연구진이 PhysEvo를 선보였다. 이 시스템은 하나의 고정된 로봇 모델을 자기 진단과 도구 수정 과정에 반복적으로 투입한다. 작업 에이전트가 로봇을 작동하면 메타 에이전트가 실패 원인을 살펴 도구나 기술을 수정하고, 개선 사항을 시험한다. 메타 에이전트가 자체 진단 기법을 향상하는 것도 가능해, 기반 모델의 가중치를 바꾸지 않고도 개선이 누적된다.
성능은 어느 정도일까?
RoboDojo 벤치마크에서 PhysEvo는 이전에 본 적 없는 배치의 작업 42개로 시험됐다. 보존된 에이전트 버전은 평균 100점 만점에 68.14점을 받았고, 작업 성공률은 62 %였다. 이에 비해 가장 성능이 높다고 발표된 단일 실행 Astra 에이전트인 RoboDawn의 성공률은 같은 작업에서 47.17 %였다. 특히 어려운 조작 작업 8개에서는 PhysEvo의 성공률이 55 %에 달한 반면, 직접 Astra를 사용한 기준 시스템은 1.25 %에 그쳤다.
시뮬레이션에서 실제 로봇으로
연구팀은 시뮬레이션에서 진화시킨 제어 도구 모음을 AgileX PiPER 로봇에 적용하고, 실제 하드웨어에서 기술을 계속 수정했다. 실제 작업 5개를 대상으로 25회 시험한 결과, 로봇은 평균 90.60점을 기록하고 84 %의 성공률을 보였다.
왜 중요한가
로봇 개발자에게 PhysEvo는 비용이 많이 드는 재훈련 없이도 고정된 AI 모델의 역량을 높일 수 있음을 보여준다. 컴퓨팅 시간과 데이터를 절약할 수 있다는 뜻이다. 기존 로봇에 유사한 자기 진단 과정을 추가해 성능을 개선하고 수명을 늘릴 가능성도 제시한다. 다만 이번 연구를 넘어선 독립적인 실제 환경 검증은 여전히 필요하다.
