딥러닝 기반 로봇 제어의 혁신: 상징적 상태 인식과 인지 아키텍처 통합

본 연구는 시각-언어-행동 모델의 블랙박스 문제와 인지 아키텍처의 한계를 극복하기 위해 OpenVLA 모델의 은닉층을 분석하여 상징적 표현을 추출하고, 이를 DIARC-OpenVLA 시스템에 통합하여 실시간 상태 모니터링을 가능하게 함으로써 로봇 제어의 신뢰성과 해석성을 향상시켰습니다.

최근 시각-언어-행동(VLA) 모델이 로봇 공학 분야에서 주목받고 있습니다. VLA 모델은 시각 및 언어 정보를 로봇 동작으로 변환하는 능력을 가지고 있지만, 블랙박스와 같은 불투명성과 환경 변화에 대한 민감성으로 인해 신뢰성이 떨어진다는 한계점을 지니고 있습니다. 반면, 인지 아키텍처(CA)는 상징적 추론과 상태 모니터링에 탁월하지만, 미리 정의된 엄격한 실행 방식 때문에 유연성이 부족합니다.

홍루 등 연구진은 이러한 두 가지 접근 방식의 장점을 결합하여 혁신적인 시스템을 개발했습니다. 연구진은 OpenVLA 모델의 은닉층을 분석하여 객체 속성, 관계, 행동 상태 등의 상징적 표현을 추출하는 방법을 제시했습니다. 이를 통해 인지 아키텍처와의 통합을 가능하게 하여 로봇 제어의 해석성과 신뢰성을 향상시켰습니다.

연구진은 LIBERO 공간적 집어 들고 놓기 작업을 통해 OpenVLA의 Llama 백본의 다양한 층에서 상징적 상태의 인코딩을 분석했습니다. 실험 결과, 대부분의 층에서 객체 및 행동 상태에 대해 0.90 이상의 높은 정확도를 보였습니다. 흥미롭게도, 초기 가설과 달리 객체 상태가 행동 상태보다 먼저 인코딩되는 패턴은 관찰되지 않았습니다.

이 연구의 핵심 성과는 DIARC-OpenVLA 시스템의 개발입니다. 이 시스템은 상징적 표현을 활용하여 실시간 상태 모니터링을 수행하며, 더욱 해석 가능하고 신뢰할 수 있는 로봇 조작을 위한 기반을 마련했습니다. 이 연구는 VLA 모델의 한계를 극복하고 인지 아키텍처의 강점을 활용하여 로봇 제어의 새로운 지평을 열 것으로 기대됩니다. 앞으로 더욱 발전된 연구를 통해 더욱 안전하고 효율적인 로봇 시스템 개발에 기여할 것으로 예상됩니다. 특히, 예측 불가능한 상황에서도 안정적으로 작동하는 로봇 시스템 구축에 중요한 발판을 마련했다는 점에서 큰 의의를 가집니다.

키워드: 시각-언어-행동 모델, 인지 아키텍처, 로봇 제어, 상징적 표현, OpenVLA, DIARC, 신뢰성, 해석성