ChunkAct: Action Chunking for Agentic Robotics

이 논문은 LLM 에이전트 로봇의 반복된 추론 호출을 메모리를 컴파일한 행동 청크로 묶어, 호출 수를 줄이면서 성공률을 올린 방법이다.

이 논문은 한마디로 에이전틱 로보틱스에서 LLM 플래너 호출을 원시 동작 단위에서 행동 청크 단위로 바꿔 비용을 크게 줄인 방법이다. 기존 방식은 매 원시 동작마다 LLM이 전체 대화 기록을 다시 읽어 비용이 급격히 커진다. 저자는 플래너 호출의 대부분이 지각과 메모리 읽기라는 것을 분석으로 보이고, 메모리를 미리 실행 가능한 청크로 컴파일해 테스트 때는 메모리 조회 없이 실행하게 했다. LIBERO-Pro에서 성공률을 5.0점 올리면서 LLM 호출을 2.9× 줄였다.

핵심 요약

• 기존 에이전틱 로보틱스는 매 원시 동작마다 LLM 추론을 돌려서, 집기·놓기 과제 하나에 평균 24.2회 호출과 2.2M 입력 토큰이 들었다.
• 플래너 호출 분석에서 행동 원시 동작은 20.5%뿐이고 지각이 44.3%, 메모리 읽기가 31.7%로 대부분을 차지했다.
• ChunkAct는 메모리를 과제 유형별 실행 가능한 청크로 미리 컴파일하고, 테스트 때는 한 번의 호출로 청크 전체를 실행해 실패 시에만 플래너로 돌아오게 했다.
• LIBERO-Pro 벤치마크에서 전체 성공률 83.8%로 최고 성적을 냈고, LLM 호출 2.9×, 입력 토큰 4.4×, 출력 토큰 2.3×를 줄였다.
• 청크만 스크립트로 실행해도 성공률 57.5%에 도달해, LLM 플래너의 기여가 실패 회복에 집중됨을 보였다.
• 메모리를 만든 LIBERO-Pro와 다른 LIBERO-Plus 7개 교란 축에 그대로 적용해 전체 성공률 83.9%로 제로샷 일반화도 확인했다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.