실제 환경에서 로봇 에이전트의 계속 학습 평가하는 벤치마크 공개

핵심 요약

• EmbodiedCLBench는 로봇 시뮬레이션 환경에서 자기 진화 에이전트의 계속 학습(continual learning) 능력을 평가하기 위한 첫 벤치마크다.
• 벤치마크는 에이전트가 기본 작업부터 학습한 후 획득한 기술들을 재조합해 본 적 없는 복잡한 고급 작업을 해결할 수 있는지를 평가하는 구성적 일반화(compositional generalization)를 핵심 원칙으로 삼는다.
• 여러 에이전트 구조와 학습 방법 전체에 걸친 광범위한 실험을 통해 에이전트의 일관된 제약과 독특한 행동 패턴을 발견했다.
• 고급 작업은 영상 학습(zero-shot) 환경에서는 거의 해결되지 않지만, 기본 작업의 경험은 지속적인 성능 개선을 가능하게 한다.
• 기본 작업 경험으로부터의 이득은 작업 복잡도가 증가해도 안정적으로 유지된다.
• 그러나 이런 개선 효과는 학습 샘플 수 증가에 따라 적절히 확대되지 않으며, 현재 에이전트들은 추가 경험으로부터 의미 있는 정보를 추출하지 못한다.
• 연구팀은 계속 학습을 자기 진화 에이전트 설계를 위한 근본적이면서도 미흡하게 연구된 능력으로 지적하며, 벤치마크와 코드·데이터셋을 공개했다.