Hugging Face 논문AI · 머신러닝

로봇 자율성 향상, 다중에이전트 프레임워크로 실적 2배 이상 돌파

원제 Toward the Era of Agentic Embodied Intelligence

추천 52댓글 3Chao Liang, Ke Chen, Fengxiaoxiao Li 외
Key Point

로봇의 자율적 행동 성능을 2배 이상 끌어올린 프레임워크가 공개될 예정이며, 실제 가정용 로봇 작업에서의 높은 성공률과 빠른 학습 속도는 구체화 AI 실용화에 새로운 기준을 제시한다.

핵심 요약

  • 파운데이션 모델로 로봇 제어를 하되 자율성을 오래 유지하려면 효율적인 컨트롤과 실패 복구가 필요하다.
  • 연구팀이 A2-MEAS라는 구체화 다중에이전트 프레임워크를 제안했으며, 이는 코드를 확장 인터페이스로 삼는다.
  • 수정 코드는 수정 언어, 공간 증거, 실행 이력, 행동 제안을 결합하며, MetaBrain이 학습 감독과 런타임 지도를 제공한다.
  • 수정 인코더와 어댑터가 학습 중 정책 가중치에 지식을 흡수하고, 배포 시 고정된 가중치로 신규 코드가 동작을 조정한다.
  • 행동 모델 A2-WLA는 모션 인식 이력과 잠재 세계 모델을 비전-언어-행동 정책에 추가한다.
  • 행동 사전학습과 작업 특화로 구성된 이 단순한 설계가 BEHAVIOR 2026 50개 과제에서 온라인 수정 전 0.5755 Q-score를 달성하여 2025 우승자 0.2605의 2.21배를 기록했다.
  • 전체 100개 BEHAVIOR 2026 공개 과제에서 A2-MEAS는 0.6411 Q-score와 45.40% 작업 성공률을 달성했다.
  • RoboTwin 2.0에서 A2-WLA는 93.98% 평균 성공률을 기록했으며, 완전한 시스템으로는 95.05%로 상승한다.
  • 5개 가정 환경 내 12개 실제 로봇 작업에서 A2-WLA는 57.92% 평균 성공률을 달성하여 pi0.5의 26.67%보다 훨씬 높았다.
  • 드립 커피 제조 같은 장기간 작업에서 이력 기반 어댑터가 필터 처리 두 단계에서 실패 후 완성률을 14%에서 94%, 8%에서 82%로 높였다.
  • 학습 인프라는 초당 427.1 샘플 처리로 같은 하드웨어의 pi0.5 참조 구현보다 4.03배 빠르다.
  • 연구팀은 시스템, 모델, 학습 스크립트, 인프라를 공개할 예정이다.
AI 요약 안내

AI가 한국어로 정리한 내용입니다. 정확한 정보는 원문을 확인해 주세요.

요약 원칙 ↗