[논문리뷰] LIBERO-Industry: Benchmarking Robotic Manipulation under Industrial Process Constraints본 논문은 범용 로봇 정책들이 산업 환경의 고유한 공정 제약 조건을 시스템적으로 평가할 수 있는 프레임워크가 부족하다는 점을 해결하고자 합니다 . 기존의 로봇 학습 벤치마크들은 고정된 환경이나 단순한 조작 작업에 치중되어 있어, 실제 제조 현장의 유동적인 생산 흐름이나 엄격한 공정 타이밍을 반영하지 못합니다.#Review#Robotic Manipulation#Industrial Process Constraints#Generalist Robot Policies#Benchmarking#Material Flow#Simulation2026년 10월 19일댓글 수 로딩 중
[논문리뷰] Synthesis Through Simulation: Generating Coherent Enterprise Data via Scalable Agent-System Interaction본 논문은 기업용 AI 에이전트 훈련 및 평가에 필수적인 데이터셋이 보안 및 개인정보 보호 규제로 인해 구축하기 어렵다는 문제를 해결합니다.#Review#Enterprise Data Synthesis#Large Language Models#Tool-Calling Agents#Structural Validity#Distributional Fidelity#Simulation#Policy-Enforcing APIs2026년 10월 8일댓글 수 로딩 중
[논문리뷰] EmbodiedSmith: Scaling Embodied Data through Recursive Self-Improvement Flywheel in Simulation본 논문은 로봇 Foundation Model의 학습을 위해 필요한 대규모 embodied 데이터를 효율적으로 확보하는 문제를 다룹니다. 기존 시뮬레이션 기반 데이터 생성 방식은 사전 정의된 에셋과 스킬에 의존하여 다양성이 부족하며, 장면 생성과 작업 생성이 분리되어 있어 복잡한 작업에서 성공률이 낮다는 한계가 있습니다.#Review#Embodied AI#Recursive Self-Improvement#Simulation#Robotic Foundation Models#Task-Conditioned Generation2026년 10월 6일댓글 수 로딩 중
[논문리뷰] PlannerForge: LLM Agents for Scenario-Based Testing of Motion Planners in Autonomous Driving본 논문은 자율주행 시스템의 안전성 검증을 위한 Scenario-based Testing 프로세스가 현재 파편화되어 있다는 핵심 문제를 해결하고자 합니다. 기존 방식은 시나리오 생성, 검색, 수정, 실행, 분석 단계가 개별 도구로 분리되어 자동화가 어렵고, 수동으로 처리해야 하는 병목 현상이 존재합니다.#Review#Autonomous Driving Systems#Scenario-based Testing#LLM Agents#Motion Planners#OpenStreetMap#Simulation#Constraint Satisfaction2026년 9월 9일댓글 수 로딩 중
[논문리뷰] DSWorld: A Data Science World Model for Efficient Autonomous Agents본 논문은 자율형 데이터 과학 에이전트가 반복적인 시행착오 과정에서 겪는 비효율적인 연산 비용 문제를 해결하고자 합니다.#Review#Data Science World Model#Autonomous Agents#Transition Prediction#Reflective Reinforcement Learning#Data Science Workflow#Simulation2026년 7월 19일댓글 수 로딩 중
[논문리뷰] SimScale: Learning to Drive via Real-World Simulation at Scale자율주행 시스템의 안전에 필수적인 안전-위험(safety-critical) 및 분포 외(Out-of-Distribution, OOD) 시나리오에 대한 실제 데이터 부족 문제를 해결하고, 제한된 실제 데이터 환경에서 대규모 시뮬레이션 데이터를 활용 하여 엔드투엔드(E2E) 플래너의 강건성 및 일반화 성능 을 체계적으로 향상시키는 방법을 제시하는 것이 목표입니다.#Review#Autonomous Driving#Simulation#Neural Rendering#3D Gaussian Splatting#Sim-to-Real#Data Scaling#End-to-End Planning#Pseudo-Expert2025년 12월 2일댓글 수 로딩 중
[논문리뷰] GUI Exploration Lab: Enhancing Screen Navigation in Agents via Multi-Turn Reinforcement Learning본 연구는 GUI(Graphical User Interface) 에이전트가 실제 환경에서 복잡한 화면 탐색 과제를 수행하는 데 필요한 포괄적인 환경 정보를 얻기 어렵다는 문제를 해결합니다.#Review#GUI Agents#Screen Navigation#Reinforcement Learning#Multi-Turn RL#Simulation#Supervised Fine-tuning#Generalization2025년 12월 2일댓글 수 로딩 중
[논문리뷰] RIR-Mega: a large-scale simulated room impulse response dataset for machine learning and room acoustics modeling본 논문은 반향음 제거, 강건한 음성 인식, 음원 위치 추정, 음향 환경 추정 등 다양한 AI/ML 태스크를 위한 대규모 시뮬레이션된 Room Impulse Response (RIR) 데이터셋의 부족 문제를 해결하는 것을 목표로 합니다.#Review#Room Impulse Response#Dataset#Room Acoustics#Machine Learning#Dereverberation#Speech Recognition#Simulation#Hugging Face2025년 10월 23일댓글 수 로딩 중
[논문리뷰] Dyna-Mind: Learning to Simulate from Experience for Better AI AgentsAI 에이전트가 복잡하고 장기적인 대화형 태스크에서 '대리 시행착오(vicarious trial and error)' 능력을 통해 현재의 한계를 극복하고, 환경을 mentally simulate하여 추론 및 의사결정 성능을 향상시키는 것을 목표로 합니다.#Review#AI Agents#Reinforcement Learning#World Models#Simulation#Reasoning#Language Models#Planning#Interactive AI2025년 10월 13일댓글 수 로딩 중
[논문리뷰] OceanGym: A Benchmark Environment for Underwater Embodied Agents본 연구는 해저 환경의 낮은 가시성, 동적 해류 등의 극한 조건에서 AI 기반 자율 수중 로봇(AUV) 이 직면하는 심각한 인지 및 의사결정 문제들을 해결하기 위해, 포괄적인 벤치마크 환경인 OCEANGYM 을 제안합니다. 궁극적으로는 실제 환경에 적용 가능한 강력한 자율 에이전트 개발을 촉진하는 것을 목표로 합니다.#Review#Underwater Robotics#Embodied AI#Benchmark Environment#Multi-modal Large Language Models#Autonomous Underwater Vehicles#Perception#Decision-Making#Simulation2025년 10월 1일댓글 수 로딩 중