Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
SCOPE는 개방형 환경에서 체화된 작업의 장기 계획 수립을 위해 상징적 세계를 스스로 진화시키는 자기 적응형 프레임워크입니다. SESim과 SASMem 모듈을 통해 상징적 표현의 불완전성을 극복하고 계획의 성공률과 적응성을 높입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기최근 연구들은 복잡한 체화된 작업 (embodied tasks)을 위한 장기 계획 (long-horizon plans)을 생성하기 위해, 시각-언어 모델 (Vision-Language Models, VLMs)을 계획 문제의 상징적 표현 (symbolic representations)에 의존하는 고전적 플래너 (classical planners)와 통합하는 방법을 탐구해 왔습니다. 그러나 개방형 환경 (open-ended environments)에서 인식을 통해 얻은 이러한 상징적 표현들은 종종 불완전하며, 이는 차선의 성능으로 이어집니다. 이를 해결하기 위해, 우리는 행동 계획을 개선하고 상징적 세계, 즉 개방형 환경의 상징적 표현을 진화시키는 것을 지원하는 자기 적응형 상징적 계획 프레임워크 (self-adaptive symbolic planning framework)인 SCOPE를 소개합니다. SCOPE는 두 가지 시너지 모듈로 구성됩니다: 행동 계획의 상징적 검증 (symbolic validation) 및 실제 실행을 수행하고, 피드백을 활용하여 계획을 개선하고 상징적 세계를 진화시키는 상징적 실행 시뮬레이터 (Symbolic Execution Simulator, SESim); 그리고 피드백을 진화하는 상징적 지식으로 더욱 정제하여 장기 계획 수립 및 상징적 세계의 모델링을 강화하는 자기 적응형 상징적 메모리 (Self-Adaptive Symbolic Memory, SASMem)입니다. 개방형 환경에서의 실험 결과, SCOPE는 상징적 세계의 완전성, 환경 섭동 (perturbations) 하에서의 계획 성공률, 그리고 다양한 체화된 시나리오 전반에 걸친 교차 작업 접지 (cross-task grounding) 및 적응성을 크게 향상시키는 것으로 나타났습니다.