Cheng Chi

Diffusion Policy 제1저자, UMI 개발자, Sunday Robotics CTO

Profile

항목내용
현직Co-founder & CTO, Sunday Robotics
이전Columbia University PhD, Stanford SNF
지도교수Shuran Song

핵심 기여

  • Diffusion Policy 제1저자: 로봇 액션 생성에 diffusion 적용 (RSS 2023 Best Paper Finalist)
  • UMI (Universal Manipulation Interface): 범용 조작 데이터 수집 인터페이스 (RSS 2024 Best Systems Paper Finalist)
  • Iterative Residual Policy: 반복 작업을 위한 학습 프레임워크 (RSS 2022 Best Paper Award)
  • Sunday Robotics 공동창업: 가정용 로봇 스타트업 CTO

Research Timeline

Columbia → Stanford → Sunday Robotics

Shuran Song 지도

YearWorkImpact
2020Nuro 근무Mapping & Localization Team
2021.01PhD 시작Columbia CAIR Lab
2022Iterative Residual PolicyRSS 2022 Best Paper Award
2022DextAIRityRSS 2022 Best Systems Paper Finalist
2023Diffusion Policy로봇 diffusion 선구적 연구 (RSS 2023)
2024UMIRSS 2024 Best Systems Paper Finalist
2024Stanford 이동Shuran Song과 함께 (SNF)
2024.04Sunday Robotics 공동창업Tony Zhao와 함께
2025.11Memo 로봇 출시가정용 로봇 공개

Major Publications

Diffusion Policy (RSS 2023, IJRR 2024)

“Diffusion Policy: Visuomotor Policy Learning via Action Diffusion”

핵심 기여:

  • 로봇 액션 생성에 diffusion 최초 적용
  • Multimodal action distribution 처리
  • 4개 벤치마크 평균 46.9% 성능 향상

UMI (2024)

“Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots”

핵심 기여:

  • 로봇 없이 인간 손으로 데이터 수집
  • 다양한 로봇에 전이 가능
  • 실제 환경(in-the-wild) 데이터 수집

Iterative Residual Policy (RSS 2022)

“Iterative Residual Policy for Goal-Conditioned Dynamic Manipulation of Deformable Objects”

핵심 기여:

  • 반복 작업을 위한 일반적인 학습 프레임워크
  • 부정확한 시뮬레이션 데이터에서 학습 가능
  • RSS 2022 Best Paper Award, Best Student Paper Finalist

Key Ideas

Diffusion Policy (2023)

핵심: 로봇 액션을 denoising diffusion으로 생성

p(a|o) = ∫ p(aK) ∏ p(ak-1|ak, o) dak:K

과정:
1. 순수 노이즈에서 시작
2. 관측(o) 조건부로 점진적 denoising
3. 최종 액션 시퀀스 생성

vs ACT:

항목Diffusion PolicyACT
생성 방식Iterative denoisingSingle forward pass
Multimodality자연스러운 처리Style variable (z)
학습 안정성매우 높음높음

UMI (2024)

핵심: 로봇 없이 인간 손으로 데이터 수집 후 로봇에 전이

[인간 손 시연] → [UMI 인터페이스] → [로봇 정책 학습]

장점:
- 로봇 하드웨어 없이 데이터 수집
- 실제 환경에서 수집 가능
- 다양한 로봇에 전이

Impact

Diffusion Policy의 영향

  • π0: Flow matching (diffusion의 변형) 채택
  • Octo: Diffusion decoder 사용
  • SmolVLA: Flow matching 사용
  • LeRobot: 기본 지원 모델

UMI의 영향

  • 데이터 수집 비용 대폭 절감
  • Sunday Robotics 등 유사 접근법에 영향

Philosophy

연구 철학

“좋은 표현(representation)과 좋은 생성 모델의 결합이 핵심”

연구 방향

  1. 2021-2023: Diffusion for robot learning
  2. 2024: Data collection interfaces (UMI)
  3. 2024-현재: Sunday Robotics - 가정용 로봇 상용화

See Also