Caramel LabCaramel Lab

ConceptBot: LLM 로봇 계획을 위한 상식 기반 작업 분해

ConceptBot: Knowledge-graph-grounded commonsense for task decomposition in LLM robot planning

원저자 Alessandro Leanza, Angelo Moroncelli, Giuseppe Vizzari 외 3인·Biomimetic Intelligence and Robotics·원발행 2026.10· 4 인용·카라멜 랩 해설 공개 2026. 11. 8.
최근 1년 4회 인용

한국어 핵심 요약

로봇 계획은 언어적 모호성 해소 및 객체 해석에 상식 추론이 요구될 때 어려움을 겪습니다. 본 연구는 이러한 문제를 해결하기 위해 대규모 언어 모델(LLM)과 지식 그래프를 통합하는 모듈형 계획 프레임워크인 ConceptBot을 제안합니다. ConceptBot은 지시의 모호성을 해소하고, 객체 의미를 접지하며, 위험 인식 작업 수준 계획을 지원합니다. ConceptBot은 세 가지 핵심 구성 요소로 이루어집니다. 첫째, 객체 속성 추출(OPE) 모듈은 ConceptNet의 의미 개념을 활용하여 장면 이해를 증강합니다. 둘째, 사용자 요청 처리(URP) 모듈은 모호성을 해결하고 자유 형식 지시를 구조화합니다. 셋째, 플래너는 구조화된 요청을 순차적이고 액션 스키마를 준수하는 픽앤플레이스 정책으로 변환합니다. 47개 지시로 구성된 상징적 계획 벤치마크에서 ConceptBot은 암묵적 작업에 대해 87.0%의 계획 정책 정확도를 달성했습니다. 이는 SayCan(31.0%), ReAct(27.0%), ProgPrompt(13.0%)를 크게 상회하는 수치입니다. 위험 인식 작업에서는 76.2%의 정확도를 보였으며, 이는 다른 모델들의 15.0%, 37.5%, 22.5%와 비교됩니다. 이러한 결과는 종단 간 로봇 성공이 아닌 상징적 정책 정확도를 정량화한 것입니다. 또한, PyBullet 및 Franka 시뮬레이션 환경에서 제어된 실행을 통해 생성된 정책이 시뮬레이션 및 실제 조작 스택과 성공적으로 통합됨을 입증했습니다. SafeAgentBench에서 ConceptBot은 도메인 특정 훈련 없이 80%의 전반적인 BSS(Behavioral Safety Score)를 달성했습니다. 이는 ConceptBot이 복잡한 로봇 계획 문제에 효과적인 해결책임을 시사합니다.

섹션 미리보기

연구 배경

로봇이 복잡한 작업을 수행하려면 언어적 모호성을 해결하고 객체를 정확히 해석하는 상식 추론 능력이 필수적입니다. 기존 로봇 계획 시스템은 이러한 상식적 이해가 부족하여 실제 환경에서의 적용에 한계가 있었습니다.

핵심 발견

ConceptBot은 LLM과 지식 그래프를 통합하여 모호한 지시를 명확히 하고, 객체 의미를 정확히 파악하며, 위험을 고려한 작업 계획을 수립합니다. 벤치마크에서 기존 모델 대비 월등히 높은 계획 정책 정확도를 달성하여, 로봇의 상식 기반 작업 분해 능력을 크게 향상시켰습니다.

전체 8개 섹션 분석

내가 읽고 있는 논문도 이렇게 정리해드릴게요

연구 배경 · 방법론 · 결과 · 한계점까지 8개 섹션 풀 분석. PDF 업로드 한 번이면 끝.

내 논문 분석하기

관련 컴퓨터 과학 논문

컴퓨터 과학 전체 보기