Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

From LLMs to Actions: Latent Codes as Bridges in Hierarchical Robot Control

Created by
  • Haebom

저자

Yide Shentu, Philipp Wu, Aravind Rajeswaran, Pieter Abbeel

개요

본 논문은 로봇 제어에서 고수준 작업 계획자와 저수준 정책 간의 통신을 위한 잘 정의된 인터페이스 계층의 필요성 문제를 해결하기 위해, 대규모 언어 모델(LLM)을 인터페이스 계층으로 활용하는 방식의 한계를 극복하는 새로운 방법인 Learnable Latent Codes as Bridges (LCB)를 제안한다. 기존의 LLM 기반 접근 방식은 자연어로 쉽게 표현할 수 없는 작업(예: 춤 동작)이나 도메인 이동 및 catastrophic forgetting 문제로 인해 전이 학습이 어렵다는 한계를 지닌다. LCB는 학습 가능한 잠재 코드를 LLM과 저수준 정책 간의 브리지로 사용하여 LLM이 언어적 제약 없이 유연하게 목표를 전달하고, 전이 학습 과정에서 사전 학습된 단어 토큰의 임베딩 공간을 파괴하지 않고 전이 학습을 가능하게 한다. Language Table 및 Calvin 벤치마크를 통해, LCB가 순수 언어를 인터페이스 계층으로 사용하는 기존 방식(GPT-4V 포함)보다 추론 및 다단계 동작을 필요로 하는 작업에서 우수한 성능을 보임을 실험적으로 확인하였다.

시사점, 한계점

시사점:
LLM을 로봇 제어의 인터페이스 계층으로 활용하는 데 있어, 언어의 제약을 극복하고 전이 학습의 어려움을 해결하는 새로운 접근 방식을 제시하였다.
학습 가능한 잠재 코드를 활용하여 LLM과 저수준 정책 간의 효과적인 통신을 가능하게 함으로써, 복잡한 다단계 작업 수행 능력을 향상시켰다.
기존 LLM 기반 방법보다 추론 및 다단계 동작이 필요한 작업에서 우수한 성능을 보였다.
한계점:
제안된 LCB 방법의 일반화 성능에 대한 추가적인 연구가 필요하다.
다양한 로봇 플랫폼 및 작업에 대한 적용 가능성을 더욱 검증해야 한다.
잠재 코드의 차원 및 학습 방식에 대한 최적화 연구가 필요할 수 있다.
👍