본 논문은 복잡한 환경에서 작동하는 자율 시스템을 위한 핵심 기능인 로봇 후각 소스 위치 확인(OSL)의 정확도 향상을 위한 새로운 기계 학습 방법을 제시합니다. 기존 OSL 방법들은 후각 데이터셋과 센서 해상도의 한계로 인해 로봇이 냄새를 잘못된 물체에 오인하는 경우가 많다는 문제점을 가지고 있습니다. 이를 해결하기 위해 확산 기반 분자 생성을 이용한 새로운 기계 학습 방법을 제안하며, 이는 단독으로 또는 비전-언어 모델(VLMs)을 이용한 자동화된 후각 데이터셋 구축 파이프라인과 함께 사용될 수 있습니다. 본 논문의 확산 모델은 기존 후각 데이터셋과 VLMs의 훈련 데이터의 한계를 넘어 화학적 공간을 확장하여 이전에는 기록되지 않았던 잠재적인 냄새 분자를 식별할 수 있게 합니다. 생성된 분자는 전자 센서 어레이를 통해 인간의 후각 인식을 모방하는 고급 후각 센서를 사용하여 더 정확하게 검증될 수 있습니다. 시각 분석, 언어 처리 및 분자 생성을 통합함으로써, 본 연구의 프레임워크는 로봇의 후각-시각 모델이 냄새를 올바른 근원과 정확하게 연관시키는 능력을 향상시켜 목표 화합물에 대한 더 나은 센서 선택을 통해 탐색 및 의사 결정을 개선합니다. 본 방법론은 제한된 후각 데이터와 센서 모호성이 제기하는 문제에 대한 확장 가능한 솔루션을 제공하며, 인공 후각 분야의 기초적인 발전을 나타냅니다.
