물체 구분3배PTv3보다 3배 빨리 배우고, 더 정확합니다
스캔 맞추기+15.2%p겹침이 적은 스캔에서 짝을 맞힌 비율
현장 인식99.4%지게차 포크 구멍을 찾은 비율. 기존 최고 78.1%
로봇 조작86%정밀 끼우기 성공률. 다른 AI는 0%
한눈에 보는 결과
| 무엇을 쟀나 | LiOps | 비교 모델 |
|---|---|---|
| 물체 구분 | ||
| 실내 3D 장면 정확도 | 74.3 | 73.6PTv3 |
| 최고 정확도까지 걸린 학습 횟수 (적을수록 좋음) | 25회 | 76회PTv3 |
| 스캔 맞추기 | ||
| 겹침이 적은 스캔에서 짝을 맞힌 비율 | 58.7% | 43.5%GeoTransformer |
| 가장 확실한 짝 1,000개 중 맞힌 비율 | 88.7% | 78.6%SHReg |
| 현장 인식 | ||
| 지게차 포크 구멍을 찾은 비율 | 99.4% | 78.1%기존 SOTA (내부 아키텍처, 논문 미공개) |
| 로봇 조작 | ||
| 정밀 끼우기 성공률 | 86% | 0%Diffusion Policy · ACT |
| 큐브 쌓기 성공률 | 94% | 81%Diffusion Policy |
| 큐브 밀기 성공률 | 100% | 89%ACT |
하나의 AI로 모든 3D 과제를
지금까지는 3D 과제마다 다른 AI가 필요했습니다. 연구에서 가장 강하다는 PTv3도 스캔을 맞추는 일에서는 약합니다. LiOps는 하나의 AI로 세 과제를 모두 앞섭니다.
물체 구분 · 3D Segmentation
PTv3보다 정확하고, 3배 빨리 배웁니다
3D 장면의 점 하나하나가 의자인지 책상인지 맞히는 과제입니다. 색 없이 모양만 보고, PTv3보다 25% 작은 모델로 해냅니다.
74.3정확도, PTv3 73.6
최고 정확도까지 걸린 학습 횟수적을수록 좋음
3배 빠름LiOps25회
PTv376회
학습 초반 정확도높을수록 좋음
2회차에 +18.7LiOps58.2
PTv339.5
5회차
LiOps67.5
PTv355.4
10회차
LiOps72.4
PTv364.0
스캔 맞추기 · 3D Registration
겹치는 부분이 적어도 정확히 맞춥니다
다른 위치에서 찍은 두 3D 스캔을 하나로 합치는 과제입니다. 두 스캔에서 같은 지점끼리 짝을 지어야 하는데, LiOps는 이 짝을 훨씬 정확히 찾습니다.
+15.2%p짝을 맞힌 비율, GeoTransformer 대비
짝을 맞힌 비율% · 높을수록 좋음
겹침 적음 +15.2%pLiOps87.2%
GeoTransformer71.9%
겹침 적은 스캔
LiOps58.7%
GeoTransformer43.5%
가장 확실한 짝 1,000개 중 맞힌 비율% · 높을수록 좋음
겹침 적음 +12.5%pLiOps88.7%
SHReg78.6%
겹침 적은 스캔
LiOps61.3%
SHReg48.8%
현장 인식 · 지게차
최신 연구 SOTA(PTv3)도 넘지 못한 기존 최고 모델을 압도합니다
지게차가 짐을 들려면 짐과 포크 구멍의 위치를 정확히 알아야 합니다. 기존 SOTA는 우리가 이전에 만든 내부 아키텍처(논문 미공개)로, 이 일에서 PTv3보다 정확했습니다. LiOps는 그보다도 훨씬 정확합니다.
99.4%포크 구멍을 찾은 비율, 기존 최고 78.1%
지게차 인식 정확도% · 높을수록 좋음
포크 구멍 발견 +21.3%p기존 SOTA: 우리 이전 내부 아키텍처, 논문 미공개
짐 인식LiOps95.1
기존 SOTA92.6
모서리 인식
LiOps80.3
기존 SOTA76.9
포크 구멍 인식
LiOps96.5
기존 SOTA86.7
포크 구멍 발견
LiOps99.4
기존 SOTA78.1
기존 SOTA는 PTv3보다 정확합니다위치 오차 (mm) · 작을수록 좋음 · 같은 조건에서 비교
기존 SOTA: 우리 이전 내부 아키텍처
움직이는 점기존 SOTA28.23
PTv328.28
멈춰 있는 점
기존 SOTA6.43
PTv37.18
3D를 넘어 Physical AI로
LLM은 정해진 정답을 외우는 대신 질문에 답하는 법을 배워 범용이 됐습니다. 지금의 로봇 AI는 “관절을 다음에 어떻게 움직일까”에만 답합니다. LiOps는 “이 장면이 앞으로 어떻게 움직일까”에 답하고, 로봇의 움직임도 그 답 안에 들어 있습니다.
LLM
- 배우는 것
- 질문 → 답
- 답할 수 있는 것
- 거의 모든 질문
- 확장성
- 과제가 바뀌어도 그대로
기존 로봇 AI
- 배우는 것
- 화면 → 관절 움직임
- 답할 수 있는 것
- 로봇 자신의 다음 동작
- 확장성
- 로봇·과제마다 새로 학습
LiOps
- 배우는 것
- 3D 공간 + 질문 → 미래의 움직임
- 답할 수 있는 것
- 로봇과 주변 물체가 어떻게 움직일지
- 확장성
- 로봇의 동작은 세상 움직임의 일부
움직임 예측 · World Motion
장면이 어떻게 움직일지 mm 단위로 맞힙니다
물체가 평균 56 mm 움직이는 장면에서 예측 오차는 3.8 mm입니다. 이 예측을 함께 배우면 로봇의 작업 성공률이 2배가 됩니다.
3.8 mm움직임 예측 오차
움직임 예측 오차mm · 작을수록 좋음
93% 감소예측 안 함 (정지 가정)56.0mm
LiOps3.8mm
움직임 예측을 함께 배우면로봇 성공률 (%) · 같은 모델, 같은 학습량
2배동작만 배움8%
동작 + 움직임 예측16%
로봇 조작 · ManiSkill
다른 AI가 못 하는 정밀 작업을 해냅니다
로봇팔 시뮬레이션의 표준 시험입니다. 사전학습 없이 시연만 보고 배웠습니다. 다른 AI가 한 번도 성공하지 못한 끼우기를 86% 성공했고, 6가지 작업을 한 모델로 배우고도 큐브 쌓기에서 전용 모델보다 앞섭니다.
86%정밀 끼우기 성공률, 다른 AI 0%
정밀 끼우기성공률 (%) · 막대를 옆 구멍에 끼우기
+86%pLiOps86%
Diffusion Policy0%
ACT0%
큐브 쌓기성공률 (%) · 큐브를 집어 다른 큐브 위에 올리기
+13%pLiOps (6개 작업 한 모델)94%
Diffusion Policy81%
ACT80%
측정 기준
- 물체 구분: ScanNet20 val 312장면, 좌표(xyz)만 입력, 사전학습 없음, Pointcept v1.7 동일 레시피(100 epoch). 정확도는 최고 val mIoU, 학습 횟수는 그 최고치가 나온 epoch. 파라미터 LiOps 34.8 M, PTv3 46.2 M.
- 스캔 맞추기: 3DMatch(일반) / 3DLoMatch(겹침 적음) 공식 프로토콜, LiOps epoch 8. 짝을 맞힌 비율은 inlier ratio, 가장 확실한 짝 1,000개는 IR@1000. GeoTransformer·SHReg는 논문 보고치.
- 현장 인식: forklift 검증 scene 1개(3프레임 간격), LiOps 1프레임 최종 모델(v10_single step 12,000). 인식 정확도는 F1, 찾은 비율은 recall. 기존 SOTA는 LiOps 이전의 우리 내부 아키텍처(논문 미공개, SPUNet-FlexGEMM 기반 A3DP 모델)이며, 수치는 커밋 1889e4eb에 기록된 값으로 같은 프레임에서 나란히 돌린 비교는 아닙니다. 기존 SOTA는 임계값 조정 후, LiOps는 조정 전 값입니다. 기존 SOTA와 PTv3 비교는 PointWorld에서 backbone만 교체한 실험(DROID 3,185 clip, 같은 head·손실·평가기).
- 움직임 예측: ManiSkill 검증 300 clip. 정지 가정의 오차는 장면의 평균 움직임 크기와 같습니다. 함께 배우기 비교는 같은 모델·30k step, PegInsertionSide.
- 로봇 조작: ManiSkill3, motion-planning 시연 1,000개, 100 에피소드, 에피소드 중 1회 이상 성공 기준. LiOps는 RGB-D 점군 입력이며, 정밀 끼우기(PegInsertionSide)는 Peg/Plug 모델, 큐브 쌓기(StackCube)·밀기(PushCube)는 6개 작업 공용 단일 모델입니다. Diffusion Policy·ACT는 ManiSkill3 논문 Table III의 RGB baseline(학습 중 최고 성공률). 같은 평가기로 직접 학습한 Diffusion Policy는 정밀 끼우기 2%.