로봇 제어에 활용되는 확산 정책(diffusion policy)은 다양한 행동 분포를 풍부하게 학습할 수 있지만, 그 확률론적 다양성이 정밀한 행동 제어를 어렵게 만드는 역설적 한계를 안고 있다. 연구팀은 이 문제를 해결하는 매개변수화 확산 정책(PDP, Parameterized Diffusion Policy) 프레임워크를 제안했다. 핵심 아이디어는 저차원의 연속 매개변수를 학습된 행동 매니폴드(behavior manifold)에 임베딩해, 조종 가능한 방식으로 행동을 생성하는 것이다.
PDP 설계의 핵심은 잠재 표현 간 거리가 실제 궤적의 의미적 유사성을 반영하도록 행동 매니폴드를 구성하는 데 있다. 이 구성 덕분에 확산 과정은 확률론적 다양성을 생성하는 기제에서 정밀하고 최적화 가능한 행동 조종 도구로 전환된다. 알려진 전략들 사이의 부드러운 보간(interpolation)이 가능하고, 정책 가중치를 업데이트하지 않고도 새로운 제약 조건에 효율적으로 적응할 수 있다는 점이 기존 방법과의 차별점이다.
연구팀은 PDP를 시뮬레이션과 실제 로봇 실험 모두에서 평가했으며, 복잡한 다중 모드(multimodal) 벤치마크에서 표준 확산 정책 대비 적응 성능이 크게 향상됐음을 확인했다. 특히 새로운 행동을 합성해야 하는 시나리오에서 개선 효과가 두드러졌다. 행동 매니폴드를 통해 매개변수를 구조적으로 제어함으로써, 기존에는 새로운 데이터 수집이나 모델 재훈련이 필요했던 상황에서도 유연하게 대응할 수 있다는 것이 실용적 가치다.
확산 모델은 이미지·음성·영상 생성을 넘어 로봇 조작 정책 학습 분야에서도 주목받는 방법론으로 자리잡았다. PDP는 확산의 표현력을 유지하면서도 목적 지향적인 제어를 가능하게 하는 방향으로 기술을 발전시킨 사례다. 공장 조립 라인의 매니퓰레이터 로봇이나 검사 자동화 시스템처럼 정밀성과 적응력을 동시에 요구하는 분야에서 실제 적용 사례가 늘어날 것으로 기대된다. 한국의 스마트팩토리와 협동 로봇 시장에서도 이 같은 유연한 정책 학습 프레임워크가 주목받을 전망이다.
