Learning Without Losing Identity: Capability Evolution for Embodied Agents

작성자

Haebom

카테고리

Empty

저자

Xue Qin, Simin Luan, John See, Cong Yang, Zhijun Li

💡 개요

이 논문은 동적 물리 환경에서 지속적으로 새로운 능력을 습득해야 하는 내재화된 에이전트의 문제를 다룹니다. 기존의 접근 방식이 에이전트 자체의 수정으로 인해 불안정성과 정체성 상실을 야기하는 반면, 본 연구는 에이전트의 인지적 정체성을 유지하면서 능력을 점진적으로 발전시키는 '내재화된 능력 모듈(ECMs)' 기반의 새로운 진화 패러다임을 제안합니다. 이 프레임워크는 에이전트의 핵심 정체성을 보존하면서 능력 진화를 안전하고 확장 가능하게 하여 장기적인 내재화된 지능을 위한 기반을 제공합니다.

🔑 시사점 및 한계

•

에이전트의 핵심 정체성을 유지하면서 지속적인 기능 개선을 가능하게 하는 새로운 능력 중심의 진화 패러다임을 제시했습니다.

•

내재화된 능력 모듈(ECMs)의 개념을 통해 기능 학습, 개선 및 조합을 모듈화하고 버전 관리하여 체계적인 능력 발전을 지원합니다.

•

제안된 방법론은 시뮬레이션 환경에서 20번의 반복을 통해 작업 성공률을 32.4%에서 91.3%로 크게 향상시켰으며, 기존 방법론 대비 우수한 성능과 함께 정책 표류 및 안전 위반을 제로로 유지하는 뛰어난 안정성을 보여주었습니다.

•

현재 연구는 시뮬레이션 환경에서의 성능을 보여주고 있으며, 실제 로봇 환경에서의 적용 및 다양한 복잡한 작업 환경에서의 일반화 가능성에 대한 추가적인 검증이 필요합니다.

PDF 보기

Made with Slashpage