고정 모델도 로봇 역량 높인다, PhysEvo 프레임워크 제시
원제 PhysEvo: Astra Can Act, Let It
추천 29댓글 2
Key Point
모델 가중치 업데이트나 별도 훈련 없이 시뮬레이션 기반 자기개선만으로 실제 로봇 조작 성공률을 5배 이상 높일 수 있음을 입증한 결과다.
핵심 요약
- Astra 같은 고정된 대형 모델도 충분한 관찰과 제어 체계가 있으면 로봇 조작 능력을 발휘할 수 있다.
- PhysEvo는 모델 가중치를 업데이트하지 않고도 물리적 재귀적 자기개선(RSI)을 수행하는 프레임워크다.
- 작업 에이전트가 로봇 태스크를 실행하고, 메타 에이전트가 실패를 진단해 도구와 스킬을 개정한 후 테스트한다.
- 메타 에이전트는 자신의 진단 도구도 개선할 수 있어 개정 사항이 나중의 행동과 자기개선을 모두 지원한다.
- 별도의 훈련 정책 없이 관절 제어, 증거 수집 관찰, 재사용 가능한 조작 스킬이 자동으로 발전한다.
- RoboDojo 42개 태스크에서 시뮬레이션 평가 결과 평균 68.14/100, 62.00% 성공률을 기록했고, RoboDawn의 원샷 Astra는 47.17% 성공률이었다.
- Astra가 직접 제어하기 어려운 8개 조작 태스크에서 PhysEvo는 55.00% 성공률을 달성했으며 직접 제어는 1.25%에 불과했다.
- 시뮬레이션에서 진화한 제어 체계를 실제 로봇(AgileX PiPER)에 배포해 5개 실제 태스크 25회 시도에서 평균 90.60/100, 84.00% 성공률을 얻었다.