ENPIRE: Agentic Robot Policy Self-Improvement in the Real World

로봇의 정교한 조작 기술은 여전히 인간의 개입과 알고리즘 엔지니어링에 크게 의존하고 있어 범용 물리 지능 구현의 병목이 되고 있습니다. 기존 코딩 에이전트는 디지털 환경에 국한되어 있어, 실제 물리 환경에서의 반복적인 실험과 개선 루프를 자동화하는 것이 필수적입니다. 본 논문은 환경 리셋, 정책 실행, 결과 검증, 알고리즘 개선이 유기적으로 연결된 ENPIRE 프레임워크를 소개합니다. 이 시스템은 코딩 에이전트가 로그 분석과 문헌 조사를 통해 스스로 학습 인프라와 코드를 수정하며 정책을 최적화하도록 설계되었습니다. 실험 결과, 에이전트는 핀 박스 정리나 도구 사용과 같은 고난도 작업에서 99%의 성공률을 달하는 정책을 자율적으로 학습했습니다. 이는 로봇 연구 프로세스를 자동화 가능한 최적화 문제로 전환하여 인간의 개입을 최소화할 수 있음을 보여줍니다.