# 로봇 월드 모델 제어 학습 데이터 85배 줄이는 기법

> 연구진은 액션 영향 최대화(AIM)가 영상 기반 모델의 제어 학습에 필요한 데이터를 85배 줄인다고 밝혔다.

Oossa · 2026-10-21 · https://oossa.com/ko/new-data-collection-method-boosts-robot-world-model-control

Samuel Bateman이 이끄는 연구진은 영상 기반 월드 모델이 명령된 동작에 주의를 기울이도록 학습 에피소드를 능동적으로 수집하는 알고리즘인 액션 영향 최대화(Action Influence Maximization, AIM)를 선보였다. 시뮬레이션 내비게이션과 픽셀 기반 조작 실험에서 AIM은 기존 전문가 시연 3,000개에 새 에피소드 500개만 추가하고도 전문가 에피소드 300,000개로 학습한 모델과 같은 수준의 제어 성능을 냈다. 데이터 효율성 면에서 기존 탐색 기법과 내재적 동기 부여 기법보다 뛰어났다.

## 팩트

- AIM은 전문가 시연 300,000개 대신 에피소드 500개를 사용해 필요한 데이터를 85배 줄였다.
- 논문은 2026-10-21 arXiv에 게시됐다.

## 왜 중요한가

로봇 개발자는 AIM을 활용해 비용이 많이 드는 시연 녹화 데이터를 훨씬 적게 사용하면서도 명령에 더 민감하게 반응하는 제어 모델을 학습할 수 있다.

## 출처 및 참고 자료

1. [Training Controllable World Models via Action Influence Maximization](https://arxiv.org/abs/2610.27387) – arXiv cs.RO, 2026-10-21

최종 업데이트: 2026-10-21