GaP: 그래프 기반 정책을 활용한 다중 에이전트 자가 학습 시스템 - 다양한 자동화 작업 환경에 적용

GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks

로봇이 상업 및 산업 분야에서 안정적으로 작동하기 위해서는, 최근의 에이전트 코딩 시스템 발전이 해석 가능한 로봇 프로그래밍과 모델 기반 정책의 개방형 적응성을 결합할 수 있을까요? 본 연구는 기존 자동화 작업보다 객체 기하학적 형태와 자세의 변동성이 큰 '변분 자동화(VA)' 작업을 중심으로 진행됩니다. 모델 기반 정책은 VA 작업에서 신뢰성 격차를 해소하는 데 어려움을 겪는 경우가 많으며, 이는 상업 및 산업 환경에서의 지속적이고 안정적인 실행이 요구되는 중요한 문제입니다. 기존의 Task and Motion Planning (TAMP) 및 Robot Operating System (ROS) 연구를 바탕으로, 본 연구에서는 Modular Open Robot Skill Library (MORSL)에서 파생된 인지, 계획, 제어 노드를 포함하는 방향성 계산 그래프를 생성하는 다중 에이전트 코딩 시스템인 Graph-as-Policy (GaP)를 제안합니다. GaP는 내부 시뮬레이션 환경을 통해 다양한 그래프 구조의 작업 단계를 병렬적으로 반복 실행하며, 이를 통해 성공률과 처리량을 향상시키기 위해 그래프 구조와 파라미터를 지속적으로 개선합니다. 시뮬레이션 및 실제 환경에서 수행된 8개의 새로운 VA 작업 벤치마크 평가 결과, GaP는 기존 방법보다 훨씬 높은 성공률을 달성하는 것으로 나타났습니다. 자세한 내용, 코드, 데이터는 다음 웹사이트에서 확인할 수 있습니다: https://graph-robots.github.io/gap

For robots to work reliably in commercial and industrial applications, can recent advances in agentic coding systems combine interpretable robot programming with the open-world adaptability of model-free policies? We focus on "Variational Automation" (VA), a class of tasks that have larger variations in object geometry and pose than fixed automation. Model-free policies often struggle to close the reliability gap for VA tasks, which must be executed persistently and reliably in commercial and industrial applications. Motivated by prior work on Task and Motion Planning (TAMP) and the Robot Operating System (ROS), we introduce Graph-as-Policy (GaP), a multi-agent coding harness that generates directed computation graphs with perception, planning, and control nodes from a Modular Open Robot Skill Library (MORSL). GaP then generates an internal simulation environment to rehearse task instances with different graphs in parallel to iteratively refine the graph structure and parameters to improve success rates and throughput. Evaluation with 8 new open VA task benchmarks, 4 in-simulation and 4 in real-world, suggests that GaP can achieve success rates that significantly outperform baselines. Details, code, and data can be found online: https://graph-robots.github.io/gap