로봇 에이전트의 운영체제 'ABot-AgentOS' 공개와 범용성 확보

팩트지아이 티안(Jiayi Tian)을 포함한 연구진이 로봇 에이전트 전용 운영체제인 'ABot-AgentOS'를 발표했습니다. 연구진 소속 정보는 arxiv 등록 기준입니다.

주장기존의 시각 언어 모델(VLM)과 시각 언어 행동 모델(VLA)은 로봇의 인지 능력을 높였지만, 복잡한 장기 작업을 수행하는 데 한계가 있었습니다. 연구진은 로봇이 스스로 추론하고 기억하며 도구를 사용하는 범용 운영체제 계층이 필요하다고 판단했습니다.

팩트ABot-AgentOS는 로봇의 하위 제어 장치 위에서 작동하는 운영체제 계층입니다. 이 시스템은 장면 기반 계획 수립, 기술 실행, 다단계 검증, 다중 모달(Multi-modal, 시각·청각 등 여러 형태의 데이터를 동시에 처리하는 방식) 기억 기능을 제공합니다.

팩트연구진은 시스템 성능을 평가하기 위해 'EmbodiedWorldBench'라는 새로운 벤치마크를 도입했습니다. 이 도구는 실내외를 포함한 16개 환경에서 내비게이션, 물체 탐색, 대화 등 200개 이상의 작업을 수행하며 로봇의 능력을 측정합니다.

팩트핵심 기술인 '범용 다중 모달 그래프 기억(Universal Multi-modal Graph Memory)'은 대화와 시각 정보, 공간적 맥락, 시간적 관계를 유형화된 노드와 에지로 변환하여 저장합니다. 이는 로봇이 과거의 경험을 체계적으로 기억하게 돕습니다.

주장연구진은 실패를 통해 학습하는 '자기 진화 루프(Self-evolution loop)'를 도입했습니다. 로봇이 기억 오류를 진단하면 이를 런타임 자산으로 변환하여 향후 작업에 반영합니다. 이는 데이터 누출을 방지하면서도 지속적인 성능 향상을 가능하게 합니다.

팩트성능 평가 결과, ABot-AgentOS는 기존 단일 제어 방식보다 작업 성공률과 목표 달성률 면에서 우수한 성과를 보였습니다. 특히 LoCoMo 벤치마크에서 87.5점, OpenEQA 59.9점, Mem-Gallery 88.6점, NExT-QA 76.5점을 기록했습니다.

팩트자기 진화 기능을 적용했을 때 LoCoMo 점수는 88.7점, OpenEQA는 60.4점, Mem-Gallery는 89.0점으로 각각 향상되었습니다. 이는 운영체제 계층이 로봇의 장기적인 작업 수행 능력을 실질적으로 개선함을 보여줍니다.

교차검증해당 연구는 아카이브(arxiv)에 공개된 선공개 논문으로, 아직 학계의 동료 평가(Peer review) 과정을 거치지 않았습니다. 따라서 연구 결과의 학술적 타당성은 향후 검증이 필요합니다.

교차검증본 연구는 특정 벤치마크 환경에서 우수한 성능을 보였으나, 실제 현실 세계의 무작위적이고 복잡한 물리 환경에서의 범용성과 재현성은 추가적인 실험을 통해 확인해야 합니다. 데이터 편향이나 환경 변화에 따른 강건성 문제도 기술적 한계로 남아 있습니다.

주장이번 연구는 로봇이 단순한 명령 수행자를 넘어, 기억을 바탕으로 지속적으로 학습하는 에이전트로 진화할 수 있는 토대를 마련했습니다. 이는 향후 서비스 로봇의 지능을 한 단계 높이는 계기가 될 것입니다.

출처arxiv의 선공개 논문(https://arxiv.org/abs/2607.10350)을 참고했습니다.