최근 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.