본 연구는 동적이며 비정상적(non-stationary) 환경에서 보행(embodied) 에이전트의 지속적 명령 수행(continual instruction following) 과제를 다루기 위해 고안된 탐색적 검색-증강 계획(Exploratory Retrieval-Augmented Planning, ExRAP) 프레임워크를 제시한다. 이 프레임워크는 물리적 환경을 효율적으로 탐색하고 환경 컨텍스트 메모리를 수립함으로써, 대규모 언어 모델(Large Language Models, LLM)의 보행 기반 추론 능력을 향상시키며, 시간에 따라 변동하는 환경 컨텍스트에 과제 계획 과정을 효과적으로 정합(grounding)할 수 있게 한다. ExRAP에서는 여러 지속적 명령 수행 과제가 주어지면, 각 명령을 환경 컨텍스트 메모리에 대한 질의(query)와 해당 질의 결과에 조건화된 과제 실행(task executions)으로 분해한다. 연속적이고 동시에 수행되는 다수의 과제를 효율적으로 처리하기 위해, LLM 기반 계획 과정에 {information-based exploration}을 통합함으로써 탐색-통합 과제 계획(exploration-integrated task planning) 방식을 구현한다. 메모리-증강 질의 평가(memory-augmented query evaluation)와 결합된 이 통합 방식은 환경 컨텍스트 메모리의 타당성과 환경 탐색의 부담 사이의 균형을 더 잘 맞출 뿐 아니라, 전반적인 과제 성능을 향상시킨다. 또한 메모리에 내재된 지식의 감쇠(decay)를 해결하기 위해 질의 평가를 위한 {temporal consistency refinement} 방식도 고안한다. VirtualHome, ALFRED, CARLA에서의 실험을 통해, 본 접근법은 서로 다른 명령 규모와 유형, 그리고 비정상성 정도를 포함하는 다양한 보행 기반 명령 수행 시나리오에 대해 견고성을 보였으며, 목표 성공률과 실행 효율성 모두에서 다른 최신(state-of-the-art) LLM 기반 과제 계획 접근법을 일관되게 능가함을 확인하였다.

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