PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.10350v3cs.AI

ABot-AgentOS: 평생 멀티모달 메모리를 갖춘 범용 로봇 에이전트 OS

ABot-AgentOS: A General Robotic Agent OS with Lifelong Multi-modal Memory

최근 VLM 및 VLA 시스템은 로봇의 인식과 행동 예측을 향상시켰지만, 장기 구체화 에이전트(long-horizon embodied agent)는 여전히 추론, 메모리, 도구 사용, 검증, 다중 로봇 실행을 위한 범용 런타임 층(layer)을 필요로 한다. 본 논문에서는 ABot-AgentOS를 제안한다. 이는 저수준 컨트롤러 위에 위치하며, 씬 조건부 계획(scene-conditioned planning), 컨텍스트 격리 스킬 실행(context-isolated skill execution), 다단계 검증, 멀티모달 메모리, 엣지-클라우드 협업을 제공하는 심의적 에이전트 층을 갖춘 범용 로봇 에이전트 운영 체제이다. 이러한 시스템을 평가하기 위해 EmbodiedWorldBench를 도입한다. 이는 실내, 실외, 혼합 씬 16개, 4단계 난이도, 탐색·객체 탐색·NPC 대화·동적 이벤트·트레이스 기반 채점을 포함하는 200개 이상의 태스크로 구성된 실행 가능한 벤치마크이다. ABot-AgentOS는 또한 Universal Multi-modal Graph Memory를 도입한다. 이는 대화, 시각적 관측, 공간 맥락, 시간적 관계, 태스크 트레이스를 타입이 지정된 노드와 에지로 변환하는 지속적 소스 기반 기억 기반(substrate)이다. 실패 기반 자기 진화 루프(failure-driven self-evolution loop)는 진단된 메모리 실패를 게이트 방식의 런타임 evo-asset으로 변환하여, 현재 평가 분할의 정답 누출을 방지하면서 지속적 개선을 가능하게 한다. EmbodiedWorldBench 초기 부분집합에서 ABot-AgentOS는 단일 컨트롤러 기준선(baseline) 대비 태스크 성공률과 목표 완료율 모두에서 향상을 보인다. 메모리 벤치마크 전반에 걸쳐 ABot-AgentOS Static은 LoCoMo에서 87.5, OpenEQA EM-EQA에서 59.9, Mem-Gallery에서 88.6, NExT-QA에서 Acc@All 76.5를 달성하며, 자기 진화를 통해 LoCoMo는 88.7, OpenEQA는 60.4, Mem-Gallery는 89.0으로 추가 향상된다. 이러한 결과는 범용 에이전트 OS 층이 지속적 상호작용을 위한 지속적이고 감사 가능한 메모리를 제공하면서 장기 구체화 실행을 개선할 수 있음을 시사한다.

arXiv:2606.12852v1cs.AI

WISE: Why-Which 추론을 갖춘 Minecraft 장기 에이전트

WISE: A Long-Horizon Agent in Minecraft with Why-Which Reasoning

Minecraft 환경의 장기(long-horizon) 에이전트에서 저수준(low-level) 컨트롤러의 성능 병목을 해결하기 위해, 관찰과 작업 관련성을 명시적 인과 구조로 연결하는 Causal Event Graph를 갖춘 WISE 프레임워크를 제안한다. 이는 인과적 추론을 통한 기회적 작업 재배치를 통해 장기 희소 작업에서의 성공률과 효율성을 크게 향상시킨다.