HeteroHub: 이기종 다중 로봇 시스템을 위한 적용 가능한 데이터 관리 프레임워크

HeteroHub: An Applicable Data Management Framework for Heterogeneous Multi-Embodied Agent System

이기종 다중 로봇 시스템은 다양한 기능과 역량을 가진 여러 로봇을 동적으로 변화하는 환경에서 작업을 수행하도록 조정하는 것을 포함합니다. 이러한 과정은 로봇, 작업 및 환경에 대한 정적 지식, 다양한 AI 모델을 위한 멀티모달 학습 데이터 세트, 그리고 고빈도 센서 스트림을 포함하는 방대한 양의 이기종 데이터를 수집, 생성 및 소비해야 합니다. 그러나 기존 프레임워크는 이러한 시스템의 실제 배포를 지원할 수 있는 통합된 데이터 관리 인프라가 부족합니다. 이러한 격차를 해소하기 위해, 본 논문에서는 정적 메타데이터, 작업에 맞춰 구성된 학습 데이터, 그리고 실시간 데이터 스트림을 통합하는 데이터 중심 프레임워크인 **HeteroHub**를 제시합니다. 이 프레임워크는 작업에 대한 인식 기반의 모델 학습, 문맥에 맞는 실행, 그리고 실제 피드백에 기반한 폐루프 제어를 지원합니다. 저희의 데모에서 HeteroHub는 여러 로봇 AI 에이전트가 복잡한 작업을 성공적으로 수행하도록 조정하여, 견고한 데이터 관리 프레임워크가 확장 가능하고 유지 관리 가능하며 진화 가능한 로봇 AI 시스템을 어떻게 가능하게 하는지를 보여줍니다.

Heterogeneous Multi-Embodied Agent Systems involve coordinating multiple embodied agents with diverse capabilities to accomplish tasks in dynamic environments. This process requires the collection, generation, and consumption of massive, heterogeneous data, which primarily falls into three categories: static knowledge regarding the agents, tasks, and environments; multimodal training datasets tailored for various AI models; and high-frequency sensor streams. However, existing frameworks lack a unified data management infrastructure to support the real-world deployment of such systems. To address this gap, we present \textbf{HeteroHub}, a data-centric framework that integrates static metadata, task-aligned training corpora, and real-time data streams. The framework supports task-aware model training, context-sensitive execution, and closed-loop control driven by real-world feedback. In our demonstration, HeteroHub successfully coordinates multiple embodied AI agents to execute complex tasks, illustrating how a robust data management framework can enable scalable, maintainable, and evolvable embodied AI systems.