ChunkAct: 에이전트 로봇 공학을 위한 액션 청킹

요약

ChunkAct는 에이전트 로봇 공학의 효율성을 높이기 위해 액션 청킹(action chunking)을 제안합니다. 기존 방식은 모든 기본 동작마다 LLM 추론이 필요하여 비용이 증가했지만, ChunkAct는 하위 목표 선택 후 기본 동작 덩어리를 자율적으로 실행하고 실패 시에만 제어를 반환합니다. 이를 통해 LLM 계산 부하를 결정의 수로 줄여 효율성을 크게 개선했습니다.

핵심 포인트

• 액션 청킹(ChunkAct)을 도입하여 로봇 에이전트의 효율성 증대
• 기본 동작마다 필요한 LLM 추론 횟수를 대폭 감소시킴
• LLM 계산 부하를 기본 동작 수 대신 결정 수에 비례하도록 최적화
• LIBERO-Pro 벤치마크에서 성공률 향상 및 리소스 절감 입증