트랜스포머 기반 모델은 로봇 조작을 크게 발전시켰으나, 강건한 장기 기억을 필요로 하는 장시간 지평(long-horizon) 작업에서는 중대한 도전에 직면한다. 지각-행위자(Perceiver-Actor, PerAct)는 시각 및 언어 입력을 모두 효과적으로 처리하지만, 역사적 정보를 보존하는 능력이 제한되어 다단계 작업에서의 성능이 제약된다. 이러한 한계를 극복하기 위해, 우리는 PerAct에 키-값 메모리 모듈을 보강하고 장기 의존성을 보다 잘 포착하기 위해 Efficient Memory-Augmented Transformer(EMAT)를 활용한 Perceiver Memory Actor(PMA)를 제안한다. PMA는 과거 상태를 효율적으로 저장하고 검색함으로써, 연속적인 조작 작업에서 의사결정을 향상시킨다. RLBench 장시간 지평 벤치마크(예: "put item in drawer" 및 "stack blocks,")에서의 실험 결과는 PMA가 각각 작업 정확도에서 PerAct보다 23.7%와 47.2% 더 우수함을 보여준다. 이러한 결과는 PMA가 동적 환경에서 맥락적 인식을 유지하고 행동을 최적화할 수 있음을 입증한다. 본 연구는 강화학습 기반 로봇 조작에서 메모리 보강(memoory-augmented) 아키텍처의 중요성을 강조하며, 트랜스포머 모델에 장기 기억을 도입하기 위한 확장 가능한 프레임워크를 제시한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.