복잡한 로봇 제어의 한계를 넘는 계층형 모델 개발

연구 배경

세계의 작동 방식을 학습하는 모델인 월드 모델을 활용한 계획 수립은 로봇 등 신체를 가진 인공지능 에이전트의 적응력을 높여주지만, 오랜 시간에 걸쳐 수행하는 작업에서는 오류가 쌓이고 탐색이 복잡해지는 문제가 있었습니다. 기존의 계층형 방법들은 고정된 행동 단위를 사용하여 표현이 취약하고 세밀한 제어가 어렵다는 한계가 있었습니다.

방법

연구진이 개발한 아이디-더블유엠은 고수준 모델로 상태 공간 전체에서 가능한 전환을 샘플링하고, 저수준 월드 모델을 역동역학 해결사로 사용하여 이를 정밀한 행동으로 구체화하는 방식을 사용했습니다. 이를 통해 전역적인 행동 패턴보다 지역적인 물리적 타당성을 우선시하며, 짧은 구간들을 조합하여 새로운 장기 계획을 만들어 냈습니다.

주요 결과

세 가지 주행 및 조작 테스트 환경에서 기존 최신 방식 및 확산 기반 계획 기법보다 38.5퍼센트 향상된 성능을 달성했습니다. 특히 오류가 누적되는 문제를 완화함으로써 복잡하고 처음 보는 환경의 장기 작업에서 단일 수준 월드 모델 제어 방식 대비 135퍼센트의 성능 향상을 기록했습니다.

한계·확인할 점

초록에서는 실제 하드웨어 구동에서의 실시간 처리 속도나 비용 등 상용화와 관련된 구체적인 제약 사항은 확인할 수 없습니다.

용어 풀이

• 월드 모델 — 인공지능이 주변 환경의 규칙과 작동 방식을 학습하여 미래 상황을 예측하고 계획을 세울 수 있게 돕는 모델입니다.
• 에이전트 — 주어진 환경을 인식하고 스스로 판단하여 행동을 수행하는 인공지능 프로그램을 의미합니다.