ASPIRE: 에이전트적 / 스킬 발견 (로봇 공학)

초록

전통적인 로봇 프로그래밍은 다중 양식 인식(multimodal perception)의 조율, 물리적 접촉 역학(physical contact dynamics)의 관리, 다양한 구성 및 실행 실패의 처리를 요구하기 때문에 어려움이 따른다. 본 연구에서는 ASPIRE(Agentic Skill Programming through Iterative Robot Exploration)를 소개한다. 이는 코드-정책(code-as-policy) 패러다임에서 로봇 제어 프로그램을 자율적으로 작성하고 개선하며, 경험을 재사용 가능한 기술 라이브러리로 축적하는 지속적 학습(continual learning) 시스템이다. ASPIRE는 작업, 시뮬레이션 및 실제 환경, 그리고 구현체(embodiment)를 넘나들며 지속되는 기술을 발견한다. 이 시스템은 개방형 루프(open-ended loop)로 작동하며 세 가지 구성 요소를 갖춘다: (1) 세분화된 다중 양식 추적(trace)을 노출하여 자율적 오류 진단, 수리 합성 및 검증을 가능하게 하는 폐쇄 루프 로봇 실행 엔진; (2) 검증된 수정 사항을 재사용 및 전이 가능한 지식으로 증류하는 지속적으로 확장되는 기술 라이브러리; (3) 단일 궤적 개선을 넘어 탐색하기 위해 다양한 작업 시퀀스와 제어 프로그램을 생성하는 진화적 탐색(evolutionary search). ASPIRE는 외란(perturbation) 하에서 LIBERO-Pro 조작 작업에서 최대 77%, Robosuite 양손 인계(bimanual handover) 작업에서 최대 72%, BEHAVIOR-1K 장기 가정용 작업에서 최대 32%까지 기존 방법 대비 성능을 향상시킨다. 축적된 라이브러리는 또한 보지 못한 장기 작업에 대한 제로샷 일반화(zero-shot generalization)를 가능하게 한다: LIBERO-Pro Long에서 ASPIRE는 기존 방법이 테스트 시 추론과 재시도를 사용함에도 불구하고 4%의 성공률을 보인 반면, ASPIRE는 31%의 성공률을 달성한다. 마지막으로, 시뮬레이션에서 발견된 기술은 시뮬레이션-현실 전이(sim-to-real transfer)의 초기 증거를 제공하며, 다양한 구현체와 로봇 API에서 실제 로봇 프로그래밍 노력을 크게 줄여준다.

English

Traditional robot programming is challenging: it requires orchestrating multimodal perception, managing physical contact dynamics, and handling diverse configurations and execution failures. We introduce ASPIRE (Agentic Skill Programming through Iterative Robot Exploration), a continual learning system that autonomously writes and refines robot control programs in a code-as-policy paradigm while compounding experience into a reusable skill library. ASPIRE discovers skills that persist across tasks, simulation and real-world settings, and embodiments. It operates in an open-ended loop with three components: (1) a closed-loop robot execution engine that exposes fine-grained multimodal traces, enabling autonomous failure diagnosis, repair synthesis, and validation; (2) a continually expanding skill library that distills validated fixes into reusable, transferable knowledge; and (3) evolutionary search that generates diverse task sequences and control programs to explore beyond single-trajectory refinement. ASPIRE surpasses prior methods by up to 77% on LIBERO-Pro manipulation under perturbation, 72% on Robosuite bimanual handover, and 32% on BEHAVIOR-1K long-horizon household tasks. Its accumulated library also enables zero-shot generalization to unseen long-horizon tasks: on LIBERO-Pro Long, ASPIRE achieves 31% success versus 4% for prior methods despite their use of test-time reasoning and retries. Finally, simulation-discovered skills provide initial evidence of sim-to-real transfer, substantially reducing real-robot programming effort across different embodiments and robot APIs.