혁신적인 로봇 계획: 코드로 상징적 계획 세우기

용차오 천 등 연구진이 발표한 논문은 LLM을 활용하여 코드를 상징적 계획 도구로 사용하는 새로운 로봇 계획 방법을 제시합니다. 다양한 환경과 작업에서 기존 방법 대비 평균 24.1%의 성공률 향상을 보이며, 로봇 계획 분야의 혁신적인 발전을 이끌었습니다.

코드로 상징적 계획 세우기: LLM 기반 로봇 계획의 새로운 지평

최근 용차오 천(Yongchao Chen) 등 연구진이 발표한 논문 "Code-as-Symbolic-Planner: Foundation Model-Based Robot Planning via Symbolic Code Generation"은 로봇 작업 및 동작 계획(TAMP) 분야에 혁신적인 접근 방식을 제시합니다. 기존의 대규모 언어 모델(LLM) 기반 로봇 계획은 주로 텍스트나 코드 기반의 추론 체인을 통해 부 목표와 행동 계획을 생성하는 데 집중했습니다. 하지만 이러한 방법은 LLM의 상징적 계산 및 코드 생성 능력을 완전히 활용하지 못하는 한계를 지녔습니다.

본 연구는 이러한 한계를 극복하기 위해 LLM을 코드를 상징적 계획 도구로 활용하도록 유도하는 새로운 방법을 제시합니다. 다중 제약 조건 하에서 복잡한 최적화가 필요한 많은 로봇 TAMP 작업에서 순수한 텍스트 추론만으로는 부족한 점이 있었는데, 본 연구는 LLM이 최적화 및 제약 조건 검증을 위한 솔버, 플래너, 검증기를 생성하도록 유도합니다. 이는 로봇 동작 모듈과 인터페이스하는 코드를 사용하는 기존 방식과는 차별화되는 접근 방식입니다. LLM의 뛰어난 코딩 능력을 활용하면서 동시에 일반적인 상식을 통합하기 위해 텍스트 추론도 활용합니다.

연구진은 다단계 안내 및 답변 발전 프레임워크를 통해 Code-as-Symbolic-Planner를 개발했습니다. 실험 결과, 7가지 전형적인 TAMP 작업과 3가지 인기 있는 LLM에 걸쳐 기존 최고 성능 방법 대비 평균 24.1%의 성공률 향상을 달성했습니다. 이는 이산 및 연속 환경, 2D/3D 시뮬레이션 및 실제 환경, 그리고 다양한 요구 사항을 가진 단일 및 다중 로봇 작업에서 강력한 효과와 일반화 성능을 보여줍니다. 자세한 내용은 프로젝트 웹사이트 (https://yongchao98.github.io/Code-Symbol-Planner/)에서 확인할 수 있습니다.

결론적으로, 이 연구는 LLM의 잠재력을 극대화하여 로봇 계획의 정확성과 효율성을 크게 향상시켰다는 점에서 큰 의미를 가집니다. 향후 LLM 기반 로봇 제어 및 계획 분야의 발전에 중요한 기여를 할 것으로 기대됩니다.