로봇 제어의 혁신: 행동 없이도 학습하는 AI

행동 라벨이 없는 인간 비디오 데이터를 활용하여 로봇 정책을 일반화하는 새로운 모델 RAD를 제시. 로봇 데모 데이터와 인간 비디오 데이터를 결합하여 로봇의 추론 및 행동 제어 능력 향상. 새로운 대규모 데이터셋 공개를 통해 추론 기반 로봇 학습 연구 활성화 기대.

로봇 제어의 새로운 지평을 열다: 행동 없이도 학습하는 AI

최근 Jaden Clark, Suvir Mirchandani, Dorsa Sadigh, Suneel Belkhale 등의 연구진이 발표한 논문 "Action-Free Reasoning for Policy Generalization"은 로봇 제어 분야에 혁신적인 접근 방식을 제시합니다. 기존의 로봇 학습은 대규모의 로봇 데모 데이터셋에 의존해왔지만, 이는 비용과 시간이 많이 드는 작업입니다. 이러한 한계를 극복하기 위해 연구진은 풍부하고 다양한 인간 비디오 데이터에 주목했습니다.

하지만 인간 비디오 데이터는 행동 라벨이 부족하다는 문제점이 있습니다. 기존의 방법들은 손 동작과 같은 기본적인 행동 표현을 추출하려고 시도했지만, 인간과 로봇의 행동 차이(embodiment gap) 때문에 정책 일반화에 어려움을 겪었습니다.

연구진은 이 문제를 해결하기 위해 Reasoning through Action-free Data (RAD) 라는 새로운 모델을 개발했습니다. RAD는 인간 비디오 데이터의 추론 정보를 활용하여 일반화 가능한 로봇 정책을 학습합니다. RAD는 로봇 데모 데이터(추론 및 행동 라벨 포함)와 행동 라벨이 없는 인간 비디오 데이터(추론 라벨만 포함)를 모두 학습에 활용합니다. 로봇 데이터는 추론을 저수준 행동으로 매핑하는 능력을, 인간 비디오 데이터는 추론 능력 자체를 향상시키는 데 기여합니다.

더 나아가, 연구진은 Bridge V2 벤치마크와 호환되는 3,377개의 인간 손 데모 데이터셋을 새롭게 공개했습니다. 이 데이터셋은 추론 주석이 포함되어 있어 향후 추론 기반 로봇 학습 연구에 귀중한 자원이 될 것으로 기대됩니다.

실험 결과, RAD는 인간 비디오 데이터에서만 관찰된 작업도 수행할 수 있을 정도로 embodiment gap을 효과적으로 해소했습니다. 또한, 행동 라벨이 없는 추론 데이터의 규모를 키울수록 정책 성능과 새로운 작업에 대한 일반화 능력이 향상되는 것을 확인했습니다.

이 연구는 행동 라벨이 없는 데이터셋으로부터 추론 기반 학습을 활용하여 일반화 가능한 로봇 제어 기술을 발전시키는 데 중요한 이정표를 제시합니다. 이는 로봇 공학의 발전에 크게 기여할 뿐만 아니라, 인간과 로봇 간의 상호작용 방식에도 혁신적인 변화를 가져올 것으로 예상됩니다. 향후 RAD 모델의 발전과 추가 연구를 통해 더욱 다양하고 복잡한 작업을 수행하는 로봇을 만날 수 있기를 기대합니다. 연구팀의 프로젝트 페이지 (https://rad-generalization.github.io) 에서 자세한 정보를 확인할 수 있습니다.