LG AI Research, ICML 2026서 LLM 기반 RL 설계 프레임워크 LOAM 공개

• LG AI Research가 ICML 2026에서 LOAM(Large Language Model for Observation and Action Models)을 발표함. 이 프레임워크는 인간이 수동으로 설계하는 대신 LLM이 강화학습 에이전트의 관측 및 행동 공간을 자동으로 설계함.
• HumanoidBench의 이동 작업(서기, 걷기, 달리기)에서 LOAM은 인간이 설계한 FastTD3 베이스라인보다 3배 이상 빠르게 높은 리턴을 달성함. 이는 LLM이 생성한 인터페이스가 정책 학습을 크게 가속한다는 것을 입증함.
• 베이지안 릿지 회귀를 사용하는 변형인 LOAM-Race는 학습 자원을 가장 유망한 설계 후보에 동적으로 배분함. 단일 학습 예산 내에서 여러 LLM 생성 옵션을 효율적으로 탐색하여 Cube와 Insert_small과 같은 복잡한 조작 작업에서 더 높은 최종 성능을 달성함.
• 이 접근법은 Isaac Lab의 Franka 로봇 팔과 Allegro Hand를 포함한 다양한 시뮬레이션 환경과 로봇 구조로 일반화됨. LOAM-Race는 1,100차원 이상의 원시 관측을 포함하는 Repose-Cube 작업에서 가장 높은 최종 성능을 기록함.

Methodology and Scope

• LOAM은 원시 환경 공간(모든 센서 데이터 및 제어 명령)과 에이전트 공간을 구분함. LLM을 사용해 원시 입력을 작업 관련 관측으로 변환하고 정책 출력을 실행 가능한 행동으로 매핑하는 Python 함수를 생성함.
• 시스템은 작업 목표, 로봇 구조, 변수 의미만 입력으로 요구함. 이를 통해 기초 강화학습 알고리즘을 수정하지 않고도 새로운 도메인에 적용할 수 있음.
• 향후 계획에는 LG의 가정 및 제조용 로봇으로 LOAM을 확장하는 것이 포함됨. 생성된 모델의 물리적 유효성과 안전성 검증을 자동화하는 데 중점을 둘 예정임.