로봇이 스스로 배우는 데이터로 자기개선 가속화

핵심 요약

• 로봇 파운데이션 모델 학습을 위해 다양한 데이터와 신뢰할 수 있는 평가 환경이 필요한데, 기존 시뮬레이션은 미리 정한 에셋과 스킬로만 제약받고 있다.
• EmbodiedSmith는 재귀적 자기개선(RSI) 방식으로 시뮬레이션 환경에서 대규모 로봇 데이터를 생성하는 프레임워크다.
• 에셋, 씬, 태스크 생성을 한 파이프라인에 통합하며, 언어 기반 커스터마이징과 자동 생성을 모두 지원한다.
• 핵심 메커니즘은 에이전트 기반 반복 루프로, 씬 생성은 다음 태스크의 요구를 예상하고 태스크 생성은 목표에 맞춰 씬을 수정하게 함으로써 두 단계가 서로를 개선한다.
• 이 상호 개선으로 장기간 태스크를 포함한 태스크 생성 성공률이 높아진다.
• 이동형 매니퓰레이터, 휴머노이드, 손가락 로봇은 물론 변형 가능한 물체와 유체 상호작용까지 지원해 생성 데이터의 행동과 물리 현상 다양성을 크게 넓혔다.
• 로봇 사전학습과 평가 모두에 쓸 수 있는 유연한 시뮬레이션 엔진을 제공한다.
• 생성된 데이터의 품질과 다양성, 생성 효율성을 검증했으며, 실제 정책 학습 실험에서 데이터 다양성이 증가하면 일반화 능력이 향상됨을 확인했다.