผ์์ ์ผ๋ฐํ๋๋ ๋๊ท๋ชจ ์ฌ์ ํ์ต ์ด๊ฐ ํํ ๋ชจ๋ธ์ ๋ง๋ค๊ณ , (2) ๊ทธ ์ฑ๋ฅ์ ํ๊ฐํ ์ ์๋ ํ์ค ๋ฒค์น๋งํฌ์ ๋ฐ์ดํฐ์ ์ ์ ์ํ์ผ๋ฉฐ, (3) ์ด๋ฅผ ํตํด ํ์ ๋ ๋ ์ด๋ธ ๋ฐ์ดํฐ๋ก๋ ๋์ ์ฑ๋ฅ์ ๋ฌ์ฑํ ์ ์์์ ๋ณด์ฌ์ค ๊ฒ์ ๋๋ค. ์ค์ ๋ก TacBench ์คํ ๊ฒฐ๊ณผ, ์ฌ์ ํ์ตํ Sparsh ๋ชจ๋ธ์ด ์์ ๋ณ๋ก ์ฒ์๋ถํฐ ๋๊น์ง ํ์ตํ ๋ชจ๋ธ๋ณด๋ค ํ๊ท 95.1% ๋์ ์ฑ๋ฅ์ ๋ณด์์ผ๋ฉฐ(๋ ์ด๋ธ ๋ฐ์ดํฐ 33~50% ์ฌ์ฉ ์), ํนํ ์ ์ฌ ๊ณต๊ฐ ํํ(latent representation)์ ํ์ตํ๋ Sparsh (DINO)์ Sparsh (IJEPA) ๋ณํ์ด ๊ฐ์ฅ ์ฐ์ํ๋ค๊ณ ํฉ๋๋ค. ์ด๋ ์ด๊ฐ ์ด๋ฏธ์ง์ ๋ฏธ๋ฌํ ๋ณํ์ ๋ ธ์ด์ฆ๋ฅผ ์ง์ ๋ณต์ํ๋ ํฝ์ ๊ณต๊ฐ ํ์ต๋ณด๋ค, ์ ์ฌ ํน์ง ๊ณต๊ฐ์์์ ์์ธก ํ์ต์ด ํจ๊ณผ์ ์์ ์์ฌํฉ๋๋ค.
2.2 ๋ฐฉ๋ฒ๋ก : ์๊ธฐ ์ง๋ํ์ต ๊ธฐ๋ฐ ์ด๊ฐ ํํ ํ์ต
Sparsh์ ํต์ฌ์ ์๊ธฐ ์ง๋ํ์ต(SSL)์ ํตํด ๋ ์ด๋ธ ์๋ ์ด๊ฐ ์ด๋ฏธ์ง ๋ฐ์ดํฐ์์ ์ ์ฉํ ํํ์ ํ์ตํ๋ ๊ฒ์ ๋๋ค. ์ด๋ฅผ ์ํด ์ ์๋ค์ ์ต์ ์ปดํจํฐ ๋น์ SSL ๊ธฐ๋ฒ๋ค์ ์ด๊ฐ ๋๋ฉ์ธ์ ๋ง๊ฒ ๋ณํํ์ฌ ํ์ฉํ์์ต๋๋ค. ์ ์ฒด ํ๋ ์์ํฌ๋ ํฌ๊ฒ ๋๊ท๋ชจ ์ด๊ฐ ์ด๋ฏธ์ง ์ฌ์ ํ์ต ๋จ๊ณ์ ๋ค์ด์คํธ๋ฆผ ๊ณผ์ ํ๊ฐ ๋จ๊ณ๋ก ๋๋ฉ๋๋ค. ์ฌ์ ํ์ต ๋จ๊ณ์์ ํ๋์ ๋น์ ํธ๋์คํฌ๋จธ(ViT) ์ธ์ฝ๋๊ฐ ์ฌ๋ฌ ์ผ์์ ์ด๊ฐ ์ด๋ฏธ์ง๋ฅผ ์ ๋ ฅ์ผ๋ก ๊ณตํต๋ ์ ์ฌ ํํ์ ํ์ตํ๊ณ , ์ดํ ๋ค์ด์คํธ๋ฆผ ๋จ๊ณ์์๋ ์ด ์ธ์ฝ๋๋ฅผ ๊ณ ์ (freeze)์ํจ ์ฑ ๊ฐ ๊ณผ์ ๋ณ๋ก ๊ฐ๋จํ ๋์ฝ๋๋ ํ๋ก๋ธ(probe)๋ฅผ ํ์ต์์ผ ํํ์ ํ์ง์ ํ๊ฐํฉ๋๋ค.
๊ทธ๋ฆผ 2: Sparsh ๋ชจ๋ธ์ ์๊ธฐ ์ง๋ํ์ต ๊ธฐ๋ฒ๋ค. (a) ์ด๋ฒ ์ฐ๊ตฌ์์ ํตํฉํ ๋๊ท๋ชจ ์ด๊ฐ ์ด๋ฏธ์ง ๋ฐ์ดํฐ์ ์ ๊ตฌ์ฑ: ์๋ก์ด Touch-Slide(์ธ๊ฐ์ด ์ฅ๋๊ฐ ๋ถํ์ ๋ฌธ์ง๋ฅด๋ ๋ฐ์ดํฐ)์ ๊ธฐ์กด YCB-Slide, Touch-and-Go, ObjectFolder ๋ฐ์ดํฐ์ ๋ฑ์ผ๋ก ์ด ์ฝ 66๋ง ์ฅ์ ์ด๊ฐ ์ด๋ฏธ์ง๊ฐ ์ฌ์ฉ๋์๋ค. ์ด ์ค 70%์ ํด๋นํ๋ ์ฝ 46๋ง ์ฅ์ ์๊ธฐ ์ง๋ ์ฌ์ ํ์ต์ ํ์ฉํ์๋ค. (b) Sparsh (MAE) โ ๋ง์คํน ์๋์ธ์ฝ๋(Masked Autoencoder) ๋ฐฉ์: ์ ๋ ฅ ์ด๋ฏธ์ง์ ์๋น ๋ถ๋ถ(์: 75%)์ ๋ฌด์์๋ก ๊ฐ๋ฆฐ ํ, ๋จ์ ์ผ๋ถ๋ถ๋ง์ ๋ณด๊ณ ์ ์ฒด ์ด๋ฏธ์ง๋ฅผ ๋ณต์ํ๋๋ก ์ธ์ฝ๋-๋์ฝ๋๋ฅผ ํ์ต์ํจ๋ค. ์ธ์ฝ๋๋ ViT ๊ธฐ๋ฐ์ด๋ฉฐ, ๋ง์คํฌ๋ ์์ญ ๋ณต์์ ๊ฐ๋จํ ๋์ฝ๋๋ฅผ ํตํด ์ํ๋๊ณ L2 ํฝ์ ์์ค๋ก ํ์ต๋๋ค. (c) Sparsh (DINO) โ ์๊ธฐ ์ฆ๋ฅ(self-distillation) ๋ฐฉ์: ๋์ผํ ๊ตฌ์กฐ์ ํ์ ๋คํธ์ํฌ์ EMA๋ก ์ ๋ฐ์ดํธ๋๋ ๊ต์ฌ ๋คํธ์ํฌ ๋ ๊ฐ๋ฅผ ๋๊ณ , ํ๋์ ์ด๊ฐ ์ด๋ฏธ์ง์ ์๋ก ๋ค๋ฅธ ๋ณํ(crop ๋ฑ)์ ๊ฐํ ๋ ์ ๋ ฅ์ ํตํด ๊ฐ๊ฐ ํน์ง์ ์ถ์ถํ๋ค. ๊ฐ ํน์ง์ ๋ณ๋์ MLP ํค๋์ ํต๊ณผ์์ผ ์์์ ๋ฒ์ฃผ ๋ถํฌ(ํด๋ฌ์คํฐ ํ๋ฅ )๋ฅผ ์์ธกํ๊ณ , ๊ต์ฌ ์ถ๋ ฅ์ ํ์ ์ถ๋ ฅ์ด ๋ง์ถฐ์ง๋๋ก ํฌ๋ก์ค์ํธ๋กํผ ์์ค๋ก ํ์ตํ๋ค. ์ด๋ ๊ฒ ํ๋ฉด ๋ ์ด๋ธ ์์ด๋ ํ์ ๋คํธ์ํฌ๊ฐ ๊ต์ฌ์ ๊ตฐ์งํ๋ ํํ์ ๋ชจ๋ฐฉํ๋ฉฐ ์๋ฏธ ์๋ ์ ์ฌ ํํ์ ์ป๊ฒ ๋๋ค. (d) Sparsh (I-JEPA) โ Joint Embedding Predictive Architecture ๋ฐฉ์: ํ์(์ปจํ ์คํธ ๋คํธ์ํฌ)๊ณผ ๊ต์ฌ(ํ๊ฒ ๋คํธ์ํฌ)๋ก ๊ตฌ์ฑ๋๋ฉฐ, ๊ต์ฌ ๋คํธ์ํฌ๋ EMA๋ก ๊ฐฑ์ ๋๋ค. ํ์ ๋คํธ์ํฌ๋ ์ด๋ฏธ์ง์ ์ผ๋ถ ์์ญ๋ง ๊ด์ฐฐํ์ฌ ํน์ง์ ๋ง๋ค๊ณ ์์ ์์ธก๊ธฐ(predictor)๋ฅผ ํตํด ๊ต์ฌ ๋คํธ์ํฌ์ ํน์ง์ ๋ง์ถฐ๋ณด๋ ์์ ์ ํ๋ค. ๊ตฌ์ฒด์ ์ผ๋ก, ํ์์ ์ด๋ฏธ์ง์ ์๋น ๋ถ๋ถ์ ๋ง์คํนํ ๊ธ๋ก๋ฒ ์์ผ๋ฅผ ๊ฐ์ง๊ณ , ๊ต์ฌ๋ ์ด๋ฏธ์ง์ ๊ตญ์ ํจ์น๋ค๋ง์ ๋ณธ๋ค. ํ์์ ์ปจํ ์คํธ ํน์ง์ ํตํด ๊ต์ฌ์ ์ง์ญ ํน์ง์ ์์ธกํ๋๋ก L1 ์์ค๋ก ํ์ตํจ์ผ๋ก์จ, ๋ถ๋ถ ๊ด์ฐฐ์ ๊ธฐ๋ฐ์ผ๋ก ์ ์ฒด ์ ๋ณด๋ฅผ ์ถ๋ก ํ๋ ๋ฅ๋ ฅ์ด ํฅ์๋๋ค. Sparsh์๋ ์ ์ ์ธ ์ด๋ฏธ์ง์ ์ ์ฉํ I-JEPA๋ฟ ์๋๋ผ, ์ฐ์์ ์ธ ๋น๋์ค ํ๋ ์์ ์ ์ฉํ V-JEPA๋ ํฌํจ๋์ด ์๋ค.
์ฌ์ ํ์ต์ ์ฌ์ฉ๋ ๋ชจ๋ธ ์ํคํ ์ฒ๋ ๊ธฐ๋ณธ์ ์ผ๋ก ViT-Base (ํจ์น ํฌ๊ธฐ 14) ๊ตฌ์ฑ์ ๋๋ค. ์ ๋ ฅ์ผ๋ก ๋ค์ด์ค๋ ์ด๊ฐ ์ด๋ฏธ์ง๋ ๋ฐฐ๊ฒฝ ์ฐจ๊ฐ(background subtraction)์ ๊ฑฐ์น๋๋ฐ, ์ด๋ ๊ฐ ์ผ์์์ ์ ์ด์ด ์์ ๋์ ๊ธฐ๋ณธ ์์์ ๋นผ์ค์ผ๋ก์จ ์กฐ๋ช ์ด๋ ๋ง์ปค ํจํด ์ฐจ์ด ๋ฑ ์ผ์๋ณ ์ก์์ ์ค์ด๊ธฐ ์ํจ์ ๋๋ค. ์ด๋ ๊ฒ ํ๋ฉด ๊ฐ์ ์ข ๋ฅ์ ์ผ์ ๋ด์์๋ ์กฐ๊ธ ๋ค๋ฅธ ์ ์กฐ ๊ณต์ ์ผ๋ก ์ธํ ๋ฐฐ๊ฒฝ ์ฐจ์ด๋ ๋ณด์ ๋์ด, ๋ชจ๋ธ์ด ์ง์ง ์ ์ด์ ์ํ ๋ณํ์ ์ง์คํ ์ ์๊ฒ ๋ฉ๋๋ค. ๋ํ ์ด๊ฐ ์ผ์ฑ์ ์๊ฐ์ ์ธ ๋งฅ๋ฝ์ด ์ค์ํ ๊ฒฝ์ฐ๊ฐ ๋ง๊ธฐ ๋๋ฌธ์, ์ ์๋ค์ ์๊ณ์ด ์ ๋ณด๋ฅผ ์ ๋ ฅ์ ๋ฐ์ํ์์ต๋๋ค. ๊ตฌ์ฒด์ ์ผ๋ก, ์ ์ ์ธ ์ด๋ฏธ์ง ๊ธฐ๋ฐ SSL ๊ธฐ๋ฒ๋ค(MAE, DINO ๋ฑ)์๋ ํ ์ผ์ ํ๋ ์์์ ์ฝ 80ms ๊ฐ๊ฒฉ์ผ๋ก ๋จ์ด์ง ๋ ์ฅ์ ์ด๋ฏธ์ง๋ฅผ ์ฑ๋ ์ฐจ์์ผ๋ก ๋ถ์ฌ์ ํ ์ ๋ ฅ์ผ๋ก ์ฌ์ฉํ์์ต๋๋ค. ๋ณดํต ์ด๊ฐ ์ผ์๊ฐ 60 FPS๋ก ๋์ํจ์ ๊ฐ์ํ์ฌ 5ํ๋ ์ ์ฐจ์ด๋ฅผ ๋ ๊ฒ์ผ๋ก, ์ด๋ ์ธ๊ฐ์ด ๋ฏธ๋๋ฌ์ง์ ๊ฐ์งํ๊ณ ํ์ ์กฐ์ ํ๋ ๋ฐ์ ์๊ฐ๊ณผ ๋น์ทํ ์์ค์ ๋๋ค. ํํธ ๋น๋์ค ๊ธฐ๋ฐ SSL ๊ธฐ๋ฒ(V-JEPA)์๋ 4ํ๋ ์ ๊ธธ์ด์ ์งง์ ํด๋ฆฝ(๋์์ ์กฐ๊ฐ)์ ์ ๋ ฅ์ผ๋ก ์ฌ์ฉํ์ฌ ์๊ฐ์ ๋ฐ๋ฅธ ๋ณํ๊น์ง ํ์ตํ๋๋ก ํ์์ต๋๋ค. ์ด๋ ๊ฒ ๋ ์ฅ ๋๋ ์ฌ๋ฌ ์ฅ์ ์ฐ์ ์ด๋ฏธ์ง๋ฅผ ํ์ฉํจ์ผ๋ก์จ, ์ด๊ฐ ๋ณํ์ ๋์ ํจํด(์: ๋ฏธ๋๋ฌ์ง๊ธฐ ์ ์ ๋ฏธ์ธํ ์์ง์)์ ํฌ์ฐฉํ ์ ์๋๋ก ํ ๊ฒ์ด ํน์ง์ ๋๋ค.
SSL ํ์ต์ ๋ฌด์์ ์์ธกํ๋๋์ ๋ฐ๋ผ ํฝ์ ๊ณต๊ฐ ๋๋ ์ ์ฌ ๊ณต๊ฐ์์ ์ด๋ฃจ์ด์ง๋๋ฐ, ์์ ์ธ๊ธํ๋ฏ์ด ์ ์๋ค์ ์ ์ฌ ๊ณต๊ฐ์์์ ํ์ต์ด ๋ ํจ์จ์ ์ผ ๊ฒ์ผ๋ก ๊ฐ์ค์ ์ธ์ ์ต๋๋ค. ์ด๊ฐ ์ด๋ฏธ์ง๋ ์ผ์์ ๊ตญ์์ ์ ์ด๋ง ๋ด๊ณ ์์ด ํ ์ฅ๋ฉด๋ง์ผ๋ก๋ ๋ชจํธ์ฑ์ด ์กด์ฌํ ์ ์๊ณ , ์ดฌ์ ์กฐ๊ฑด์ ๋ฐ๋ผ ๋ง์ปค๋ ์กฐ๋ช ๋ณํ ๊ฐ์ ๋ฐฉํด ์์๋ ํฝ๋๋ค. ๋ฐ๋ผ์ ๋ชจ๋ ์์ ๋ํ ์ผ๊น์ง ๋ณต์ํ๋ ค๋ ํฝ์ ์ฌ๊ตฌ์ฑ๋ณด๋ค๋, ๋ ์ถ์ํ๋ ํน์ง์ ์ง์คํ๋ ๋ฐฉ๋ฒ(์: DINO, JEPA)์ด ์ด๋ฐ ๋ถํ์ค์ฑ๊ณผ ์ก์์ ๋ฌด์ํ๊ณ ์ ์ฉํ ํจํด์ ํ์ตํ๋ ๋ฐ ์ ๋ฆฌํ ๊ฒ์ด๋ผ ๋ณธ ๊ฒ์ ๋๋ค. ์ค์ ์คํ์์๋ ๋์ค์ ๋ณด๊ฒ ์ง๋ง, DINO๋ I-JEPA์ฒ๋ผ ์ ์ฌ ํํ ํ์ต์ ํ ๋ชจ๋ธ์ด MAE๊ฐ์ด ํฝ์ ๋ณต์์ ํ ๋ชจ๋ธ๋ณด๋ค ์ ๋ฐ์ ์ผ๋ก ์ฐ์ํ ๋ค์ด์คํธ๋ฆผ ์ฑ๋ฅ์ ๋ณด์์ต๋๋ค.
Sparsh ์ฌ์ ํ์ต์ 150 ์ํฌํฌ ๋์ ์งํ๋์์ผ๋ฉฐ, AdamW ์ตํฐ๋ง์ด์ ์ ์ฝ์ฌ์ธ ํ์ต๋ฅ ์ค์ผ์ค ๋ฑ์ด ์ฌ์ฉ๋์์ต๋๋ค. ๋ชจ๋ ๋ชจ๋ธ์ ํ์ต ์ [CLS] ํ ํฐ์ ์ฌ์ฉํ์ง ์๊ณ , ํจ์น ์๋ฒ ๋ฉ๋ค์ ํ๋ง์ด๋ ๋ณ๋ ํค๋๋ฅผ ํตํด ํ์ต๋์์ต๋๋ค. ํนํ DINO์ ๊ฒฝ์ฐ [CLS] ํ ํฐ ๋์ ViT์ ํน์ ๋ ์ง์คํฐ๋ฅผ ํ์ฉํ์ฌ ํด๋ฌ์คํฐ ํ๋ฅ ์ถ๋ ฅ์ ์ป๋ ๋ฑ, ์ฝ๊ฐ์ ๊ตฌ์กฐ ๋ณํ์ด ์์์ต๋๋ค. ํ์ดํผํ๋ผ๋ฏธํฐ๋ก๋ DINO์ JEPA ๋ฐฉ์์์ EMA ๋ชจ๋ฉํ ๊ณ์(์: DINO 0.998, IJEPA 0.996)์ ํ์ต๋ฅ ๋ฑ์ด ์กฐ์ ๋์๊ณ , ๋ฐฐ์น ํฌ๊ธฐ๋ MAE 100, ๋๋จธ์ง 150์ผ๋ก ์ธํ ๋์์ต๋๋ค. ์ต์ข ์ ์ผ๋ก ํ์ต๋ Sparsh ์ธ์ฝ๋๋ ์ฝ 0.86์ต ๊ฐ ํ๋ผ๋ฏธํฐ(ViT-Base ์์ค)์ด๋ฉฐ, GPU ๊ธฐ์ค์ผ๋ก 100 FPS ์ด์์ ์ถ๋ก ์๋๋ฅผ ๋ณด์ฌ ์ค์๊ฐ ํ์ฉ์๋ ๋ฌด๋ฆฌ๊ฐ ์์์ ํ์ธํ์์ต๋๋ค (์: Sparsh (DINO) ~112FPS).
2.3 ์คํ: TacBench ๋ฒค์น๋งํฌ ํ๊ฐ
Sparsh์ ํจ๊ณผ๋ฅผ ๊ฒ์ฆํ๊ธฐ ์ํด ์ ์๋ค์ TacBench๋ผ ๋ถ๋ฆฌ๋ ๋ฒค์น๋งํฌ๋ฅผ ๊ตฌ์ถํ์ฌ ์ผ๋ จ์ ๋ค์ด์คํธ๋ฆผ ๊ณผ์ ์คํ์ ์ํํ์ต๋๋ค. TacBench์๋ ์์ ์๊ฐํ ๋๋ก 6๊ฐ์ ๋ํ์ ์ธ ์ด๊ฐ ๊ณผ์ (T1โT6)๊ฐ ํฌํจ๋์ด ์์ต๋๋ค. ๊ฐ ๊ณผ์ ๋ ์๋ก ๋ค๋ฅธ ์ผ์์ ๋ฐ์ดํฐ์ ์ผ๋ก ๊ตฌ์ฑ๋๋ฉฐ, ๊ตฌ์ฒด์ ์ธ ๋ด์ฉ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค:
[T1] ํ ์ถ์ (Force Estimation): ์ด๊ฐ ์ผ์์ ์ ค์ ๊ฐํด์ง๋ 3์ถ ํ(์์ง+๋ ์ถ์ ์ ๋จ๋ ฅ)์ ์ถ์ ํ๋ ํ๊ท ๋ฌธ์ ์ ๋๋ค. ์ ์๋ค์ด ๊ตฌ์ถํ Shear Load ๋ฐ์ดํฐ์ ์ ์ฌ์ฉํ๋ฉฐ, ๋ก๋ด ํ์ ์ฅ์ฐฉ๋ ์ด๊ฐ ์ผ์(DIGIT ๋๋ GelSight Mini)๋ก ๋ฐ๊ตฌํ, ๋พฐ์กฑํ, ํํํ ๋ชจ์์ ์ธ๋ดํฐ(indenter)๋ฅผ ๋๋ฌ๊ฐ๋ฉฐ ๋์์ ํ ์ผ์ ๊ฐ๊ณผ ์ด๊ฐ ์์์ ๊ธฐ๋กํ์์ต๋๋ค. DIGIT์ 60fps, GelSight Mini๋ 25fps๋ก ์ดฌ์๋์ด ์ด ๊ฐ 7.5๋ง ์ํ์ ์ ๋ ฌ๋ ์์-ํ ๋ฐ์ดํฐ๊ฐ ์ป์ด์ก์ต๋๋ค. ํ๊ฐ ์งํ๋ 3์ถ ํ์ RMSE(ํ๊ท ์ ๊ณฑ๊ทผ ์ค์ฐจ)์ด๋ฉฐ, ํ์ต ์ ์ค์ ํ๊ฐ์ ์ ๊ทํํ์ฌ L1 ์์ค๋ก ์์ธกํ๋๋ก ๋์ฝ๋(์์ MLP)๋ฅผ ํ์ต์์ผฐ์ต๋๋ค.
[T1A] ํ์ฅ ์๊ฐํ (Force Field Visualization): T1์ ๋ถ๊ฐ ์คํ์ผ๋ก, ์ด๊ฐ ์ด๋ฏธ์ง๋ก๋ถํฐ ์ ค ํ๋ฉด ์ ์ฒด์ ์ ์ด ํ ๋ถํฌ (์ ๊ท๋ ฅ ๋ถํฌ ๋ฐ ์ ๋จ๋ ฅ ๋ฒกํฐ์ฅ)๋ฅผ ์ถ์ ํ๋ ๊ณผ์ ์ ๋๋ค. ๋ง์ปค๊ฐ ์๋ ์ผ์์ ๊ฒฝ์ฐ ๋ง์ปค ์์ง์ ์ถ์ ์ผ๋ก ์ ๋จ ๋ณํ์ฅ์ ์ป๋ ๊ฒ์ด ๊ฐ๋ฅํ์ง๋ง, ๋ง์ปค๊ฐ ์๋ ์ผ์์์๋ ์ ์ฒด ์ฅ(field)์ ground truth๋ฅผ ์ป๊ธฐ ์ด๋ ค์ ์ด ์์ ์ด ์ ์ํ๋์ด์ค์ง ์์์ต๋๋ค. ์ ์๋ค์ Sparsh ํํ์ ์ด์ฉํด ๋ง์ปค ์๋ ์ผ์์ ํ์ฅ๋ ์ถ์ ์ด qualitatively ๊ฐ๋ฅํจ์ ๋ณด์๋๋ฐ, ์ ๊ท๋ ฅ์ฅ์ ๊น์ด์ง๋(depth map)๋ก, ์ ๋จ๋ ฅ์ฅ์ ์ตํฑ ํ๋ก์ฐ ๋ฌธ์ ๋ก ํ๋ ์ ๊ฐ ๋ณ์๋ฅผ ์์ธกํ๋๋ก ์ค์ ํ์ฌ ๊ฐ๋ ์์ด ๋์ฝ๋(CNN+DPT ๊ตฌ์กฐ)๋ฅผ ํ์ต์์ผฐ์ต๋๋ค. ๊ทธ ๊ฒฐ๊ณผ Sparsh (DINO) ๋ชจ๋ธ์ ํ์ฉํ๋ฉด, ์ ์ด ํจ์น์ ์์ง์ ๋ฐฉํฅ, ์๋ฅผ ๋ค์ด ๋ฏธ๋๋ผ ๋ฐฉํฅ์ด๋ ๋นํ๋ฆผ(torsion), ์ ์ด ์์ ํผ์ ธ๋๊ฐ๋ ํํ ๋ฑ์ ์ ์๋ฏธํ๊ฒ ๋ณด์ฌ์ฃผ๋ ์ ๋จ๋ ฅ ๋ฒกํฐ์ฅ์ ๊ทธ๋ ค๋ผ ์ ์์์ต๋๋ค. ์ด๋ ๊ทธ๋ฆผ 4 (vi)์ ์๊ฐํ ์์๊ฐ ์ ์๋์ด ์์ต๋๋ค.
[T2] ๋ฏธ๋๋ผ ๊ฐ์ง (Slip Detection): ๋ฌผ์ฒด๊ฐ ์๊ฐ๋ฝ์์ ๋ฏธ๋๋ฌ์ง๋์ง ์ฌ๋ถ๋ฅผ ์ด์ง ๋ถ๋ฅํ๋ ๊ณผ์ ์ ๋๋ค. ์คํ์ ์ํด T1๊ณผ ๋์ผํ ์ฅ๋น๋ก ๋ฐ๊ตฌํ ์ธ๋ดํฐ๋ฅผ ์ฌ์ฉํ๋, ์ผ๋ถ ๊ตฌ๊ฐ์์๋ ์ผ์ ํ๋ฉด์ด ๋ฏธ๋๋ฌ์ง๋๋ก ํ์ ๋ฐฉํฅ์ ์กฐ์ ํ์ฌ stick-slip ๋์์ ๋ง๋ค์ด๋์ต๋๋ค. ๋ง์ฐฐ ์๋ฟ ๋ชจ๋ธ์ ๋ฐ๋ผ, ์ ์ ๋ง์ฐฐ ํ๊ณ๋ฅผ ๋์ ๊ฒฝ์ฐ๋ฅผ ๋ฏธ๋๋ผ ๋ฐ์์ผ๋ก ๋ ์ด๋ธ๋ง ํ์๊ณ (์ ์ ๋ง์ฐฐ๊ณ์๋ ์คํ์ ์ผ๋ก ์ถ์ ), ์ด 12.5๋ง ์ํ ์ค ์ฝ 13%๊ฐ ๋ฏธ๋๋ผ์ผ๋ก ๋ ์ด๋ธ๋์์ต๋๋ค. ๋ฐ์ดํฐ ๋ถ๊ท ํ์ด ์๊ธฐ ๋๋ฌธ์ ํ๊ฐ์๋ F1-score๋ฅผ ์ฃผ๋ก ์ฌ์ฉํ์ต๋๋ค. ํ์ต ์์๋ ๋ฏธ๋๋ผ ์ ๋ฌด ๋ถ๋ฅ MLP์ ํ ๋ณํ๋(regression) MLP๋ฅผ ๋ฉํฐํ์คํฌ๋ก ๋์์ ํ์ต์์ผฐ๋๋ฐ, ํ ๋ณํ (ํนํ ์ ๋จ๋ ฅ์ ๋ณํ)๊ฐ ๋ฏธ๋๋ผ๊ณผ ๋ฐ์ ํ ๊ด๋ จ์ด ์์ด ๋ ๊ฐ์ ํจ๊ป ์์ธกํ๋ฉด ์ฑ๋ฅ์ด ์ข์์ง์ ๊ด์ฐฐํ๊ธฐ ๋๋ฌธ์ ๋๋ค.
[T3] ๋ฌผ์ฒด ์์ธ ์ถ์ (Pose Estimation): ์ด๊ฐ ์ด๋ฏธ์ง๋ฅผ ํตํด ์ผ์์ ์ ์ดํ ๋ฌผ์ฒด์ ์๋ ์์ธ(SE(2) ๋ณํ) ๋ณํ๋ฅผ ์ถ์ ํ๋ ๊ณผ์ ์ ๋๋ค. ์ด๋ ์๊ฐ๋ฝ๊ณผ ๋ฌผ์ฒด ์ฌ์ด์ ๋ฏธ๋๋ฌ์ง ์ ๋(ํ๋ฉด ์ด๋ ๋ฐ ํ์ )๋ฅผ ์ถ์ ํ๋ ๊ฒ์ผ๋ก ๋ณผ ์ ์์ต๋๋ค. ๋ฐ์ดํฐ์ ์ DIGIT ์ผ์๋ก ์ฌ๋์ด ๋ฌผ์ฒด(์: YCB ๋ฌผ์ฒด)๋ฅผ ์ด์ง ๋ฏธ๋๋ฌ๋จ๋ฆฌ๋ ์ฅ๋ฉด์ ์ดฌ์ํ๊ณ , ๋๊ธฐํ๋ ๋ชจ์ ์บก์ฒ ์์คํ ์ผ๋ก ๋ฌผ์ฒด์ ์ค์ ์์ธ ๋ณํ๋ฅผ ๊ธฐ๋กํ์ฌ ๋ง๋ค์์ต๋๋ค. ์ด 4.9๋ง ์์ (์ด์ ์ด๋ฏธ์ง, ํ์ฌ ์ด๋ฏธ์ง)์ ๊ทธ ์ฌ์ด์ ๋ฌผ์ฒด ๋ณํ ๋ ์ด๋ธ์ด ์์ผ๋ฉฐ, ํ์ต ์ ๋ถ๋ฅ๋ฅผ ํตํ ํ๊ท(regression-by-classification) ๋ฐฉ์์ ์ฑํํ์ต๋๋ค. ์ฆ, ํ๋ฉด ์์ x, y ์ด๋ ๋ฐ ํ์ ๋ณํ๋ฅผ ์ฐ์๊ฐ ๋์ ์ฌ๋ฌ ๊ตฌ๊ฐ์ผ๋ก ์์ํ(binning)ํ์ฌ ๋ค์ค ํด๋์ค ๋ถ๋ฅ ๋ฌธ์ ๋ก ๋ณํํ ๊ฒ์ ๋๋ค. ์ด๋์ ์๋ฐฑ ฮผm ์ ๋์ ํด์๋๋ก, ํ์ ์ ์ ๋(degree) ๋จ์๋ก ๊ตฌ๊ฐํํ์ฌ, ๊ฐ ์์ ๋์ ๋ํด ๋ณ๋์ Softmax ์ถ๋ ฅ์ ๋ด๋๋ก ํ์์ต๋๋ค. ํ๊ฐ ์งํ๋ก๋ ๋ถ๋ฅ ์ ํ๋(์ ๋ต ๊ตฌ๊ฐ ๋ง์ถ ๋น์จ)๋ฅผ ์ฌ์ฉํ์ต๋๋ค.
[T4] ๊ทธ๋ฆฝ ์์ ์ฑ ์์ธก (Grasp Stability): ๋ก๋ด ์๊ฐ๋ฝ์ผ๋ก ๋ฌผ์ฒด๋ฅผ ์ก์์ ๋ ์ฑ๊ณต์ ์ผ๋ก ๋ค์๋์ง(์์ ์ ์ผ๋ก ํ์ง๋์๋์ง) ์ฌ๋ถ๋ฅผ ๋ง์ถ๋ ์ด์ง ๋ถ๋ฅ ๊ณผ์ ์ ๋๋ค. ์ด๋ ์ด๊ฐ ์ฐ๊ตฌ์์ ์ค๋ซ๋์ ๋ค๋ค์ง ์ฃผ์ ์ธ๋ฐ, ๋ณธ ๋ ผ๋ฌธ์์๋ ๊ธฐ์กด Feeling of Success ๋ฐ์ดํฐ์ ์ ํ์ฉํ์ต๋๋ค. ์ด ๋ฐ์ดํฐ์ ์ ๋ณ ๋ฐ๊ธฐ์ฉ ๋ก๋ด ์๊ฐ๋ฝ์ GelSight ์ผ์๋ฅผ ๋ถ์ฐฉํ์ฌ 100์ฌ ๊ฐ ๋ฌผ์ฒด๋ฅผ ์ก์ ํ ์ฑ๊ณต/์คํจ๋ฅผ ๊ธฐ๋กํ ๊ฒ์ผ๋ก, ํ๋์ ์๋๋ง๋ค ์ก๊ธฐ ์ , ์ก๋ ์ค, ์ก์ ํ์ ์ธ ์ฅ์ ์ด๊ฐ ์ด๋ฏธ์ง๊ฐ ์ ๊ณต๋ฉ๋๋ค. ์ด ์ฝ 9300ํ ์๋ ์ค ์ฑ๊ณต๊ณผ ์คํจ ์ฌ๋ก๊ฐ ๋ชจ๋ ํฌํจ๋์ด ์์ต๋๋ค. ๋ณธ ์ฐ๊ตฌ์์๋ ํ ์๊ฐ๋ฝ์ ์ด๊ฐ ์ ๋ณด๋ง ์ฌ์ฉํ๋ฏ๋ก, ์ธ ๊ฐ ์ด๋ฏธ์ง ์ค ์ก๊ธฐ ์ ๊ณผ ์ก๋ ์ค ๋ ์ด๋ฏธ์ง๋ฅผ ํ์คํ ๋ฆฌ๋ก ์ ๋ ฅ์ผ๋ก ์ฃผ์๊ณ , ๋ ์ด๋ธ์ ๊ทธ๋ฆฝ ์ฑ๊ณต ์ฌ๋ถ(์/์๋์ค)์ ๋๋ค. ๋ฐ์ดํฐ์ ์ ๊ณต์ ๋ถํ ์ด ์์ด์ ์์๋ก 8000์ฌ ๊ฐ ์๋๋ฅผ ํ์ต์, 1300์ฌ ๊ฐ๋ฅผ ํ ์คํธ์ ์ฌ์ฉํ์์ต๋๋ค. ์ฑ๋ฅ ์งํ๋ ๋ถ๋ฅ ์ ํ๋์ ๋๋ค.
[T5] ์ง๋ฌผ ์ฌ์ง ์ธ์ (Textile Recognition): ์ด๊ฐ๋ง์ผ๋ก ๋ค์ํ ์ง๋ฌผ์ ์ฌ์ง์ ๋ถ๋ฅํ๋ ๊ณผ์ ์ ๋๋ค. ๊ธฐ์กด ์ฐ๊ตฌ์์ ์ ์ํ Clothing Dataset์ ์ฌ์ฉํ์๋๋ฐ, ์ด๋ GelSight 2017 ์ผ์(๋ง์ปค ํจํด ์์)๋ก ๊ฐ์ฃฝ, ๋ฉด, ํด๋ฆฌ์์คํฐ ๋ฑ 20๊ฐ์ง ์ง๋ฌผ์ ์ก์์ ๋์ ์ด๊ฐ ์์์ด ๋ด๊ธด ์งง์ ๋น๋์ค ํด๋ฆฝ 4467๊ฐ๋ก ์ด๋ฃจ์ด์ ธ ์์ต๋๋ค. ๊ฐ ํด๋ฆฝ์ 10~25ํ๋ ์ ๊ธธ์ด์ด๋ฉฐ, ๋ก๋ด์ด ์ท๊ฐ์ ์ด์ง ์ฅ์๋ค ๋๋ ๋์ ๋ฑ์ ํฌํจํฉ๋๋ค. ์ฐ๋ฆฌ๋ ์ ๊ณต๋ ๋ฉํ๋ฐ์ดํฐ์ ํ์ต/์ํ ๋ถํ ์ ๋ฐ๋์ต๋๋ค. ์ด ๋ฌธ์ ๋ 20-class ๋ถ๋ฅ์ด๋ฉฐ ํ๊ฐ ์งํ๋ ์ ํ๋์ ๋๋ค.
[T6] ๋น๋ ๋ฏธ๋ก (Bead Maze) ์กฐ์: ์ฅ๋๊ฐ์ธ ๋น๋ ๋ฏธ๋ก(๊ณ ๋ฆฌ ๋ชจ์์ ๊ตฌ์ฌ์ ๋ง๋ ๊ธฐ๋ฅ์ ๋ฐ๋ผ ์์ง์ด๋ ํผ์ฆ)๋ฅผ ๋ก๋ด์ด ์ด๊ฐ ํผ๋๋ฐฑ์ผ๋ก ํ๋๋ก ํ๋ ๊ฐํ ํ์ต์ ๊ณผ์ ์ ๋๋ค. ํ์ชฝ ๋์ ๊ตฌ์ฌ์ด ๊ฑธ๋ ค ์๋ ๊ตฌ๋ถ๊ตฌ๋ถํ ๋ง๋ ๊ฒฝ๋ก๋ฅผ ๋ฐ๋ผ ๊ตฌ์ฌ์ ๋ค๋ฅธ ๋๊น์ง ์์ง์ด๋ ๊ฒ์ด ๋ชฉํ๋ก, ๋ก๋ด์ ๊ตฌ์ฌ์ ์ง์ ์๊ฐ๋ฝ์ ๋ฌ๋ฆฐ ์ด๊ฐ ์ผ์๋ก๋ถํฐ ์ ํญ์ ๋๋ผ๋ฉฐ ํ์ ์กฐ์ ํด์ผ ํฉ๋๋ค. ์๊ฐ์ ์ผ๋ก๋ ์๊ฐ๋ฝ์ ๊ฐ๋ ค ์ ์ ๋ณด์ด๊ณ , ๋ง์ฐฐ๋ก ์ธํ ๋ฏธ์ธํ ๋งํ ๋ฑ์ ๊ฐ์งํด์ผ ํ๊ธฐ ๋๋ฌธ์ ์ด๊ฐ์ ์์กดํ๋ ๋ฌธ์ ์ค์ ์ ๋๋ค. ์ ์๋ค์ ํ๋์นด(Franka) ๋ก๋ดํ๊ณผ DIGIT ์ผ์๋ฅผ ์ด์ฉํ์ฌ ๋ค์ํ ๋ชจ์์ ๋ฏธ๋ก์์ 50ํ ๋ฐ๋ชจ ์์ฐ์ ๋ชจ์์ต๋๋ค. ์ ๋ฐ์ VR ์ฅ์น๋ฅผ ํ์ฉํ ์๊ฒฉ ์กฐ์์ผ๋ก, ์ ๋ฐ์ ์ฌ๋์ ์๋ ์กฐ์์ผ๋ก ์ํ๋์์ต๋๋ค. ์ด 3.4๋ง ๊ฐ์ (์ด๊ฐ ์ด๋ฏธ์ง ์ํ์ค, ๋ก๋ด ๊ด์ ๋ช ๋ น) ์์ด ๋ฐ์ดํฐ๋ก ํ๋ณด๋์๊ณ , ์ด๋ฅผ ์ด์ฉํด Diffusion Policy ๋ผ๋ ์ต์ Behavior Cloning ์๊ณ ๋ฆฌ์ฆ์ผ๋ก ์ ์ฑ (policy) ํ์ต์ ํฉ๋๋ค. ์ด๋ ์๊ฐ์ฉ์ผ๋ก ์ค๊ณ๋ ์๋ Diffusion Policy์ ์ธ์ฝ๋๋ฅผ Sparsh ์ฌ์ ํ์ต ์ธ์ฝ๋๋ก ๊ต์ฒดํ์ฌ, ์ด๊ฐ ๊ด์ธก์ ์ฒ๋ฆฌํ๋๋ก ๋ง๋ค์์ต๋๋ค. ํ์ต๋ ์ ์ฑ ์ ํ์ฌ๊น์ง์ ์ด๊ฐ ์ด๋ฏธ์ง ํ์คํ ๋ฆฌ(์: 2~3์ฅ)์ ํ์ฌ ๋ก๋ด ๊ด์ ๊ฐ์ ์ ๋ ฅ์ผ๋ก ๋ฐ์, ๋ค์ ๊ด์ ๊ฐ ๋ณํ๋์ ์ถ๋ ฅํฉ๋๋ค. ํ๊ฐ์์๋ ๋ฐ๋ชจ์ ๋ก๋ด์ ์คํ ๊ฒฐ๊ณผ ๊ฐ์ ๊ฑฐ๋ฆฌ ์ฐจ์ด(trajectory error)๋ฅผ ์งง์ ๊ตฌ๊ฐ๋ณ(3cm ์ด๋๋น)๋ก ์ธก์ ํ์ฌ ๋์ ์ค์ฐจ๋ฅผ ๊ณ์ฐํ์์ผ๋ฉฐ, ์ต์ข ์ ์ผ๋ก ์ค์ ๋ก๋ด์ ์ ์ฑ ์ ์คํํ์ฌ ์ผ๋ง๋ ๋จผ ๊ฑฐ๋ฆฌ๊น์ง ๊ตฌ์ฌ์ ์ด๋ฐํ๋์ง๋ ์ธก์ ํ์ต๋๋ค.
๊ฐ ๊ณผ์ ๋ง๋ค, Sparsh๋ก ์ฌ์ ํ์ต๋ ์ธ์ฝ๋๋ ๋๊ฒฐํ๊ณ , ๊ทธ ์์ ์์ ํ์คํฌ๋ณ ๋์ฝ๋/ํ๋ก๋ธ๋ง ํ์ต์์ผฐ์ต๋๋ค. ๊ตฌ์ฒด์ ์ผ๋ก, [T1]~[T5] ๋๋ถ๋ถ์ ๊ณผ์ ๋ ์ดํ ์ ํ๋ง ๊ธฐ๋ฐ ๋์ฝ๋๋ฅผ ์ฌ์ฉํ์ต๋๋ค. ์ด๋ Sparsh ์ธ์ฝ๋์ ํจ์น๋ณ ์ถ๋ ฅ์ ๊ต์ฐจ ์ดํ ์ (cross-attention)์ ์ ์ฉํด ์ ์ญ์ ์ธ ํน์ง์ ๋ชจ์ ํ, 2๊ณ์ธต MLP๋ฅผ ํตํด ์ต์ข ์์ธก์ ์ฐ์ถํ๋ ์๊ท๋ชจ ๋คํธ์ํฌ์ ๋๋ค. ์ด๋ ๊ฒ ํ๋ฉด ์ฌ์ ํ์ต ํํ์ด ์ผ๋ง๋ ํด๋น ๊ณผ์ ์ ์ ๋ณด๋ฅผ ๋ด๊ณ ์๋์ง ์ ํ ๋ถ๋ฅ๊ธฐ ์์ค์์ ํ๊ฐํ ์ ์์ต๋๋ค. ํํธ ํ ๋ถํฌ ํ๋ ์ฌ๊ตฌ์ฑ(T1A) ๊ฐ์ Dense ์์ธก์ด ํ์ํ ๊ฒฝ์ฐ์๋, Sparsh ์ธ์ฝ๋์ ์ค๊ฐ ํน์ง๋ค์ ๋ฐ์ DPT(Dense Prediction Transformer) ๋์ฝ๋๋ก ํฝ์ ๋จ์ ์ถ๋ ฅ์ ๋ณต์ํ๋๋ก ์ค๊ณํ์ต๋๋ค. [T6] ๋น๋ ๋ฏธ๋ก์ ๊ฒฝ์ฐ๋ ๊ฐํํ์ต ์ ์ฑ ํน์ฑ์ end-to-end๋ก ํ์ต์ด ์ด๋ค์ง์ง๋ง, ๋น๊ต๋ฅผ ์ํด Sparsh ์ธ์ฝ๋๋ฅผ ๊ณ ์ ํ ๋ฒ์ ๊ณผ, ์ฒ์๋ถํฐ ์ ์ฑ ๊ณผ ์ธ์ฝ๋๋ฅผ ํจ๊ป ํ์ตํ ๋ฒ์ ์ ๋ชจ๋ ์ํํ์ต๋๋ค.
์ด์ TacBench ์คํ ๊ฒฐ๊ณผ๋ฅผ ์ดํด๋ณด๊ฒ ์ต๋๋ค. ์ ์ฒด์ ์ธ ๊ฒฐ๋ก ๋ถํฐ ๋งํ๋ฉด, Sparsh ์ฌ์ ํ์ต ํํ์ ๋ค์ํ ์ด๊ฐ ๊ณผ์ ์์ ๋งค์ฐ ๋ฐ์ด๋ ์ฑ๋ฅ ํฅ์์ ๋ณด์ฌ์ฃผ์์ต๋๋ค. ์ฐ์ ๊ณตํต์ ์ผ๋ก, ๋ ์ด๋ธ๋ ๋ฐ์ดํฐ๊ฐ ์ ์์๋ก Sparsh์ ํจ๊ณผ๋ ๋์ฑ ๋๋๋ฌ์ก์ต๋๋ค. ๊ทธ๋ฆผ 1 ๊ฐ์ด๋ฐ ๊ทธ๋ํ์์ ๋ณผ ์ ์๋ฏ์ด, ์ฌ์ ํ์ต ์์ด ๊ฐ๋ณ ๊ณผ์ ์ ์ฉ์ผ๋ก ํ์ตํ ๋ชจ๋ธ(E2E)๋ค์ ํ์ต ๋ฐ์ดํฐ๊ฐ ์ถฉ๋ถํ ๋๋ ์ผ์ ์์ค ์ฑ๋ฅ์ ๋ด์ง๋ง, ๋ฐ์ดํฐ๊ฐ ์ค์ด๋ค์๋ก ์ฑ๋ฅ์ด ๊ธ๊ฒฉํ ๋จ์ด์ก์ต๋๋ค. ๋ฐ๋๋ก Sparsh ์ธ์ฝ๋๋ฅผ ์ฌ์ฉํ ๋ชจ๋ธ๋ค์ ๋ ์ด๋ธ 1/3๋ง์ผ๋ก๋ ์ค์ํ ์ ํ๋๋ฅผ ์ ์งํ๊ณ , 10%๋ 1% ์์ค์ ๊ทน์๋ ๋ ์ด๋ธ๋ก๋ ์ด๋ ์ ๋ ์ ์๋ฏธํ ๊ฒฐ๊ณผ๋ฅผ ๋์ต๋๋ค. ์๋ฅผ ๋ค์ด ํ ์ถ์ ์ ๊ฒฝ์ฐ, Sparsh (DINO) ๋ชจ๋ธ์ ๋ ์ด๋ธ์ 10%๋ง ์จ๋ 0.1N ์ดํ์ ์ค์ฐจ๋ฅผ ์ ์งํ์ผ๋ฉฐ, ๋ฏธ๋๋ผ ๊ฐ์ง๋ 1% ๋ฐ์ดํฐ๋ก ํ์ตํด๋ F1-score๊ฐ ๊ฝค ์ ์๋ฏธํ๊ฒ ๋์์ต๋๋ค. ๋ฐ๋ฉด E2E ๋ชจ๋ธ์ 33% ์ดํ์์๋ ์์ ์ถ๋ ฅ์ด ํ์ชฝ์ผ๋ก ์น์ฐ์น๋ ๋ฑ ์ ๋๋ก ํ์ต๋์ง ์๋ ํ์์ด ๊ด์ฐฐ๋์์ต๋๋ค. ์ด๋ฌํ ๊ฒฝํฅ์ ์ ๋์ ์ธ ํ๊ท ์งํ๋ก๋ ํ์ธ๋๋๋ฐ, ์ ์๋ค์ด ๋ช ์ํ์๋ฏ์ด Sparsh ๋ชจ๋ธ๋ค์ ๋ ์ด๋ธ 33% ์กฐ๊ฑด์์ E2E ๋๋น ํ๊ท 95.1% ์ฑ๋ฅ ํฅ์์ ์ด๋ฃจ์์ต๋๋ค. ๋ค์ ๋งํด ๋ ์ด๋ธ์ด ๋ถ์กฑํ ๋ ๋ ๋ฐฐ ๊ฐ๊น์ด ์ฑ๋ฅ ๊ฒฉ์ฐจ๋ฅผ ๋ธ ๊ฒ์ ๋๋ค. ์ฌ์ง์ด ๋ชจ๋ ๊ณผ์ ๊ฐ ๋ ์ด๋ธ ์ถฉ๋ถ ์กฐ๊ฑด(Full data)์์๋ Sparsh๊ฐ E2E๋ณด๋ค ๋์ฒด๋ก ์ฐ์ํ๋๋ฐ, ์ด๋ ์ฌ์ ํ์ต ํํ์ด ํ์ต ํจ์จ๋ฟ ์๋๋ผ ์ผ๋ฐํ ์ฑ๋ฅ ์ธก๋ฉด์์๋ ์ด์ ์ด ์์์ ์์ฌํฉ๋๋ค.
๊ฐ ๊ณผ์ ๋ณ ์์ธ ๊ฒฐ๊ณผ๋ฅผ ์์ฝํ๋ฉด ๋ค์๊ณผ ๊ฐ์ต๋๋ค:
ํ ์ถ์ [T1]: Sparsh ํํ์ ์ด์ฉํ๋ฉด ์ ๊ทํ๋ ํ ์ถ์ ์ค์ฐจ๋ฅผ ๋งค์ฐ ๋ฎ๊ฒ ์ ์งํ ์ ์์์ต๋๋ค. ํนํ GelSight Mini ์ผ์์ ๊ฒฝ์ฐ ํด์๋๊ฐ ๋๊ณ ๋ฐฐ๊ฒฝ ๋๋น ์ ์ด ์์ญ์ด ์์์ E2E ๋ชจ๋ธ์ ์ถฉ๋ถํ ๋ฐ์ดํฐ๊ฐ ์์ด๋ ๊ณผ์ ํฉ ๋ฑ์ ๋ฌธ์ ๋ก ์ ํ๋๊ฐ ๋ฎ์์ง๋ง, Sparsh ์ธ์ฝ๋๋ฅผ ์ด ๋ชจ๋ธ์ ์์ ์ ์ผ๋ก ์์ RMSE๋ฅผ ๊ธฐ๋กํ์ต๋๋ค. DIGIT์ ๊ฒฝ์ฐ๋ ๋ฐ์ดํฐ๊ฐ ์ถฉ๋ถํ๋ฉด E2E๋ ์ด๋ ์ ๋ ์ฑ๋ฅ์ ๋์ผ๋, ๋ ์ด๋ธ์ด ์ ์ ๋๋ Sparsh (ํนํ DINO ๋ณํ)์ด ํจ์ฌ ๊ฒฌ๊ณ ํ๊ฒ ๋ฎ์ ์ค๋ฅ๋ฅผ ๋ณด์์ต๋๋ค. Sparsh (DINO)๋ ์๋์ ํ์ต๋ฐ์ดํฐ๋ก๋ ๊ฐ๊ฑดํ๊ฒ ํ์ ์์ธกํ์ฌ, ๋ ์ด๋ธ ๋ถ์กฑ ์ํฉ์์ ๋๋๋ฌ์ง ์ฑ๋ฅ์ ๋ฐํํ์ต๋๋ค.
ํ์ฅ ์๊ฐํ [T1A]: ์ ๋์ ํ๊ฐ๊ฐ ์ด๋ ค์ด ๊ณผ์ ์ด์ง๋ง, Sparsh ํํ์ ์ฌ์ฉํด ์ถ์ ํ ์ ๋จ๋ ฅ ๋ฒกํฐ์ฅ์ ๋ง์ปค ์๋ GelSight ์ผ์์์๋ ์ ์ด ํจ์น์ ์์ง์ ๋ฐฉํฅ์ ์ ๋ํ๋ด์ฃผ์์ต๋๋ค. ์์ปจ๋ ๋ฏธ๋๋ฌ์ง๋ ๋ฐฉํฅ์ผ๋ก ํ์ดํ๊ฐ ์ผ์ ํ๊ฒ ๊ทธ๋ ค์ง๋ค๋ ์ง, ๋นํ๋ฆฌ๋ ๊ฒฝ์ฐ ํ์ ํ ํจํด์ด ๋ํ๋๋ค๋ ์ง, ์๋ก์ด ์ ์ด์ด ์ผ์ด๋ ๋ ํผ์ ธ๋๊ฐ๋ ํํ๊ฐ ๋ณด์ด๋ ๋ฑ, ์ฌ๋์ ์ด๊ฐ์ ์ง๊ด๊ณผ ๋ง์๋จ์ด์ง๋ ์๊ฐํ๋ฅผ ์ป์์ต๋๋ค. ์ด๋ ๊ธฐ์กด์ ๋ง์ปค๊ฐ ์์ผ๋ฉด ์ป๊ธฐ ํ๋ค์๋ ์ ๋ณด๋ฅผ ์ฌ์ ํ์ต ํํ์ผ๋ก ๋ณด์ํ ํฅ๋ฏธ๋ก์ด ๊ฒฐ๊ณผ์ ๋๋ค.
๋ฏธ๋๋ผ ๊ฐ์ง [T2]: ๋ถ๊ท ํ ๋ฐ์ดํฐ(๋ฏธ๋๋ผ ์ ์)์ ์ผ์ ๋ ธ์ด์ฆ๋ก ์ธํด DIGIT ์ผ์์์๋ ํนํ ์ด๋ ค์ด ๋ฌธ์ ์์ง๋ง, Sparsh์ V-JEPA ๋ณํ์ด ๊ฐ์ฅ ๋ฐ์ด๋ ์ฑ๋ฅ(F1-score)์ ๋ฌ์ฑํ์ต๋๋ค. Sparsh (VJEPA)๋ ๋น๋์ค ํด๋ฆฝ ์ ๋ ฅ์ ํ์ฉํด ์๊ฐ์ ๋ฐ๋ฅธ ๋ณํ๋ฅผ ์ง์ ํ์ตํ ๋๋ถ์, ์ ์ ์ธ ๋ฐฉ๋ฒ๋ค๋ณด๋ค ๋ฏธ๋๋ผ ์งํ ํฌ์ฐฉ์ ์ ๋ฆฌํ์ต๋๋ค. ๊ทธ ๊ฒฐ๊ณผ DIGIT์ฒ๋ผ ํ๋ฉด์ ๋ง์ปค ํจํด์ด ์์ด ์ ๋จ๋ ฅ ๋ฐฉํฅ ํ์ ์ด ์ด๋ ค์ด ์ผ์์์๋, ๋ฏธ๋๋ผ ์ฌ๋ถ๋ฅผ ํจ์ฌ ์ ํํ ๋ถ๋ฅํด๋์ต๋๋ค. ํนํ ํ์ต๋ฐ์ดํฐ์ 50% ์ดํ๋ง ์ฌ์ฉํ ๊ฒฝ์ฐ Sparsh ๋ชจ๋ธ๊ณผ E2E ์ฌ์ด ์ฑ๋ฅ ๊ฒฉ์ฐจ๊ฐ ํฌ๊ฒ ๋ฒ์ด์ก๋๋ฐ, Sparsh (VJEPA)๋ 50% ๋ฐ์ดํฐ๋ก ํ์ตํด๋ E2E์ 100% ๋ฐ์ดํฐ ์ฑ๋ฅ์ ๋ฅ๊ฐํ ์ ๋์์ต๋๋ค.
์์ธ ์ถ์ [T3]: ์ด ๊ณผ์ ์์๋ ํด๋์ค๊ฐ ์ด์ดํ๊ฒ ์์ํ๋์ด ์์ด, ์ ์ ๋ฐ์ดํฐ๋ก ํ์ตํ๋ฉด ์ธ์ ํ ๊ฐ๋๋ ์ด๋ ๊ตฌ๊ฐ์ ๊ตฌ๋ณํ๊ธฐ ์ด๋ ค์์ง๋๋ค. ์ค์ ๋ก E2E ๋ชจ๋ธ์ ๋ ์ด๋ธ์ด ์ค์ด๋ค์๋ก ํผ๋์ด ์ฌํด์ ธ, ์์ปจ๋ 0๋์ 5๋์ ํ์ ์ฐจ์ด๋ ๋งํ์ง ๋ชปํ๊ณ ์๋ฑํ ํฐ ๊ฐ๋ง ์์ธกํ๋ ๊ฒฝํฅ(๊ทน๋จ๊ฐ์ผ๋ก ์๋ ด)์ด ๋ํ๋ฌ์ต๋๋ค. ๋ฐ๋ฉด Sparsh ์ธ์ฝ๋ ๊ธฐ๋ฐ ๋ชจ๋ธ์ 1/3 ์์ค์ ๋ฐ์ดํฐ๋ก๋ ๊ฝค ๋์ ์ ํ๋๋ฅผ ์ ์งํ๊ณ , ์ ์ ๋ฐ์ดํฐ์์ ๊ทน๋จ๊ฐ์ผ๋ก ์น์ฐ์น๋ ํ์๋ ๋ํ์ต๋๋ค. ์ถฉ๋ถํ ๋ฐ์ดํฐ๊ฐ ์์ ๋๋ E2E์ ํฐ ์ฐจ์ด๊ฐ ์์์ง๋ง, ์ ๋ฐ์ดํฐ ์๋๋ฆฌ์ค์์ Sparsh์ ์ด์ ์ด ๋๋๋ฌ์ ธ, ๋ฏธ์ธํ ๊ฐ๋ ์ฐจ์ด๊น์ง ๋น๊ต์ ์ ์์ธกํ์์ต๋๋ค.
๊ทธ๋ฆฝ ์์ ์ฑ [T4]: ํ์ต ๋ฐ์ดํฐ๊ฐ ์ถฉ๋ถํ (8000๊ฐ ์ด์) ๊ฒฝ์ฐ์๋ Sparsh๋ E2E๋ ๋ชจ๋ ์ ์ฌํ ๋์ ์ ํ๋๋ฅผ ๋ณด์์ต๋๋ค. Sparsh (IJEPA)์ Sparsh (VJEPA)๋ ์ฝ 90%์ ๊ฐ๊น์ด ์ ํ๋๋ฅผ ๋ฌ์ฑํ์ฌ, ์๊ฐ+์ด๊ฐ ๋ฉํฐ๋ชจ๋ฌ ์ ๋ณด๋ฅผ ํจ๊ป ์ด ์ด์ ์ฐ๊ตฌ๋ณด๋ค๋ ์คํ๋ ค ๋์ ์ฑ๋ฅ์ ๋ํ๋์ต๋๋ค. ์ฃผ๋ชฉํ ์ ์ ์ฌ๊ธฐ์ Sparsh๋ ํ ์๊ฐ๋ฝ์ ์ด๊ฐ ์ ๋ณด๋ง ์ฌ์ฉํ๊ณ ๋, ๊ณผ๊ฑฐ์ ์๊ฐ๊น์ง ๋์ํ ๋ชจ๋ธ์ ์์ง๋ ๋ค๋ ๊ฒ์ ๋๋ค. ๋ํ Sparsh ๊ธฐ๋ฐ ๋ชจ๋ธ์ ๋ฐ์ดํฐ 33%๋ก ํ์ตํด๋ ํฐ ์ฑ๋ฅ ์ ํ ์์ด 80% ์ด์ ์ ํ๋๋ฅผ ์ ์งํ๊ณ , 10% (800๊ฐ ๋ฏธ๋ง)๋ง์ผ๋ก๋ 70%๋ ์์ค์ ๋ณด์ฌ ์ค์ฉ์ ์ธ ์ฑ๋ฅ์ ๋ฐํํ์ต๋๋ค. ๊ทธ๋ฌ๋ 80๊ฐ (1%) ์ ๋๋ก ๊ทน๋จ์ ์ผ๋ก ์ค์ด๋ฉด ํ์ฐํ ๋จ์ด์ ธ์, ์ ์๋ค์ ์ด ๊ฒฝ์ฐ์ ๋ฌด์์ ์ถ์ธก ์์ค์ผ๋ก ์ ๋ฝํจ์ ๊ด์ฐฐํ์ต๋๋ค. ๊ทธ๋ผ์๋ ๋ถ๊ตฌํ๊ณ ์ ๋ฐ์ ์ผ๋ก Sparsh ํํ์ ์ด๊ฐ๋ง์ผ๋ก ๊ทธ๋ฆฝ ์ฑ๊ณต ์ฌ๋ถ๋ฅผ ์ ๋ขฐ์ฑ ์๊ฒ ์์ธกํ ์ ์์์ ๊ฒ์ฆํ ์ ์ ๋๋ค.
์ง๋ฌผ ์ธ์ [T5]: ์ด ๊ณผ์ ๋ 20-way ๋ถ๋ฅ๋ก ๋์ด๋๊ฐ ๋๊ณ , ๊ธฐ์กด ์ฐ๊ตฌ์์๋ E2E ํ์ต์ด ์ด๋ ต๋ค๊ณ ๋ณด๊ณ ๋ ๋ฐ ์์ต๋๋ค. ๋ณธ ์ฐ๊ตฌ ๊ฒฐ๊ณผ ์ญ์ E2E๋ก๋ ์ข์ ์ฑ๋ฅ์ ๋ด๊ธฐ ํ๋ค์์ง๋ง, ์ฌ์ ํ์ต ํํ์ ์ฌ์ฉํ์ ์ฑ๋ฅ์ด ํฌ๊ฒ ํฅ์๋์์ต๋๋ค. ํนํ Sparsh (MAE) ๋ชจ๋ธ์ด ๋๋๋ฌ์ก๋๋ฐ, ํฝ์ ์์ค์ ์ง๊ฐ ํน์ง์ ๋ณต์ํ๋๋ก ํ์ต๋ ๋๋ถ์ ์ด๊ฐ์ผ๋ก ์ฌ์ง์ ๊ตฌ๋ถํ๋ ๋ฐ ์ ๋ฆฌํ๋ ๊ฒ์ผ๋ก ๋ณด์ ๋๋ค. Sparsh (MAE)๋ฅผ ์ฌ์ฉํ๋ฉด ์ ์ฒด ๋ฐ์ดํฐ๋ก ํ์ตํ ๋ ์ ํ๋๊ฐ ํฌ๊ฒ ๋์์ก์ ๋ฟ ์๋๋ผ, 10% ์ดํ์ ๋ฐ์ดํฐ๋ก๋ E2E์ ํ๋ฐ์ดํฐ ์ฑ๋ฅ์ ๋ง๋จน๋ ๊ฒฐ๊ณผ๋ฅผ ์ป์์ต๋๋ค. ํฅ๋ฏธ๋ก์ด ์ถ๊ฐ ์คํ์ผ๋ก, ์ ์๋ค์ ์ผ์ ๊ฐ ์ ์ด ํ์ต์ ์๋ํ๋๋ฐ, ์์ปจ๋ GelSight๋ก ์ฌ์ ํ์ตํ Sparsh๋ฅผ ์ด์ฉํด DIGIT ์ผ์์ ์ง๋ฌผ ์ธ์์ ๋ช ๊ฐ ์ํ๋ก ํ์ธํ๋ํ๋ฉด ๊ธ๋ฐฉ ์ ์ํ๋ค๋ ๊ฒ์ ๋ณด์์ต๋๋ค. ๋จ 10-shot(์ง๋ฌผ๋ณ 10์ฅ) ์ ๋์ ์๋ ํ์ต์ผ๋ก๋ ์๋ก์ด ์ผ์์ ๋ง๊ฒ ๋ถ๋ฅ๊ธฐ๊ฐ ์กฐ์ ๋์ด, ์ฌ์ ํ์ต ํํ์ ๋ฒ์ฉ์ฑ์ ํ์ธ์์ผ์ฃผ์์ต๋๋ค.
๋น๋ ๋ฏธ๋ก [T6]: ๊ฐํํ์ต(ํ๋ ํด๋ก๋) ๋ฌธ์ ์์๋ Sparsh ํํ์ด ๋์์ ์ฃผ๋์ง ๊ฒ์ฆํ์ต๋๋ค. ์ฐ์ ์๋ฎฌ๋ ์ด์ ํ๊ฒฝ(๋ฐ๋ชจ ๊ฒฝ๋ก ์ถ์ข )์์์ ๊ฒฐ๊ณผ๋ฅผ ๋ณด๋ฉด, Sparsh (DINO)์ Sparsh (IJEPA) ๊ธฐ๋ฐ ์ ์ฑ ์ด E2E ์ ์ฑ ๋ณด๋ค ๊ถค์ ์ค์ฐจ๊ฐ ์ฝ 16% ์ ๊ฒ๋ํ๋ฌ์ต๋๋ค. ๊ฐ์ ๋ฐ์ดํฐ๋ก ํ์ตํด๋ ์ฌ์ ํ์ต ์ธ์ฝ๋๋ฅผ ์ด ์ชฝ์ด ํจ์ฌ ๋ฐ๋ชจ๋ฅผ ์ ํํ ์ฌํํ๋ค๋ ์๋ฏธ์ ๋๋ค. ๋ ํ์ต์ ์ฐ์ธ ๋ฐ๋ชจ ๊ฐ์๋ฅผ ์ค์ฌ๋ณด๋ ์คํ์์๋ Sparsh ๋ชจ๋ธ์ ์ ์ ์์ฐ์ผ๋ก๋ ๊ด์ฐฎ์ ์ ์ฑ ์ ํ์ตํ์ง๋ง, E2E๋ ๋ฐ๋ชจ๊ฐ ์ค๋ฉด ์ฑ๋ฅ ๊ธํ๋ฝ์ ๋ณด์ฌ ํํ ํ์ต์ ๋ฐ์ดํฐ ํจ์จ์ฑ์ ์ฌํ์ธํ์ต๋๋ค. ๋ง์ง๋ง์ผ๋ก ์ค์ ๋ก๋ด์ ์ ์ฑ ์ ์คํํ์ฌ ํ ์คํธํ ๊ฒฐ๊ณผ, ๋ชจ๋ ๋ชจ๋ธ์ด ๋ฏธ๋ก ์์ฃผ๋ ์คํจํ์ง๋ง Sparsh ๊ธฐ๋ฐ ์ ์ฑ ๋ค์ด E2E๋ณด๋ค 20~53% ๋ ๋จผ ๊ฑฐ๋ฆฌ๊น์ง ๊ตฌ์ฌ์ ์์ง์ด๋ ๋ฐ ์ฑ๊ณตํ์ต๋๋ค. ์ฆ, ์์ ํ ์ฑ๊ณต๋ฅ ์ธก๋ฉด์์๋ ํ๊ณ๊ฐ ์์์ผ๋, ์ฌ์ ํ์ต ํํ์ด ๋ถ๋ถ์ ์ธ ์ฑ๋ฅ ํฅ์๊ณผ ์์ ์ ์ธ ์กฐ์์ ๊ธฐ์ฌํจ์ ์ ์ ์์ต๋๋ค. ๋ค๋ง ์ค์ ๋ก๋ด ์คํ์์๋, ์๋ฎฌ๋ ์ด์ ๊ณผ ๋ฌ๋ฆฌ ๋ก๋ด์ ๋ฏธ์ธํ ์ ์ด ํ๊ณ, ํ๋ฒ ๋ฏธ๋๋ฌ์ง๋ฉด ์ฌ์ก๊ธฐ ์ด๋ ค์ด ๋ฌผ๋ฆฌ์ ์ํฉ ๋ฑ์ด ์์ฉํ์ฌ ์ฌ์ ํ์ต ํจ๊ณผ๊ฐ ์์ ํ ๋ฐํ๋์ง ๋ชปํ์ต๋๋ค. ๊ทธ๋ผ์๋ Sparsh๋ฅผ ์ฌ์ฉํ ์ ์ฑ ์ด ์ ๋ฐ์ ์ผ๋ก ๋ ๋์ ๊ฒฐ๊ณผ๋ฅผ ๋ณด์๋ค๋ ์ ์์, ์ด๊ฐ ํํ ํ์ต์ด ๋ก๋ด ์ ์ฑ ํ์ต์๋ ์ ์ฉํ ์ ์๋ค๋ ๊ฐ๋ฅ์ฑ์ ๋ณด์ฌ์ฃผ์์ต๋๋ค.
ไปฅไธ์ ์คํ๋ค์ ์ข ํฉํ๋ฉด, Sparsh๋ก ํ์ต๋ ์ด๊ฐ ํํ์ ์ฌ๋ฌ ์ผ์์ ์ฌ๋ฌ ๊ณผ์ ๋ฅผ ์์ฐ๋ฅด๋ฉฐ ์ฑ๋ฅ์ ํฅ์์ํต๋๋ค. ํนํ ๋ ์ด๋ธ์ด ์ ํ์ ์ธ ํ์ค์์, ์ฌ์ ํ์ต ๋ชจ๋ธ์ ์ฐ๋ฉด ํจ์ฌ ์์ ์ ์ด๊ณ ๋์ ์ฑ๋ฅ์ ์ป์ ์ ์์์ ํ์ธํ์ต๋๋ค. ๋ํ Sparsh์ ๋ค์ํ ๋ณํ๋ค ์ค DINO ๊ธฐ๋ฐ ๋ชจ๋ธ์ ํ/์์ธ ์ถ์ ๊ฐ์ ๋ฌผ๋ฆฌ๋ ํ๊ท ๊ณผ์ ์ ๊ฐํ๊ณ , I-JEPA ๊ธฐ๋ฐ ๋ชจ๋ธ์ ๋ฏธ๋๋ผ, ์์ ์ฑ, ์ฌ์ง ๋ถ๋ฅ ๊ฐ์ ์๋ฏธ๋ก ์ ๋ถ๋ฅ ๊ณผ์ ์ ์ข ๋ ์ฑ๋ฅ์ด ์ฐ์ํ ๊ฒฝํฅ์ ๋ณด์์ต๋๋ค. ์ด๋ ํฝ์ ๋ณต์ vs ํน์ง ์์ธก์ ์ฐจ์ด๋ฟ ์๋๋ผ, ํ์ต ๋ชฉํ์ ๋ฐ๋ฅธ ํนํ ํจ๊ณผ๋ ์ผ๋ถ ์์์ ์์ฌํฉ๋๋ค. ์ฌ๋ฏธ์๊ฒ๋, ๋ ๋ชจ๋ธ์ ๋น๋ ๋ฏธ๋ก ์ ์ฑ ์ฒ๋ผ ๋ณตํฉ์ ์ธ ๊ณผ์ ์์๋ ๋น์ทํ ์ฑ๋ฅ์ ๋๋๋ฐ, ์ด๋ ๊ทธ ๊ณผ์ ๊ฐ ํ๊ณผ ๋ฏธ๋๋ผ์ ๋ํ ์ข ํฉ์ ์ดํด๋ฅผ ์๊ตฌํ๊ธฐ ๋๋ฌธ์ผ ๊ฒ์ ๋๋ค.
2.4 ๊ธฐ์กด ์ฐ๊ตฌ์์ ๋น๊ต
Sparsh ์ด์ ์ ๋น์ ๊ธฐ๋ฐ ์ด๊ฐ ์ธ์ง ์ฐ๊ตฌ๋ค์ ์ฃผ๋ก ํน์ ์์ ์ ์ด์ ์ ๋ง์ถฐ ๊ฐ๋ณ์ ์ธ ๋ชจ๋ธ์ ๊ฐ๋ฐํ๊ณค ํ์ต๋๋ค. ์ด์ฐฝ๊ธฐ ์ ๊ทผ๋ฒ์ผ๋ก๋, ์ด๊ฐ ์ด๋ฏธ์ง๋ฅผ ํด์ํ๊ธฐ ์ํด ๋ง์ปค ์ถ์ ์ด๋ ๋ฌผ๋ฆฌ ์๋ฎฌ๋ ์ด์ (FEM) ๋ฑ์ ํ์ฉํ์ฌ ์ ์ด ์งํ๊ณผ ํ์ ๊ณ์ฐํ๋ ๋ฐฉ์์ด ์์์ต๋๋ค. ๊ทธ๋ฌ๋ ์ด๋ฌํ ๋ฐฉ์์ ์ผ์๋ง๋ค ๋ง์ปค ํจํด ๋ณด์ ์ด ํ์ํ๊ฑฐ๋ ๊ณ์ฐ ๋น์ฉ์ด ํฌ๋ค๋ ํ๊ณ๊ฐ ์์์ต๋๋ค. ์ดํ ํ์ต ๊ธฐ๋ฐ ๊ธฐ๋ฒ๋ค์ด ๋ฑ์ฅํ๋ฉด์, ๊ฐ์ธ๋ณ๋ก ์ปค์คํ ๋์์ธํ ์ ๊ฒฝ๋ง์ ์ฌ์ฉํ์ฌ ์ด๊ฐ ์ ๋ณด๋ฅผ ์ฒ๋ฆฌํ๋ ์๋๊ฐ ๋ง์์ต๋๋ค. ์๋ฅผ ๋ค์ด, ์ด๋ค ์ฐ๊ตฌ์์๋ ํน์ ์ด๊ฐ ์ผ์์ ๋ง์ถ CNN ์ธ์ฝ๋๋ฅผ ์ค๊ณํด ์ข ์ด ์ง๊ฐ ๋ถ๋ฅ๋ฅผ ํ์ตํ๊ฑฐ๋, BioTac์ด๋ GelSight ๋ฑ์ ์ผ์ ๋ฐ์ดํฐ๋ฅผ ์ ์ดํ์ตํ์ฌ ํจ๋ธ๋ฆญ์ ์ฌ๋ฌ ์ฑ๋ถ(์ค, ์ง๊ฐ ๋ฑ)์ ์์๋ด๋ ์์ ์ ํ๊ธฐ๋ ํ์ต๋๋ค. ์ฌ์ง์ด ์ต๊ทผ์๋ XELA๋ผ๋ ์ผ์์ ์ถ๋ ฅ์ ์ต๊ทผ์ ์ด์ ๋น๊ต๋ง์ผ๋ก ์กฐ์์ ํ์ฉํ ์ฌ๋ก๋ ์์๋๋ฐ, ์ด๋ ์ด๊ฐ ํํ์ ๋ช ์์ ์ผ๋ก ํ์ตํ์ง ์๊ณ ์๋ฒ ๋ฉ ๊ณต๊ฐ์์ ๋น์ทํ ์ด๊ฐ์ ์ฐพ์๋ด๋ ๋ฐฉ์์ด์์ต๋๋ค. ํ์ง๋ง ์ด๋ ๋ฏ ํํธํ๋ ์ ๊ทผ๋ค๋ก ์ธํด, ์๋ก ๋ค๋ฅธ ์ฐ๊ตฌ ๊ฐ์ ๊ฒฐ๊ณผ๋ฅผ ๋น๊ตํ๊ฑฐ๋ ํ์ค ๋ชจ๋ธ์ ๊ณต์ ํ๊ธฐ๊ฐ ์ด๋ ค์ ์ต๋๋ค. ํ์คํ๋ ์ฌ์ ํ์ต ๋ชจ๋ธ์ด ์์๊ธฐ ๋๋ฌธ์, ๋งค๋ฒ ์๋ก์ด ๋ฌธ์ ๋ ์ผ์๊ฐ ๋์ค๋ฉด ๋ค์ ๋ฐ์ดํฐ ์์ง์์ ๋ชจ๋ธ ๋์์ธ๊น์ง ์ฒ์๋ถํฐ ํด์ผ ํ๋ ๋นํจ์จ์ด ์กด์ฌํ์ต๋๋ค.
์๊ธฐ ์ง๋ ํํ ํ์ต์ ๋ํ ๊ด์ฌ๋ ์ ์ฐจ ๋์์ ธ, Sparsh ์ด์ ์๋ ๋ช ๊ฐ์ง ๊ด๋ จ ์ฐ๊ตฌ๊ฐ ๋ฑ์ฅํ์ต๋๋ค. ํ ์๋ก, MAE ๊ธฐ๋ฒ์ ์ด๊ฐ์ ์ ์ฉํ์ฌ ์ฌ์ง ๋ถ๋ฅ ๋ฑ์ ํจ๊ณผ์ ์์ ๋ณด์ธ ์ด๊ธฐ ์คํ์ด ์์๊ณ , ๋ค์ํ ์ด๊ฐ ์ผ์(BioTac ๋ฑ)์ ๋ํด ์ฌ์ ํ์ต ํ ๋ฏธ์ธ์กฐ์ (fine-tuning)์ ํ์ฌ ์ฑ๋ฅ์ ๋์ธ ์๋๋ ์์์ต๋๋ค. ๊ทธ๋ฌ๋ ์ด๋ค ์ญ์ ๋จ์ผ ์ผ์ ํน์ ํ์ ๋ ๋ฒ์์ ์์ ์ ์ด์ ์ ๋ง์ถ๊ณ ์์ด ์ผ๋ฐ์ฑ์ด ๋ถ์กฑํ์ต๋๋ค.
ํํธ, ๋ฉํฐ๋ชจ๋ฌ ํ์ต ์ธก๋ฉด์์๋ ์๊ฐ-์ด๊ฐ ๊ฐ์ ์ฐ๊ด์ฑ์ ํ์ตํ๋ ค๋ ๋ ธ๋ ฅ๋ค๋ ์์ด ์์ต๋๋ค. ์๋ฅผ ๋ค์ด, ๋์ผํ ๋ฌผ์ฒด๋ฅผ ๋ง์ก์ ๋์ ์ด๊ฐ ์ด๋ฏธ์ง์ ์๊ฐ ์ด๋ฏธ์ง ์์ ๋ชจ์ ๋์กฐ ํ์ต(contrastive learning)์ผ๋ก ๊ณตํต ์๋ฒ ๋ฉ ๊ณต๊ฐ์ ๋งคํํ๊ฑฐ๋, ์ด๊ฐ ์ ๋ณด๋ก ์๊ฐ์ ์คํ์ผ์ ๋ณํํ๋ ๋ฑ์ ์คํ์ด ์ด๋ฃจ์ด์ก์ต๋๋ค. ์ด๋ฌํ ์ฐ๊ตฌ๋ค์ ์ฌ์ง ๋ถ๋ฅ๋ ๊ทธ๋ฆฝ ์ฑ๊ณต ์์ธก ๋ฑ์ ์์ด์ ์ด๊ฐ+์๊ฐ ๊ฒฐํฉ์ ๊ฐ๋ฅ์ฑ์ ๋ณด์ฌ์ฃผ์์ง๋ง, ์ฃผ๋ก ํ๋ฉด์ ์ง๊ฐ์ด๋ ๋ฌผ์ฒด์ ์๊ฐ์ ํน์ง์ ์ง์ค๋์์ต๋๋ค. ์ฆ, ํ, ๋ฏธ๋๋ผ, ์์ธ ๋ณํ์ ๊ฐ์ ๋ฌผ๋ฆฌ์ ์ ์ด ํน์ฑ๊น์ง ๋ค๋ฃจ์ง๋ ๋ชปํ์์ต๋๋ค. ์ด๋ฌํ ๋ถ๋ถ์ ์ฌ์ ํ ๋ฉํฐ๋ชจ๋ฌ ์ ๊ทผ๋ฒ์ ๋์ ๊ณผ์ ๋ก ๋จ์ ์์ต๋๋ค.
Sparsh์ ๊ฐ์ฅ ์ ์ฌํ๊ฑฐ๋ ๋ณํ๋ ์ฐ๊ตฌ๋ก ๋ ผ๋ฌธ์์ ์ธ๊ธํ ๊ฒ์ T3์ UniT๋ผ๋ ๋ ๊ฐ์ง์ ๋๋ค. T3๋ ์ฌ๋ฌ ์ด๊ฐ ์ผ์์ ๋ํด ๊ณต์ ์ธ์ฝ๋(shared trunk)๋ฅผ ํ์ตํ๋, ์ผ์๋ณ๋ก ๊ฐ๋ณ ๊ฐ์ง(branch)๋ฅผ ๋ ๊ตฌ์กฐ์ ๋๋ค. MAE ๋ฐฉ์์ ๋ณต์ ๊ณผ์ ์ ํจ๊ป ๋ช ๊ฐ์ง ๋ ์ด๋ธ๋ ์์ ์ ํผํฉํด ํ์ตํ ์ ์ด ํน์ง์ด์ง๋ง, ๊ฒฐ๊ตญ ์ผ์๋ง๋ค ๋ณ๋ ์ธ์ฝ๋ ํ๋ผ๋ฏธํฐ๋ฅผ ์ ์งํด์ผ ํ๋ฏ๋ก ์์ ํ ํ๋์ ํตํฉ ๋ชจ๋ธ์ด๋ผ๊ณ ๋ณด๊ธด ์ด๋ ต์ต๋๋ค. ๋ํ T3๋ ์ ํ๋ ๋ฐ์ดํฐ๋ก ํ์ต๋์ด Sparsh๋งํผ ๊ด๋ฒ์ํ ๊ฒ์ฆ์ ์ด๋ฃจ์ด์ง์ง ์์ ๊ฒ์ผ๋ก ๋ณด์ ๋๋ค. UniT๋ GelSight Mini (๋ง์ปค ์์) ์ผ์๋ฅผ ๋์์ผ๋ก ํ ์ฐ๊ตฌ๋ก, VQ-GAN์ ํ์ฉํ ์์ฑ๋ชจ๋ธ ๊ธฐ๋ฐ ํํ ํ์ต์ ์๋ํ์ต๋๋ค. ์ด๋ ํจ์น ๋จ์๋ก ์ด๋ฏธ์ง๋ฅผ ์์ถํ๋ฉฐ ๋์คํฌ๋ฆฌ๋ฏธ๋ค์ดํฐ๋ก ํ๋ จํ๋ ๋ฐฉ์์ธ๋ฐ, ํน์ ์ผ์ ํ ์ข ๋ฅ์๋ง ๊ตญํ๋์ด ์๊ณ ์ฃผ๋ก ์ ์ ํน์ฑ์ ์ด์ ์ ๋ง์ถ์์ต๋๋ค.
์ด๋ค์ ๋นํด Sparsh์ ์ฐจ๋ณ์ ์ ๋ถ๋ช ํฉ๋๋ค. ์ฒซ์งธ, Sparsh๋ ์ฌ๋ฌ ๋ํ์ ์ธ ์ด๊ฐ ์ผ์(DIGIT ๊ณ์ด, GelSight ๊ณ์ด ๋ฑ)์ ๋ฐ์ดํฐ๋ฅผ ๋ชจ๋ ํ์ฉํ์ฌ ํ๋์ ๊ณต์ฉ ๋ชจ๋ธ๋ก ํ์ตํ๋ค๋ ์ ์ ๋๋ค. ์ด๋ก์จ ์ผ์ ๊ต์ฒด๋ ์ถ๊ฐ์ ๋ํ ์ผ๋ฐํ ๊ฐ๋ฅ์ฑ์ ์ฒ์์ผ๋ก ๋ณธ๊ฒฉ ํ๊ตฌํ๋ค๋ ์์๊ฐ ์์ต๋๋ค. ๋์งธ, ์ต์ SSL ์๊ณ ๋ฆฌ์ฆ๋ค์ ์ ๊ทน ๋์ ํ์ฌ, ํฝ์ ๋ณต์(MAE), ์ง์ ์ฆ๋ฅ(DINO), ์ ์ฌ ์์ธก(JEPA) ๋ฑ ๋ค์ํ ํจ๋ฌ๋ค์์ ๋น๊ตยท๋ถ์ํ์ต๋๋ค. ์ด๋ ์ด์ ์ฐ๊ตฌ๋ค์ด ์ฃผ๋ก ํ๋์ SSL ๊ธฐ๋ฒ๋ง ์ํํ ๋ฐ ๋ฐํด, ์ด๋ค ์๊ธฐ ์ง๋ ๋ฐฉ์์ด ์ด๊ฐ์ ๊ฐ์ฅ ์ ํฉํ๊ฐ๋ผ๋ ์ค์ํ ์ง๋ฌธ์ ๋ต์ ์ ์ํ๋ ค ํ ๊ฒ์ ๋๋ค. ์ ์งธ, Sparsh๋ ๋จ์ ๋ชจ๋ธ ์ ์๋ฅผ ๋์ด TacBench๋ผ๋ ๋ฒค์น๋งํฌ๋ฅผ ๊ตฌ์ถํจ์ผ๋ก์จ, ์ด๊ฐ ํํ ํ์ต์ ํ๊ฐ ํ์ค์ ๋ง๋ จํ์ต๋๋ค. ์ด ๋ฒค์น๋งํฌ์๋ ๋ฌผ๋ฆฌ์ , ์ธ์ง์ , ์กฐ์ ์ธก๋ฉด์ ๋ง๋ผํ ๊ณผ์ ๋ค์ด ํฌํจ๋์ด, ์์ผ๋ก ๋ค๋ฅธ ์ฐ๊ตฌ๋ค๊ณผ ์ง์ ์ฑ๋ฅ ๋น๊ต๋ฅผ ํ ์ ์๋ ์ฅ์ ์ด์๋ค๋ ์ ์์ ํฐ ์๋ฏธ๊ฐ ์์ต๋๋ค. ๋ท์งธ, ๋ฐ์ดํฐ ๊ท๋ชจ ์ธก๋ฉด์์๋ Sparsh๋ ์ด์ ๋ณด๋ค ์๋์ ์ผ๋ก ํฐ ๋ฐ์ดํฐ๋ก ํ์ต๋์๊ณ , ์ด๋ฅผ ํตํด ๋ชจ๋ธ ์ฉ๋์ ํค์ฐ๊ณ ๋ ๊ณผ์ ํฉ ์์ด ํ์ต์ด ๊ฐ๋ฅํจ์ ๋ณด์ฌ์ฃผ์์ต๋๋ค. ์์ปจ๋ Sparsh๋ โ์ด๊ฐ๊ณ์ Foundation Modelโ์ ์งํฅํ ์ต์ด์ ๋ณธ๊ฒฉ ์๋๋ก์, ์ด์ ๊ฐ๋ณ ์ฐ๊ตฌ๋ค์ ํ๊ณ๋ฅผ ํ ๋จ๊ณ ๋ฐ์ด๋์ ํตํฉ์ ์ ๊ทผ์ด๋ผ ํ๊ฐํ ์ ์์ต๋๋ค.
2.5 ์ฅ์ ๊ณผ ํ๊ณ
Sparsh์ ์ฑ๊ณต ์์ธ๊ณผ ๊ฐ์ ์ ์ ๋ฆฌํ๋ฉด ๋ค์๊ณผ ๊ฐ์ต๋๋ค:
๋ ์ด๋ธ ํ๋ฆฌ(self-supervised) ํ์ต์ ์ด์ : ๊ฑฐ๋ํ ๋น์ง๋ ๋ฐ์ดํฐ๋ก ํ์ตํ๊ธฐ์, ๊ธฐ์กด์ ํ๋ค์๋ ์ ์ด ํ์์ ํฌ๊ท ํจํด๊น์ง ๋ชจ๋ธ์ด ํ์ตํ ์ ์์์ต๋๋ค. ์์ปจ๋ ๋ฏธ๋๋ผ์ด๋ ๋นํ๋ฆผ ๊ฐ์ ์ด๋ฒคํธ๋ ๋ ์ด๋ธ๋งํ๊ธฐ ์ด๋ ต๊ณ ๋๋ฌผ์ง๋ง, SSL๋ก ๋ฐฉ๋ํ ๋ฐ์ดํฐ๋ฅผ ํ์ตํ๋ฉด์ ์ด๋ฐ ํน์ง๊น์ง ์ ์ฌ์ ์ผ๋ก ํฌ์ฐฉํ๊ฒ ๋์์ต๋๋ค. ๊ทธ ๊ฒฐ๊ณผ ์ผ๋ฐ์ ์ธ E2E ๋ชจ๋ธ์ด ๋์น๊ธฐ ์ฌ์ด ๋ถ๋ถ์์๋ Sparsh ํํ์ ์๋ฏธ ์๋ ์ ํธ๋ฅผ ๋ด์ฌํํ๊ณ ์์ด, ์ ์ ๋ ์ด๋ธ๋ก๋ ๋์ ์ฑ๋ฅ์ ๋ด๋ ๋ฐ๋ฐํ์ด ๋์์ต๋๋ค.
๋ฒ์ฉ์ฑ (Generalization): Sparsh ์ธ์ฝ๋ ํ๋๋ก ์ฌ๋ฌ ์ผ์์ ์ฌ๋ฌ ๊ณผ์ ๋ฅผ ์ปค๋ฒํ ์ ์๋ค๋ ์ ์ด ์ ์ฆ๋์์ต๋๋ค. ์ค์ TacBench ๊ณผ์ ๋ค์ ๋ณด๋ฉด, ์ผ์ ์ข ๋ฅ(DIGIT vs GelSight ๋ฑ)๋ ์ถ๋ ฅ ํํ(ํ๊ท vs ๋ถ๋ฅ vs ๊ฐํํ์ต)๊ฐ ์ ๊ฐ๊ฐ์ธ๋ฐ, ๋์ผํ Sparsh ํํ์ด ๋ชจ๋์ ์ ์ฉ๋์ด ์ข์ ๊ฒฐ๊ณผ๋ฅผ ๋์ต๋๋ค. ์ด๋ ๋ก๋ด ์์คํ ์์ ์ผ์๋ฅผ ๊ต์ฒดํ๊ฑฐ๋ ์๋ก์ด ์์ ์ ํฌ์ ํ ๋ ๊ธฐ์กด ๋ชจ๋ธ์ ์ฌ์ฌ์ฉํ ์ ์๋ ๊ธธ์ ์ด์ด์ค๋๋ค. ์๋ฅผ ๋ค์ด, Sparsh๋ก ํ์ต๋ ํํ์ ์ฐ๋ฉด ์๋ก์ด GelSight ์ผ์๋ฅผ ์ฅ์ฐฉํ๊ฑฐ๋ ์๋ก์ด ๋ฌผ์ฒด ์ก๊ธฐ ๊ณผ์ ๊ฐ ์ฃผ์ด์ ธ๋, ์ผ๋ถํฐ ํ์ตํ์ง ์๊ณ 10-shot ์ ๋์ ๊ฒฝ๋ฏธํ ์ถ๊ฐ ํ์ต๋ง์ผ๋ก ์ ์์ด ๊ฐ๋ฅํจ์ ๋ณด์์ต๋๋ค.
์ ์ฌ ํํ ํ์ต์ ํจ๊ณผ: Sparsh (DINO)์ (IJEPA)๊ฐ MAE๋ณด๋ค ์ข์๋ฏ์ด, ๋ ธ์ด์ฆ์ ์ผ์ ํน์์ฑ์ ๊ฑธ๋ฌ๋ธ ์ ์ฌ ๊ณต๊ฐ ํํ์ด ์ด๊ฐ ๋ฌธ์ ์ ์ ๋ฆฌํจ์ด ํ์ธ๋์์ต๋๋ค. ์ด๋ ์ด๊ฐ ์ผ์ฑ์ ํ์ค์ ์ธ ๋ฌธ์ , ์ฆ ์กฐ๋ช ๋ณํ, ์นด๋ฉ๋ผ ์ก์, ๋ง์ปค ํจํด ๋ฑ์ ์์๋ฅผ ์ถ์ํํ์ฌ, ํต์ฌ ์ ์ด ์ ๋ณด์ ์ง์คํ ์ ์๊ฒ ํด์ค๋๋ค. ๊ทธ ๊ฒฐ๊ณผ DIGIT์ด๋ GelSight Mini๊ฐ์ด ๋ง์ปค๊ฐ ์๋ ์ผ์์์๋ ์ ์๋ ํ๊ธฐ ์ด๋ ค์ ๋ ์ ๋จ๋ ฅ ๋ถํฌ ์ถ์ ์ด๋ ๋ฏธ๋๋ผ ๊ฐ์ง ๋ฑ์ด Sparsh ํํ์ผ๋ก๋ ๊ฐ๋ฅํด์ก์ต๋๋ค.
์ค์๊ฐ์ฑ๊ณผ ํ์ฉ ๊ฐ๋ฅ์ฑ: ViT-Base ์์ค์ Sparsh ๋ชจ๋ธ์ ๊ณ ์ฑ๋ฅ GPU์์ 100 FPS ์ด์์ ์ถ๋ก ์๋๋ฅผ ๋ณด์์ต๋๋ค. ์ด๋ ๋ก๋ด ์ ์ด์ ์ถฉ๋ถํ ํฌ์ ํ ๋งํ ์๋์ด๋ฉฐ, ์ค์ ๋ก ๋น๋ ๋ฏธ๋ก ๊ณผ์ ์์๋ ์ค์๊ฐ ์ด๊ฐ ํผ๋๋ฐฑ์ผ๋ก ์ ์ฑ ์ ์คํํ ์ ์์์ ์์ฐํ์ต๋๋ค. ๋ฐ๋ผ์ Sparsh๋ ์คํ์ค ํ๋กํ ํ์ ์ ๋์ด ์ค์๊ฐ ๋ก๋ด ์ ์ด์ ํฌ์ ๊ฐ๋ฅํ ์ค๋น๋ ๋ชจ๋ธ์ด๋ผ๊ณ ํ ์ ์์ต๋๋ค.
ํ์ค ๋ฒค์น๋งํฌ ์ ๊ณต: TacBench์ ๋ฑ์ฅ์ ์ด๊ฐ ์ฐ๊ตฌ ์ปค๋ฎค๋ํฐ์ ํฌ๊ฒ ๊ธฐ์ฌํ๋ ์ ์ ๋๋ค. ์ด์ ์ฐ๊ตฌ์๋ค์ ์๋ก์ด ์ด๊ฐ ํํ ๋ชจ๋ธ์ด ๋์ค๋ฉด ์ด 6๊ฐ ๊ณผ์ ์์์ ์ฑ๋ฅ ์งํ๋ก ๋น๊ต ํ๊ฐํ ์ ์์ต๋๋ค. ๋ ผ๋ฌธ ์ ์๋ค๋ TacBench๋ฅผ โ์ด๊ธฐ ๋ฒค์น๋งํฌโ๋ก ์นญํ๋ฉฐ, ํฅํ ๊ณผ์ ๋ค์ ๋ ์ถ๊ฐํ๊ฑฐ๋ ๋ฐ์ดํฐ์ ์ ํ์ฅํจ์ผ๋ก์จ ์ง์์ ์ผ๋ก ๋ฐ์ ์ํฌ ์ ์๋ค๊ณ ์ธ๊ธํ์ต๋๋ค. ์ด๋ฐ ํ์คํ๋ ํ๋ซํผ์ ๊ณต๋ ๋ฐ์ ์ ๊ฐ์ํ ๊ฒ์ ๋๋ค.
๋ฌผ๋ก ํ๊ณ๋ ๊ฐ์ ์ ๋ ์กด์ฌํฉ๋๋ค:
์ค์ ๋ก๋ด ์์ฉ์์์ ๊ณผ์ : Sparsh ํํ์ ์ฌ์ฉํ ์ ์ฑ ๋ ๋ณต์กํ ์ค์ ์กฐ์ ๋ฌธ์ (๋น๋ ๋ฏธ๋ก ์์ฃผ ๋ฑ)์์๋ ์์ง ์๋ฒฝํ ์ฑ๊ณผ๋ฅผ ๋ด์ง ๋ชปํ์ต๋๋ค. ์ด๋ ๊ผญ Sparsh์ ์๋ชป์ด๋ผ๊ธฐ๋ณด๋ค, ํ๋ ๋ณต์ ๋ฐฉ์์ ํ๊ณ์ ํ๊ฒฝ์ ์์ธ ๋๋ฌธ์ ๋๋ค. ์ค์ ๋ก๋ด์์๋ ๋ฏธ์ธํ ํ ์ ์ด์ ์ด๋ ค์, ์ค์ฐจ๊ฐ ๋์ ๋๋ฉด ๋ณต๊ตฌ ๋ถ๊ฐ ๋ฑ์ ๋ฌธ์ ๊ฐ ์์ด, ์ฌ์ ํ์ต ํํ์ด ์์ด๋ ์ถ๊ฐ์ ์ธ ๋์ฑ ์ด ํ์ํจ์ด ๋๋ฌ๋ฌ์ต๋๋ค. ์ด๋ ํฅํ ๊ฐํํ์ต๊ณผ์ ์ฐ๊ณ๋ ์ค์๊ฐ ๋ณด์ ๊ธฐ๋ฒ ์ฐ๊ตฌ๊ฐ ํ์ํจ์ ์์ฌํฉ๋๋ค.
๋ฐ์ดํฐ์ ํธ์ค: ์ด๋ฒ ์ฐ๊ตฌ์ ์ฌ์ฉ๋ ๊ณต๊ฐ ์ด๊ฐ ๋ฐ์ดํฐ๋ค์ ์ฃผ๋ก ๋ถ์ฐ์์ ์ธ ์ ์ด(๋ฌผ์ฒด๋ฅผ ๋๋ค ๋ถ์๋ค ํ๋) ์์ฃผ์ ๋๋ค. ์ง์์ ์ผ๋ก ๋ฏธ๋๋ฌ์ง๋ ์ํธ์์ฉ์ด๋ ์ถฉ๊ฒฉ/์ง๋ ๊ฐ์ ์ญ๋์ ๋ฐ์ดํฐ๋ ๋ถ์กฑํ ํธ์ ๋๋ค. ์ ์๋ค๋ ์ ๋จ์ด ํ๋ถํ ๋ฐ์ดํฐ๋ฅผ ์ถ๊ฐ๋ก ๋ชจ์๋ค๋ฉด ํํ ํ์ต์ด ๋ ์ข์์ง ๊ฒ์ด๋ผ๊ณ ์์ํ์ต๋๋ค. ๋ฐ๋ผ์ ํ ๋จ๊ณ Sparsh๋ ์ ์, ์ค์ ์ ์ ์ด ์ํฉ์ ์ต์ ํ๋์ด ์์ ์ ์์ผ๋ฉฐ, ๊ณ ์ ์ถฉ๋์ด๋ ์ง๋ ๊ฐ์ง ๋ฑ์๋ ์ฑ๋ฅ์ด ๊ฒ์ฆ๋์ง ์์์ต๋๋ค.
ํ์คํ ๋ฆฌ ๊ธธ๋์ ๋ํ ๋ฏธ์คํ: Sparsh๋ ์ ๋ ฅ์ผ๋ก ๋ ํ๋ ์(๋๋ 4ํ๋ ์)์ ์ฌ์ฉํ๋ ๊ฒ์ผ๋ก ๊ณ ์ ํ์๋๋ฐ, ์ด ์ด๋ ฅ ๊ธธ์ด๋ฅผ ๋๋ฆฌ๊ฑฐ๋ ์ค์ด๋ ๊ฒ์ ๋ํ ์คํ์ด ์์ต๋๋ค. ๋ ๊ธด ์๊ฐ ์ฐฝ์ ์ ๋ ฅ์ด ์ ์ฌํํ์ ์ ๋ฆฌํ ์ง, ํน์ ๋ถํ์ํ ์ก์์ ์ค์ง์ ๋ํ ๋ถ์์ด ์์ด์, ํ ์ค์ ์ด ์ต์ ์ธ์ง๋ ์ถ๊ฐ ์ฐ๊ตฌ๊ฐ ํ์ํฉ๋๋ค.
ํ ์ผ์ ์ ํ์์ ์ผ๋ฐํ: Sparsh๋ ๋น์ ๊ธฐ๋ฐ ์ด๊ฐ ์ผ์๋ค๋ง ๋ค๋ฃน๋๋ค. ์๋ ฅ ๋ถํฌ๋ฅผ ์ด๋ฏธ์ง๋ก ๋ณํํ์ง ์๋ ๋ค๋ฅธ ์ข ๋ฅ์ ์ด๊ฐ ์ผ์(์: ๋ฐ์ด์คํํฌ์ ์ ๋๋ ๋ณํ, ํ ํ ํฌ ์ผ์ ๋ฑ)์ ๋ํด์๋ ์ด ์ ๊ทผ๋ฒ์ด ๋ฐ๋ก ํตํ์ง ์์ ์ ์์ต๋๋ค. ๋ฌผ๋ก ๋น์ ๊ธฐ๋ฐ์ด๋ผ๋ ๋์ผ ์๋ฆฌ์ ์ํ๋ ์ผ์๋ค ์ฌ์ด์์๋ ์ผ๋ฐํ๊ฐ ์ ๋์์ง๋ง, ๊ทธ ์ธ ๋ฐฉ์๊น์ง ํฌ๊ดํ๋ ๋ฉํฐ๋ชจ๋ฌ ์ด๊ฐ ํํ์ผ๋ก ํ์ฅํ๋ ค๋ฉด ์ถ๊ฐ ์ฐ๊ตฌ๊ฐ ํ์ํฉ๋๋ค.
๋๊ท๋ชจ ์์ ํ์: ์ฅ์ ์ผ๋ก ๊ผฝ์๋ ์ฌ์ ํ์ต์ด๋ ๊ณผ์ ์, ๊ฑฐ๊พธ๋ก ๋ณด๋ฉด ์๋นํ ๊ณ์ฐ ์์๊ณผ ๋ฐ์ดํฐ ์์ง ๋ ธ๋ ฅ์ด ํ์ํ ์์ ์ ๋๋ค. ๋ณธ ์ฐ๊ตฌ๋ Meta ๋ฐ ๋ํ ํ๋ ฅ์ ํตํด ๋ฐ์ดํฐ๋ฅผ ๋ชจ์ผ๊ณ ์ ์ฃผ๊ฐ ๋์ฉ๋ ๋ชจ๋ธ์ ํ์ต์์ผฐ๋๋ฐ, ๋ชจ๋ ์ฐ๊ตฌํ์ด ์ด๋ฅผ ์ํํ๊ธฐ๋ ์ด๋ ต์ต๋๋ค. ๋คํํ ํ์ต๋ ๊ฐ์ค์น ๊ณต๊ฐ(ํ๋ก์ ํธ ๊นํ๋ธ ๋ฑ)๊ฐ ์ด๋ฃจ์ด์ง๋ค๋ฉด ์ด๋ฅผ ํ์ฉํ๋ฉด ๋๊ฒ ์ง๋ง, ํฅํ ๋ ํฐ ๋ชจ๋ธ๋ค์ ๋ ๋ง์ ๋ฐ์ดํฐ/์ฐ์ฐ์ด ํ์ํ ๊ฒ์ด๊ธฐ์ ๊ท๋ชจ์ ๊ฒฝ์ ๋ฅผ ๋๋ฆด ์ ์๋ ๊ธฐ๊ด ์ค์ฌ์ผ๋ก ์ฐ๊ตฌ๊ฐ ์งํ๋ ์ฐ๋ ค๋ ์์ต๋๋ค.
๋ถ๋ถ ํ์ธํ๋ ํจ๊ณผ ๋ฏธ๋ฏธ: ๋ณธ๋ฌธ์์๋ ๋ค๋ฃจ์ง ์์์ง๋ง, ๋ถ๋ก์์ Sparsh ์ธ์ฝ๋๋ฅผ ๋ถ๋ถ์ ์ผ๋ก ๋ฏธ์ธ์กฐ์ (fine-tuning)ํด๋ ์ฑ๋ฅ ํฅ์์ ํฌ์ง ์๊ณ ๊ฑฐ์ ๊ณ ์ ๋ ์ํ์ ๋น์ทํ๋ค๊ณ ํฉ๋๋ค. ์ ์ฒด ํ์ธํ๋ํ๋ฉด ๋ ์ฑ๋ฅ์ด ์ข์์ก์ง๋ง ํนํ latent๊ธฐ๋ฐ ๋ชจ๋ธ์ด ๊ทธ๋ ๋ค๋ ๊ฒ์ด๊ณ , ๋ถ๋ถ(์: ๋ง์ง๋ง ๋ช ๊ณ์ธต๋ง)๋ง ํ๋ จํ๋ ๊ฑด ํฐ ์๋ฏธ๊ฐ ์์๋๋ฐ์. ์ด๋ Sparsh ํํ์ด ์ด๋ฏธ ์ถฉ๋ถํ ์ผ๋ฐ์ ํน์ฑ์ ๋ฝ์๋ด ์ฃผ๊ธฐ ๋๋ฌธ์ผ ์๋ ์๊ณ , ๋ฐ๋๋ก ๋ณด๋ฉด ํํ์ ์ ์ฌ๋ ํ๊ณ๊ฐ ์์ด์ ๋ ํ๋ํด๋ ๊ทน๋ณตํ๊ธฐ ์ด๋ ต๋ค๋ ์๋ฏธ์ผ ์๋ ์์ต๋๋ค. ์ด ๋ถ๋ถ์ ์ถํ ์ฐ๊ตฌ๋ก ์ฌ์ ํ์ต ํํ์ ์ ์ ํ ๋ณด์/๋ฏธ์ธ์กฐ์ ํ๋ ๊ธฐ๋ฒ์ด ๊ฐ๋ฐ๋ ์ฌ์ง๊ฐ ์์ต๋๋ค.
2.6 ํฅํ ์ ๋ง ๋ฐ ์์ฉ
Sparsh ์ฐ๊ตฌ๋ ์ด๊ฐ ์ผ์ฑ ๋ถ์ผ์ ์๋ก์ด ์ฅ์ ์ฌ๋ ์ถ๋ฐ์ ์ผ๋ก ๋ณผ ์ ์์ต๋๋ค. ์ ์๋ค๋ โ์์์ ๋ถ๊ณผโํ๋ค๋ ํฌ์ผ๋ก ์์ผ๋ก์ ๋ฐ์ ๋ฐฉํฅ์ ์ ์ํ๊ณ ์์ต๋๋ค. ์ฐ์ , ๋ ํฐ ๊ท๋ชจ์ ์ด๊ฐ ๋ฐ์ดํฐ์ ๊ตฌ์ถ์ด ์ฃผ์ ๊ณผ์ ๋ก ์ธ๊ธ๋ฉ๋๋ค. ํ์ฌ๊น์ง๋ ์ฐ๊ตฌํ์ด ์์ฒด ์์งํ๊ฑฐ๋ ๊ณต๊ฐ๋ ๋ฐ์ดํฐ๋ฅผ ๋ชจ์์ง๋ง, ์ ์ธ๊ณ์ ์ผ๋ก ์ด๊ฐ ๋ฐ์ดํฐ๋ฅผ ๋ชจ์ผ๋ ๋ ธ๋ ฅ์ด ๊ฒฐ์ง๋๋ค๋ฉด ์ปดํจํฐ ๋น์ ์ด๋ NLP์ฒ๋ผ ๊ฑฐ๋ํ๊ณ ๋ค์ํ ๋ฐ์ดํฐ๋ก ๋ชจ๋ธ์ ํ์ต์ํฌ ์ ์์ ๊ฒ์ ๋๋ค. ํนํ ๋ค์ํ ์ผ์(์: ์๋ก์ด ์ ๊ฐ ์ด๊ฐ์ผ์, ์ง๊ฐ ์ผ์ ๋ฑ)์ ๋ค์ํ ํ๊ฒฝ(์ฐ์ ์ฉ, ์๋ฃ์ฉ ๋ฑ)์ ๋ฐ์ดํฐ๋ฅผ ํฌํจ์ํค๋ฉด Sparsh์ ํ์ ๋ชจ๋ธ์ ๋์ฑ ๋ฒ์ฉ์ ์ผ๋ก ์งํํ ๊ฒ์ ๋๋ค.
๋ชจ๋ธ์ ์ค์ผ์ผ ์ (scale-up)๋ ๊ธฐ๋ํด๋ณผ ์ ์์ต๋๋ค. Vision Transformer ๊ธฐ๋ฐ์ Sparsh๋ Base ์์ค์ด์ง๋ง, ํฅํ ViT-Large๋ Hybrid ๋ชจ๋ธ๋ก ํค์ด๋ค๋ฉด ๋ ์ ๊ตํ ํํ์ ์ป์ ์ ์์ ๊ฒ์ ๋๋ค. ๋ฌผ๋ก ๋ฐ์ดํฐ๋ ๋น๋กํด์ ๋์ด๋์ผ ํ๊ฒ ์ง๋ง, ์ปดํจํฐ ๋น์ ๋ถ์ผ์ ๊ฒฝํ์ ๋ชจ๋ธ์ด ์ปค์ง์๋ก ์ฑ๋ฅ์ด ์ฌ๋ผ๊ฐ๋ ์ถ์ธ๊ฐ ์ด๊ฐ์๋ ์ ์ฉ๋ ๊ฐ๋ฅ์ฑ์ด ๋์ต๋๋ค. ์ด๋ฌํ ๋ํ ์ฌ์ ํ์ต ์ด๊ฐ ๋ชจ๋ธ์ ์ง์ ํ ์๋ฏธ์ ์ด๊ฐ Foundation Model๋ก ์๋ฆฌ๋งค๊นํ์ฌ, ์ฌ๋ ์์ ์ด๊ฐ์ฒ๋ผ ๋ฒ์ฉ์ ์ธ ์ง๋ฅ์ ๋ณด์ฌ์ค์ง๋ ๋ชจ๋ฆ ๋๋ค.
๋ ํ๋์ ๋ฐฉํฅ์ ๋ค์ค ๋ชจ๋ฌ ํตํฉ์ ๋๋ค. ์์ ๋น๊ตํ๋๋ก Sparsh๋ ์ค์ง ์ด๊ฐ ๋ชจ๋ฌ๋ฆฌํฐ๋ง ์ฌ์ฉํ๋๋ฐ, ์ดํ์๋ ์๊ฐ+์ด๊ฐ ๊ณต๋ ํ์ต์ด๋ ๋ ๋์๊ฐ ์ธ์ด๊น์ง ๊ฒฐํฉํ ๋ฉํฐ๋ชจ๋ฌ ํ์ต์ผ๋ก ํ์ฅํ ์ ์์ต๋๋ค. ์๋ฅผ ๋ค์ด, ๋์ผํ ์ํฉ์์ ์ด๊ฐ๊ณผ ์๊ฐ ์ ๋ณด๋ฅผ ๋ชจ๋ ์ฌ์ ํ์ตํ์ฌ ๊ณต์ฉ ์๋ฒ ๋ฉ์ ๋ง๋ค๋ฉด, ๋ก๋ด์ด ๋ณด๊ฑฐ๋ ๋ง์ง๋ ๊ฒ์ ๋ํด ์ผ๊ด๋ ํํ ๊ณต๊ฐ์์ ์ดํดํ ์ ์๊ฒ ๋ ๊ฒ์ ๋๋ค. ์ด๋ ์ธ๊ฐ์ด ๋ณด๊ณ ๋๋ผ๋ ๊ฐ๊ฐ์ ๊ฒฐํฉํ์ฌ ๋ฌผ์ฒด๋ฅผ ์ธ์งํ๋ ๋ฐฉ์๊ณผ๋ ์ ์ฌํฉ๋๋ค. ์ค์ ๋ก ์ด์ ์ฐ๊ตฌ๋ค์์ ๋ฉํฐ๋ชจ๋ฌ ์๋๊ฐ ์๋ ๋งํผ, Sparsh๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ๊ทธ๋ฐ ๋ฐฉํฅ์ ๋ชจ์ํ๋ค๋ฉด ์ด๊ฐ-์๊ฐ ๋์ ํ์ฉ ์์ (์: ๋ฌผ์ฒด ์๋ณ, ์ฌ์ง ํ์)์ ํ์ ์ ๊ฐ์ ธ์ฌ ์ ์์ต๋๋ค.
๊ฐํํ์ต ๋ฐ ๋ก๋ด ์ ์ด ์ธก๋ฉด์์๋, ํํ ํ์ต๊ณผ ์ ์ฑ ํ์ต์ ์ ๋ชฉ์ด ์ค์ํ ๊ฒ์ ๋๋ค. Sparsh๋ Behavior Cloning ์์ ๋ก ๋น๋ ๋ฏธ๋ก๋ฅผ ์๋ํ์ง๋ง, ์์ผ๋ก๋ ๋ชจ๋ธ ๊ธฐ๋ฐ ๊ฐํํ์ต์ด๋ ์จ-์ ์ฑ (on-policy) ๋ฐฉ๋ฒ์์ ์ฌ์ ํ์ต ํํ์ ํ์ฉํ๋ ์ฐ๊ตฌ๊ฐ ํ์ํฉ๋๋ค. ํนํ ์ค์๊ฐ ์ํธ์์ฉ ์ค์ ํํ์ ๊ณ์ ์ ์์์ผ๋๊ฐ๋ ํํ ๊ฐ๊ฐํ์ต ๊ฐ์ ๊ฐ๋ ๋ ์๊ฐํด๋ณผ ์ ์์ต๋๋ค. ์ด๋ Sparsh ํํ์ ๋์ ์ผ๋ก ์ ๋ฐ์ดํธํ๊ฑฐ๋, ํน์ ํ๋ก๋ธ ๋คํธ์ํฌ์ ํผ๋๋ฐฑ์ ์ฃผ๋ ๋ฐฉ์์ผ๋ก ์ด๋ฃจ์ด์ง ์ ์์ ๊ฒ์ ๋๋ค. ๊ถ๊ทน์ ์ผ๋ก๋, ์ฌ์ ํ์ต๋ ํํ์ ์จ์ ํ์ต ํจ์จ์ ๋์ด๋ฉด์๋, ์ค์ ํ๊ฒฝ์์์ ํผ๋๋ฐฑ์ผ๋ก ์ง์ ๊ฐ์ ํ๋ ๋ฐฉํฅ์ด ๋ฐ๋์งํ ๊ฒ์ ๋๋ค.
์์ฉ ๋ถ์ผ๋ฅผ ์ดํด๋ณด๋ฉด, Sparsh๋ ๋ค์ํ ์ฐ์ ๋ฐ ์ฐ๊ตฌ ๋๋ฉ์ธ์ ํ๊ธํจ๊ณผ๋ฅผ ๊ฐ์ ธ์ฌ ์ ์์ต๋๋ค. ์๋ฅผ ๋ค์ด:
์ ๋ฐ ์กฐ๋ฆฝ ๋ฐ ์ฝ์ ์์ : ์ด๊ฐ ์ผ์๋ฅผ ์ด์ฉํ ๋ฏธ์ธ ์กฐ๋ฆฝ(๊ธฐ๊ณ ๋ถํ ๋ผ์ฐ๊ธฐ ๋ฑ)์์๋ ํ๊ณผ ์์น๋ฅผ ์ฌ์ธํ ๊ฐ์งํด์ผ ํฉ๋๋ค. Sparsh ํํ์ด ์์ผ๋ฉด ์์ ์ ์ด ๋ณํ๋ฅผ ๋์น์ง ์๊ณ ๋, ๋ค์ํ ๋ถํ์ ๋ํ ๋ฒ์ฉ ์กฐ๋ฆฝ ๋ชจ๋์ ๊ตฌ์ถํ ์ ์์ ๊ฒ์ ๋๋ค.
์๋ฃ ๋ก๋ด ๋ฐ ์์(์์กฑ): ์ฌ๋์ ์ด๊ฐ์ ๋์ฒดํ๊ฑฐ๋ ๋ณด์กฐํ๋ ์์/์์กฑ์ Sparsh ๊ฐ์ ๋ชจ๋ธ์ด ๋ค์ด๊ฐ๋ฉด, ๋ฌผ๊ฑด์ ์ฅ ๋ ๋ฏธ๋๋ฌ์ง์ ์๋์ผ๋ก ๊ฐ์งํด ํ์ ์กฐ์ ํ๊ฑฐ๋, ์ด๊ฐ์ผ๋ก ๋ฌผ์ฒด์ ์ฌ์ง์ ์๋ณํ์ฌ ์ฌ์ฉ์์๊ฒ ํผ๋๋ฐฑ์ ์ค ์๋ ์์ต๋๋ค. ์ด๋ ์ด๊ฐ์ด ๊ฒฐ์ฌ๋ ๋ก๋ด์ด๋ ๋ณด์กฐ์ฅ์น์ ์ฌ๋ ๋น์ทํ ์ด๊ฐ ๋ฅ๋ ฅ์ ๋ถ์ฌํ๋ ๋ฐฉํฅ์ ๋๋ค.
์ฌ๋ฃ ๋ฐ ํ์ง ๊ฒ์ฌ: ์ด๊ฐ ์ผ์ฑ์ ํ๋ฉด์ ๊ฑฐ์น ๊ธฐ๋ ์์ฌ ํน์ฑ์ ํ์ ํ๋ ๋ฐ ์ฐ์ผ ์ ์์ต๋๋ค. Sparsh ๋ชจ๋ธ๋ก ํ์ต๋ ์๋ฒ ๋ฉ ๊ณต๊ฐ์ ์ง๊ฐ์ด๋ ๋ง์ฐฐ๊ณ์ ๋ฑ์ ์ ๋ณด๋ฅผ ๋ดํฌํ๊ณ ์์ผ๋ฏ๋ก, ์ฐ์ ๊ณต์ ์์ ์ ํ์ ํ๋ฉด ํ์ง ๊ฒ์ฌ, ์ง๋ฌผ์ด๋ ์ข ์ด์ ๋ถ๋ฅ ์์ ๋ฑ์ ๋ฐ๋ก ํ์ฉ๋ ์ ์์ ๊ฒ์ ๋๋ค.
์ฐ๊ตฌ ํ๋ซํผ์ผ๋ก์์ ํ์ฉ: TacBench์ ๊ณต๊ฐ๋ก, ์ด์ ์ฐ๊ตฌ์๋ค์ ์๋ก์ด ์ด๊ฐ ์ผ์๋ง ๊ฐ๋ฐ๋๋ฉด Sparsh์ ์ถ๊ฐ ํ์ต์ํค๊ณ ๋์ผํ TacBench์์ ์ํํด๋ณผ ์ ์์ต๋๋ค. ์ด๋ ์๋ก์ด ์ผ์ ์ํคํ ์ฒ ํ๊ฐ์๋ ํ์ค์ ์ ๊ณตํ์ฌ, ์ด๋ค ์ผ์ ์ค๊ณ๊ฐ ๋ ๋ค์ํ ์ด๊ฐ ์ ๋ณด๋ฅผ ์ ๋ด์๋ด๋์ง ๋น๊ตํ ์๋ ์๊ฒ ๋ฉ๋๋ค. ์ฆ, Sparsh๋ ์ด๊ฐ ์ผ์ ํ๋์จ์ด ์ฐ๊ตฌ์๋ ์ ๋์ ํ๊ฐ ๋๊ตฌ๋ก ๊ธฐ์ฌํ ์ ์์ต๋๋ค.
๋ง์ง๋ง์ผ๋ก, Sparsh ์ฐ๊ตฌ์ง์ ๋ ผ๋ฌธ์ ํตํด *โSparsh๋ ๋ฒ์ฉ ์ด๊ฐ ๋ฐฑ๋ณธ์ ํฅํ ์ค์ํ ๋ฐ๊ฑธ์์ด๋คโ*๋ผ๊ณ ๊ฐ์กฐํฉ๋๋ค. ๊ทธ๋ฆฌ๊ณ *โ์ฐ๋ฆฌ์ ๋ชฉํ๋ ๋ ํฐ ์ด๊ฐ ๋ฐ์ดํฐ์ ๊ณผ ๋ ํฐ SSL ๋ฐฑ๋ณธ์ ํ์ฉํ๋ ๊ฒโ*์ด๋ผ๊ณ ๋ฐํ๊ณ ์์ต๋๋ค. TacBench๋ ์์์ผ ๋ฟ์ด๋ฉฐ, ๋ถ์กฑํ ๋ถ๋ถ(์: ๋ฐ์ดํฐ ๋ค์์ฑ, ์๊ฐ ์ฐฝ ๊ธธ์ด ๋ฑ)์ ํฅํ ๋ณด์ํ๊ณ , ์์ปจ๋ ์ก์ฒด๋ฅผ ๋ฐ๋ฅผ ๋ ์ง๋ ๋ณํ ์ถ์ ๊ฐ์ ๋ ํฅ๋ฏธ๋ก์ด ์ด๊ฐ ๊ณผ์ ๋ ์ถ๊ฐํ ์ ์๋ค๊ณ ์ ์ํฉ๋๋ค. ์ด๋ฌํ ์ฒญ์ฌ์ง์ ๋ณผ ๋, ์์ผ๋ก ์ด๊ฐ ์ฐ๊ตฌ ์ปค๋ฎค๋ํฐ์ ํ์ ํ์ Sparsh๋ฅผ ์๋ ๋ ๋ฐ์ ๋ ๋ชจ๋ธ๋ค์ด ๋์ฌ ๊ฒ์ผ๋ก ๊ธฐ๋๋ฉ๋๋ค. ์๊ฐ๊ณผ ์ธ์ด์ ์ด์ โ์ด๊ฐ์ GPTโ๊ฐ ๋ฑ์ฅํ๋ ๋ ๋ ๋จธ์ง์์์ง ๋ชจ๋ฆ ๋๋ค. Sparsh๋ ๊ทธ ์ฒซ๊ฑธ์์ ๋ด๋์์ผ๋ฉฐ, ํฅํ ๋ก๋ด์๊ฒ ์ธ๊ฐ ์์ค์ ์ด๊ฐ ์ง๋ฅ์ ์ฌ์ด์ฃผ๋ ์ฌ์ ์ ์ค์ํ ์ด์ ํ๊ฐ ๋ ๊ฒ์ ๋๋ค.