PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.18727v3cs.RO

DexHoldem: 텍사스 홀덤에서의 정교한 조작을 위한 에이전틱 로보틱스 벤치마크

DexHoldem: An Agentic Robotics Benchmark for Dexterous Manipulation in Texas Hold'em

실제 정밀 하드웨어를 갖춘 체화된(embodied) 시스템을 평가하기 위해서는 단순한 개별 운동 기술 테스트 이상의 것이 필요합니다. 에이전트(agent)는 변화하는 환경(예: 테이블 위)을 인지하고, 맥락에 맞는 적절한 행동을 선택하며, 정교한 로봇 손으로 이를 실행하는 동시에 이후의 결정을 위해 환경을 활용 가능한 상태로 유지해야 합니다. 본 연구에서는 ShadowHand를 사용하여 텍사스 홀덤과 관련된 정교한 조작을 평가하는 포괄적인 실세계 벤치마크인 DexHoldem을 소개합니다. DexHoldem은 14가지 텍사스 홀덤 조작 프리미티브에 걸친 1,470개의 원격 조작 시연 데이터, 표준화된 물리적 정책 벤치마크, 그리고 에이전트가 체화된 의사결정에 필요한 구조화된 게임 상태를 복원할 수 있는지 테스트하는 에이전틱 인지 벤치마크를 제공합니다. 프리미티브 실행 측면에서 $\pi_{0.5}$가 가장 높은 태스크 완료율($61.2\%$)을 달성한 반면, 장면 보존 성공률에서는 $\pi_{0.5}$와 $\pi_0$가 동률($47.5\%$)을 기록했습니다. 에이전틱 인지에서는 Opus 5.5가 엄격한 문제 수준 정확도($49.1\%$)와 평균 필드별 정확도($80.6\%$) 모두에서 근소하게 앞섰으며, 두 지표 사이의 격차는 개별적인 시각적 하위 능력과 라우팅에 직결되는 완전한 상태 복원 간의 거리감을 드러냅니다. 마지막으로, 단일 에이전트-정책 쌍을 활용하여 33회의 폐루프 핸드 수준 롤아웃으로 전체 체화 에이전트 루프를 구현한 결과, 단 $12.1\%$의 핸드만이 완료되었습니다. 재시도는 34회의 디스패치 중 12회에서 실패한 프리미티브를 복구하고, 수동 중단이 불가피했을 완료된 4개 핸드 중 3개에서 장기화된 실행 지연을 해결했습니다. 재시도나 인간 지원 요청 없이 완료된 핸드는 단 1회에 불과했습니다. 따라서 DexHoldem은 공유된 물리적 환경에서 정교한 테이블탑 실행, 에이전틱 인지, 그리고 체화된 의사결정 라우팅을 평가합니다. 프로젝트 웹사이트: https://dexholdem.github.io/Dexholdem/