REA, 추론과 로봇 제어 조율

연구진이 느린 숙고형 AI 모델과 빠른 로봇 제어 정책을 조율하는 실행 환경 REA(Routed Embodied Agent)를 공개했습니다. 10월 31일 발표된 논문은 11월 2일 arXiv에 제출됐으며, 느린 추론이 진행 중인 로봇 동작을 막지 않도록 하는 것을 목표로 합니다.

REA는 숙고를 담당하는 System 2, 로봇에 구현된 System 1 라우터, 즉각 반응하는 System 0 정책을 결합합니다. 핵심 규칙은 실행 중인 정책이 두뇌의 응답을 기다리지 않게 하는 것입니다. 경로 메모리는 각 정책의 측정된 성공률을 미리 저장하고, 경계 조건이 발생하면 정책 실행 중 판단 게이트가 두뇌에 문의합니다. 공용 예산 단계식 복구 절차는 복구 시도 횟수를 제한합니다. 이 설계는 로봇이 비전·언어·행동(VLA) 정책을 호출하는 동안 멈추거나, 오류 뒤 에이전트를 부르는 VLA가 대체 절차를 반복 실행하거나 감지되지 않은 실패를 놓치는 조율 문제를 해결하려 합니다.

LIBERO-Pro 60개 과제에서 3,000회 시험한 결과, REA의 성공률은 95.9%였습니다. 정책 풀에서 가장 성능이 좋은 단일 에이전트 기준치인 94.7%와 비교해 높은 수치입니다. 제어 단계는 25%, 제어 시간은 17% 줄었습니다. 별도의 RoboTwin 2.0 100회 시험에서는 VLA 정책 사용 시 성공률 84%, VLA와 코드를 함께 사용했을 때 86%를 기록했습니다. 가장 강력한 단일 VLA 기준치인 MEDex는 80%였습니다.

연구진은 BEHAVIOR-1K와 실제 Unitree G1 휴머노이드에서도 REA를 평가했으며, 비교 대상 방법 가운데 관측된 성공률이 가장 높았다고 보고했습니다. 논문은 학습된 정책과 프로그램으로 작성된 정책이 같은 실행 환경 안에서 작동할 수 있다고 밝혔습니다.

연구진이 느린 숙고형 AI 모델과 빠른 로봇 제어 정책을 조율하는 실행 환경 REA(Routed Embodied Agent)를 공개했습니다. 10월 31일 발표된 논문은 11월 2일 arXiv에 제출됐으며, 느린 추론이 진행 중인 로봇 동작을 막지 않도록 하는 것을 목표로 합니다.

REA는 숙고를 담당하는 System 2, 로봇에 구현된 System 1 라우터, 즉각 반응하는 System 0 정책을 결합합니다. 핵심 규칙은 실행 중인 정책이 두뇌의 응답을 기다리지 않게 하는 것입니다. 경로 메모리는 각 정책의 측정된 성공률을 미리 저장하고, 경계 조건이 발생하면 정책 실행 중 판단 게이트가 두뇌에 문의합니다. 공용 예산 단계식 복구 절차는 복구 시도 횟수를 제한합니다. 이 설계는 로봇이 비전·언어·행동(VLA) 정책을 호출하는 동안 멈추거나, 오류 뒤 에이전트를 부르는 VLA가 대체 절차를 반복 실행하거나 감지되지 않은 실패를 놓치는 조율 문제를 해결하려 합니다.

LIBERO-Pro 60개 과제에서 3,000회 시험한 결과, REA의 성공률은 95.9%였습니다. 정책 풀에서 가장 성능이 좋은 단일 에이전트 기준치인 94.7%와 비교해 높은 수치입니다. 제어 단계는 25%, 제어 시간은 17% 줄었습니다. 별도의 RoboTwin 2.0 100회 시험에서는 VLA 정책 사용 시 성공률 84%, VLA와 코드를 함께 사용했을 때 86%를 기록했습니다. 가장 강력한 단일 VLA 기준치인 MEDex는 80%였습니다.

연구진은 BEHAVIOR-1K와 실제 Unitree G1 휴머노이드에서도 REA를 평가했으며, 비교 대상 방법 가운데 관측된 성공률이 가장 높았다고 보고했습니다. 논문은 학습된 정책과 프로그램으로 작성된 정책이 같은 실행 환경 안에서 작동할 수 있다고 밝혔습니다.