본 연구는 시각-언어모델이 장면 인식을 넘어 로봇과 객체 간 상호작용을 통해 질량과 탄성 같은 내재적 물리 속성을 추론하도록 학습 및 평가하는 멀티뷰 비디오 질의응답 벤치마크와 데이터셋을 제안한다. 이를 위해 시뮬레이션 환경에서 역기구학 제어를 바탕으로 큐브 밀기와 구 낙하 태스크를 설계해 데이터를 수집하고, 최신 모델들을 미세조정하여 성능을 분석하였다. 실험 결과, 사전 학습 모델은 낮은 정답률을 보였으나 미세조정 후 최종 변위가 정적인 질량 추론 태스크에서는 성능이 크게 향상되며 기존의 텍스트 응답 편향을 극복하였다. 반면 찰나의 동적 궤적을 추적하는 탄성 추론 태스크에서는 성능 향상이 제한적이었고 언어적 편향성으로 회귀하는 한계를 보였다. 결론적으로 본 데이터셋은 모델의 물리 추론 능력을 정량적으로 평가할 수 있는 환경을 제공하여, 향후 실제 로봇의 효율적인 행동 계획과 의사결정 기반을 마련하는 데 기여한다.
Jang et al. (Sun,) studied this question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: