본 논문은 로봇 어시스턴트를 위한 필수적이지만 어려운 과제인 구현된 질의응답(EQA)에 대해 다룹니다. 기존의 접근 방식들은 정적 비디오 질의응답으로 취급하거나 답변을 폐쇄적인 선택지로 제한하여 실제 적용에 어려움을 겪습니다. 이러한 한계를 극복하기 위해, 본 논문에서는 효율적인 탐색과 자유 형식 답변 생성을 결합한 새로운 프레임워크인 EfficientEQA를 제시합니다. EfficientEQA는 세 가지 핵심 혁신, 즉 (1) 블랙박스 VLM의 Verbalized Confidence(VC)를 사용한 Semantic-Value-Weighted Frontier Exploration(SFE)을 통한 효율적인 탐색, (2) 높은 관련성을 가진 관측값을 이상치로 플래깅하여 적응적으로 탐색을 중지하는 BLIP 기반 메커니즘, (3) 미리 정의된 선택지에 의존하지 않고 에이전트의 관측 기록에서 관련 이미지를 기반으로 정확하게 답변하는 Retrieval-Augmented Generation(RAG) 방법을 특징으로 합니다. 실험 결과, EfficientEQA는 최첨단 방법보다 15% 이상 높은 정확도를 달성하고 20% 이상 적은 탐색 단계를 필요로 함을 보여줍니다.
