이 연구는 DreamerV2에 ‘역동역학(inverse dynamics)’ 목표를 추가해, 미래 이미지뿐 아니라 상태 전이를 만든 행동까지 함께 학습하게 만든 게 핵심이에요

로봇 정책 학습 성능을 크게 끌어올린 World-Action Model(WAM)이 나왔어요.

이 연구는 DreamerV2에 ‘역동역학(inverse dynamics)’ 목표를 추가해, 미래 이미지뿐 아니라 상태 전이를 만든 행동까지 함께 학습하게 만든 게 핵심이에요. 즉, 제어에 중요한 행동 정보가 잠재표현에 더 잘 담기게 한 거예요.

CALVIN 조작 과제 8개에서, 정책 구조나 학습 절차를 바꾸지 않고도 성능이 뛰었어요. 행동복제(BC) 평균 성공률은 59.4%에서 71.2%로 올랐고, PPO 미세조정 후엔 79.8% 대비 92.8%를 기록했어요. 2개 과제는 100% 성공에 도달했고, 학습 스텝은 8.7배 적게 썼거든요.

결국 “더 적게 학습하고 더 잘 제어하는” 월드모델 설계가 실제 로봇 학습 효율의 게임체인저가 될 가능성을 보여준 결과에요.