로봇이 경험 쌓아 스스로 진화하는 기초모델 프레임워크
원제 RoboFoundry: System-as-Policy Evolution for Self-Learning Embodied Agents
추천 18댓글 1
Key Point
기초모델이 단순히 에이전트로 동작하는 것을 넘어 실행 경험으로부터 시스템 자체를 자동으로 개선할 수 있는 구조를 제시하는 것이 중요하며, 서로 다른 로봇 간 기능 전이가 가능해 구현의 실용성이 크게 높아진다. ai
핵심 요약
- 기초모델을 단일 정책으로 보지 않고, 전체 시스템 자체를 진화하는 정책으로 취급하는 RoboFoundry를 제시한다.
- 메모리 관리·문맥 처리·기술 조직·행동 인터페이스 등 에이전트 스택의 개별 요소들을 최적화하는 기존 방식과 달리, 실행 경험을 검증된 시스템 변화로 변환해 지속적으로 개선하는 방식이다.
- 맥락 시스템(활성 내부 문맥·파일시스템 메모리 관리)과 계층적 기술 시스템(원자적 기술·재사용 가능한 조합·실패 조건부 복구)이라는 두 가지 진화 표면을 갖추고 있다.
- 의사결정·실행을 구분하는 공유 의미 인터페이스를 통해 진화된 기능을 서로 다른 로봇 간에 전이 가능하게 한다.
- EmbodiedBench에서 GPT-4o를 27.8% 향상시켰고, Qwen3.7-Plus을 GPT-4o 수준에 근접하게(70.3% vs 72.7%) 끌어올렸다.
- RoboMemArena에서는 모든 비교 대상을 39.0% 이상 앞질렀으며, LIBERO-PRO에서 Cap-Agent0 대비 243.8~679.7% 성능 향상을 기록했다.
- 실제 로봇 배치 환경에서 영점사격 전이와 온라인 진화를 시연하며, 완전히 자율적인 구현 에이전트 개발의 가능성을 보여준다.