PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.06721v1cs.RO

SCOUT: 불확실성 기반 순회를 통한 시맨틱 장면 커버리지

SCOUT: Semantic scene COverage via Uncertainty-guided Traversal

장기간 운용되는 로봇은 단순히 공간을 방문하는 데 그치지 않고, 점진적으로 공간을 이해해야 한다. 그러나 대부분의 3D 장면 그래프 파이프라인은 고정된 데이터셋에 대한 후처리 단계로 인식을 다루며, 장면 표현을 애초에 무엇을 관찰할지 결정하는 의사 결정과 분리시킨다. 우리는 SCOUT를 제안한다. SCOUT는 능동적 순회와 확률적 장면 그래프 구성을 결합하여 이 루프를 닫는 온라인 시맨틱 탐험 프레임워크이다. 사전 2D 점유 지도와 포즈가 부여된 RGB-D 관측이 주어지면, SCOUT는 불확실성을 인식하는 3D 장면 그래프를 점진적으로 구축한다. 각 노드는 융합된 기하 정보와 오픈-보캐뷸러리 객체 레이블에 대한 사후 믿음(posterior belief)을 유지하며, 엣지는 on, inside, belong, next to와 같은 구조적 관계를 인코딩한다. 이 믿음들은 불확실성 기반 순회 플래너에 피드백되며, 플래너는 기대되는 시맨틱 확실성 획득, 기하학적 커버리지 획득, 이동 비용의 균형을 맞추어 시점을 선택한다. 이를 통해 로봇은 추가적인 증거가 중요할 때 모호한 객체를 재방문하고, 장면이 불완전할 때 미탐험 자유 공간으로 확장한다. 결과 시스템은 시맨틱 장면 완전성을 시맨틱 매핑의 수동적 부산물이 아닌 운용 목표로 다루며, 최소한의 인간 개입으로 변화하는 실내 환경을 순찰하고, 갱신하고, 추론할 수 있는 자율 에이전트를 향해 나아간다.

arXiv:2606.06464v1cs.CL

성인과 LLM을 과학자로: 누가 능동적 탐험의 이익을 얻는가?

Human Adults and LLMs as Scientists: Who Benefits from Active Exploration?

인과 학습 문헌에서 오랫동안 확인된 바와 같이, 성인은 여러 원인이 동시에 존재해야 효과가 발생하는 연접(conjunctive) 인과 규칙을 식별하는 데 어려움을 겪는 반면, 분리(disjunctive) 설정에서는 더 나은 성과를 보인다. 그러나 이러한 '연접 결함(conjunctive handicap)'의 대부분의 실증은 학습자가 증거 생성을 통제할 수 없는, 제한된 증거를 가진 수동적 관찰 패러다임에 의존한다. 본 논문은 성인에게 능동적 탐험을 통해 주체성(agency)이 부여될 때 이 바이어스가 지속되는지 묻는다. 수정된 'blicket detector' 과제를 사용하여, 성인 참가자들은 연접 또는 분리 규칙 구조 하에서 인과 객체를 식별하기 위해 자유롭게 개입했다. 능동적 탐험은 성인의 연접 인과 추론을 상당히 향상시키지만, 연접 규칙은 여전히 분리 규칙보다 추론에 더 많은 검사가 필요함을 보인다. 또한 동일한 설정에서 인간의 수행을 다양한 대규모 언어 모델(LLM)과 비교한다. 일부 최신(state-of-the-art) 모델은 가설 추론 정확도에서 인간 수준의 성능에 근접하지만, 종종 덜 효율적인 탐험 전략과 유사한 연접-분리 성능 격차를 보인다.