Gym-Anything for Robotics: Scaling physical simulations with digital agents

이 논문은 코딩 에이전트가 현실적인 로보틱스 시뮬레이션을 대신 만들게 하여 시뮬레이션 구축의 확장 문제를 푼 연구다.

이 논문은 한마디로 시뮬레이션 제작을 코딩 에이전트 과제로 보고, 미국 GDP 데이터로 선정한 가치 있는 물리 작업의 시뮬레이션을 에이전트가 만들고 감사 에이전트가 검증하게 한 연구다. 이 파이프라인으로 25개 시뮬레이션과 25개 시험, 175개 학습 RL 환경을 담은 RoboWorld 벤치마크를 만들었다. 최첨단 모델들은 시험 과제 전부에서 성공률 0%였고, 권한 있는 상태로 쓴 코드 폴리시의 시연으로 학습한 π0.5는 성공률 0%에서 53%로 올라갔다.

핵심 요약

• 연구진은 미국 GDP 데이터에서 직업과 일상 활동을 원자적 물리 행동으로 쪼개 120개 행동 그룹을 뽑고, 그중 25개 시뮬레이션을 코딩 에이전트가 만들게 했다.
• 생성 에이전트와 4개 감사 에이전트가 3라운드 동안 물리 오류와 악용 가능성을 잡아내는 생성-감시 반복문으로 시뮬레이션 품질을 검증했다.
• 그 결과물 RoboWorld는 25개 시뮬레이션에 25개 시험 환경과 175개 학습 RL 환경을 포함하며 로봇 교체와 장면 변형을 지원한다.
• 최첨단 모델 3개는 25개 시험 과제 모두에서 성공률 0%였고 평균 보상은 최고 0.06에 그쳤으며, 더 쉬운 25과제에서는 Claude Opus 5.5가 성공률 32%를 달성했다.
• 권한 있는 상태를 읽는 코드 폴리시가 2,048개 초기 상태 중 96.7%를 성공시켰고, 그 시연 1,000개로 학습한 π0.5는 두 과제에서 성공률을 0%에서 53%로, 못 본 변형에서는 55%로 끌어올렸다.
• 한계로, 로봇 자유도가 늘수록 성공률이 떨어져 휴머노이드 과제에서는 두 GPT 모델이 보상을 전혀 얻지 못했다.

논문 링크

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