본 논문은 장기간(수일, 수주, 수개월)에 걸쳐 작동하는 로봇이 환경에 대한 지식을 축적하고 이를 활용하여 인간을 더 효과적으로 지원하는 문제를 다룹니다. 특히, 장기 활동형 구현 질의응답(LA-EQA)이라는 새로운 과제를 제시하는데, 이는 로봇이 과거 경험을 회상하고 환경을 능동적으로 탐색하여 복잡하고 시간적으로 기반을 둔 질문에 답해야 하는 과제입니다. 기존 EQA 방식과 달리 현재 환경 이해 또는 단일 과거 관찰 회상에 초점을 맞추는 대신, LA-EQA는 과거, 현재, 그리고 미래 상태를 고려하여 탐색 시점, 기억 참조 시점, 관찰 수집 중단 및 최종 답변 제공 시점을 결정해야 합니다. 대규모 모델 기반의 표준 EQA 접근 방식은 제한된 컨텍스트 창, 지속적인 메모리 부재, 메모리 회상과 능동적 탐색 결합의 어려움으로 인해 이러한 설정에서 어려움을 겪습니다. 이를 해결하기 위해, 인지 과학의 마인드 팰리스 기법에서 영감을 받은 구조화된 로봇 메모리 시스템을 제안합니다. 에피소드 경험을 장면 그래프 기반 세계 인스턴스로 인코딩하여 목표 지향적 메모리 검색과 안내 내비게이션을 가능하게 하는 추론 및 계획 알고리즘을 형성합니다. 탐색-회상 간의 균형을 맞추기 위해 정보의 가치 기반 중지 기준을 도입하여 에이전트가 충분한 정보를 수집했는지 여부를 결정합니다. 실제 실험을 통해 방법을 평가하고 인기 있는 시뮬레이션 환경과 실제 산업 현장을 아우르는 새로운 벤치마크를 소개합니다. 제안된 방법은 최첨단 기준 모델보다 답변 정확도와 탐색 효율성 모두에서 상당한 향상을 보입니다.
