본 논문은 Vision-Language Model (VLM)을 활용하여 Embodied Visual Tracking (EVT) 시스템의 추적 실패 복구 능력을 향상시키는 새로운 자기 개선 프레임워크를 제안합니다. 기존의 능동 추적 방법에 VLM의 추론 능력을 결합하여, 정상적인 추적에는 빠른 시각 정책을 사용하고, 실패 감지 시에만 VLM 추론을 활성화합니다. 메모리 증강 자기 반성 메커니즘을 통해 VLM이 과거 경험으로부터 학습하여 점진적으로 개선되도록 하며, 특히 3D 공간 추론의 한계를 극복합니다. 실험 결과, 최첨단 RL 기반 접근 방식에서는 성공률을 72% 향상시켰고, PID 기반 방법에서는 220% 향상시키는 등, 어려운 환경에서도 성능 향상을 보였습니다. 본 연구는 VLM 기반 추론을 EVT 에이전트의 사전적 실패 복구에 통합한 최초의 연구이며, 역동적이고 비구조화된 환경에서 지속적인 목표 모니터링이 필요한 실제 로봇 응용 분야에 상당한 발전을 가져올 것으로 기대됩니다.
