검색이 기억으로: 로봇 설계 실험을 전송 가능한 기술로 변환하기

When Search Becomes Memory: Turning Robot Design Trials into Transferable Skills

대규모 언어 모델(LLM)은 진화적 로봇 설계 제안 생성에 점점 더 많이 사용되고 있지만, 대부분의 시스템은 과거의 경험을 기억하지 못합니다. 시뮬레이션 결과가 다음 세대에 영향을 미치지만, 재사용 가능한 설계 지식으로 저장되지는 않습니다. 본 논문에서는 Auto-Robotist라는 자체 진화형 LLM 에이전트를 제시합니다. 이 에이전트는 형태학(morphology) 검색 과정을 명시적인 자연어 기반 기술 라이브러리로 변환합니다. 각 기술은 구조적 원형, 증거 기반의 긍정 및 부정 규칙, 그리고 이를 뒷받침하는 평가된 설계를 저장하며, 이를 통해 설계 기억을 검사 가능하게 만들고, 단순히 모집단에 암묵적으로 존재하는 것이 아닌 상태로 관리합니다. 검색 과정에서 에이전트는 LLM 수정 작업을 수행할 때 필요한 기술을 검색하여 우수한 로봇의 형체를 개선하고, 동시에 유전자 알고리즘(GA) 변이 경로를 유지하여 탐색을 지원합니다. 평가 후에는 에이전트가 추가(Add), 진단(Diagnose), 병합(Merge) 기능을 통해 라이브러리를 업데이트합니다. 7가지 EvoGym 작업(이동, 통행, 물체 상호작용 포함)에서 Auto-Robotist는 초기 탐색 성능을 5배 향상시키고, 학습된 기술을 10x10 설계 공간으로 전송하여, 참조 기반 전송 방식이 모든 작업에서 GA 방식보다 우수한 성능을 보였습니다. 이러한 결과는 LLM 에이전트가 비용이 많이 드는 물리적 평가를 재사용 가능하고 감사 가능한 설계 원칙으로 변환할 수 있음을 시사합니다. 본 논문과 관련된 코드는 게재 승인 후 공개될 예정입니다.

Large language models (LLMs) are increasingly used as proposal generators for evolutionary robot design, yet most loops remain memoryless: simulator results shape the next population but are not preserved as reusable design knowledge. We present Auto-Robotist, a self-evolving LLM agent that distills morphology-search traces into an explicit natural-language skill library. Each skill stores a structural archetype, evidence-grounded positive and negative rules, and the evaluated designs that support them, making design memory inspectable rather than implicit in a population. During search, the agent retrieves skills to condition LLM edits of elite bodies while retaining a Genetic Algorithm (GA) mutation path for exploration; after evaluation, it updates the library through Add, Diagnose, and Merge. Across seven EvoGym tasks spanning locomotion, traversal, and object interaction, Auto-Robotist improves cold-start 5x5 search and transfers learned skills to 10x10 design spaces, where reference-conditioned transfer outperforms GA on every task. These results suggest that LLM agents can convert expensive physical evaluations into reusable, auditable design principles. Our code will be released upon acceptance.