본 논문은 다양한 로봇에 대한 통합된 기반 모델을 구축하는 새로운 프레임워크인 UniAct를 제시합니다. 기존의 엠보디드 에이전트 학습은 다양한 로봇의 이질적인 액션 공간으로 인해 어려움을 겪었는데, UniAct는 보편적인 액션 공간(Universal Action Space)을 사용하여 이 문제를 해결합니다. UniAct는 다양한 로봇의 공통적인 구조적 특징을 활용하여 일반적인 원자적 행동을 포착하는 보편적인 액션을 학습합니다. 이를 통해 도메인 간 데이터 활용 및 엠보디먼트 간 일반화를 향상시키고, 보편적인 액션을 로봇 특유의 명령으로 효율적으로 변환하여 새로운 로봇에 대한 빠른 적응을 가능하게 합니다. 0.5B 크기의 UniAct 모델은 기존 최고 성능 모델보다 14배 더 큰 모델을 능가하는 성능을 다양한 실제 및 시뮬레이션 로봇에서 보여주었습니다.
시사점, 한계점
•
시사점:
◦
보편적인 액션 공간을 활용하여 다양한 로봇에 대한 엠보디드 기반 모델링의 새로운 가능성을 제시합니다.
◦
기존 모델보다 훨씬 작은 크기(0.5B)임에도 불구하고, 훨씬 큰 모델들을 능가하는 성능을 보여주며 효율성을 증명합니다.
◦
도메인 간 데이터 활용 및 엠보디먼트 간 일반화 성능이 뛰어납니다.
◦
새로운 로봇에 대한 빠르고 간편한 적응을 가능하게 합니다.
•
한계점:
◦
UniAct의 보편적인 액션이 모든 유형의 로봇 행동을 완벽하게 포착할 수 있는지에 대한 추가적인 연구가 필요합니다.
◦
대규모 데이터셋에 대한 의존성이 높을 수 있습니다.
◦
실제 세계의 복잡하고 예측 불가능한 상황에 대한 일반화 성능에 대한 추가적인 평가가 필요합니다.
