arXiv 2610.28589
AgenticRoboRL: 코딩 에이전트 사후 학습을 에이전틱 로보틱스에 적용하기
AgenticRoboRL: Bringing Coding-Agent Post-Training to Agentic Robotics
로보틱스추천 20
저자: Xinxin Liu, Bingxin Xu, Wenrui Bao, Ming Li, Wentao Bao, Chen Chen, Yuzhang Shang
개요
본 연구는 서로 다른 로봇 하네스 전반에서 로봇 플래너를 사후 학습하는 프레임워크인 AgenticRoboRL을 소개합니다. 지도 미세 조정과 다중 턴 강화 학습을 결합하며, 하네스별 어댑터를 사용해 실행 구성요소는 고정한 채 VLA 기술 호출과 제어 코드 생성 모두에 같은 RL 파이프라인을 적용합니다.
소개
에이전틱 로봇 시스템은 흔히 강력한 클로즈드 소스 모델을 플래너로 사용하며, 기존 개선 연구는 플래너 자체의 능력보다 하네스와 외부 메모리에 집중해 왔습니다.
결과
LIBERO-PRO에서 AgenticRoboRL은 외부 메모리 없이 9B 파라미터 플래너의 성공률을 18.1%에서 71.0%로 끌어올렸습니다. 이는 외부 메모리를 사용한 Codex(GPT-5.5)의 72.1%에 근접합니다.
결론
플래너 자체를 사후 학습하는 것은 로봇 에이전트를 개선하는 효과적인 방법이며, 대형 클로즈드 소스 모델과 비용이 큰 메모리 시스템에 대한 의존도를 줄여줍니다.