멀티 에이전트 LLM 액터-크리틱 프레임워크: 사회적 로봇 네비게이션의 새로운 지평

본 기사는 Weizheng Wang, Ike Obi, Byung-Cheol Min이 개발한 SAMALM, 즉 분산형 다중 에이전트 LLM 액터-크리틱 프레임워크에 대한 내용을 다룹니다. SAMALM은 LLM을 활용하여 사회적으로 인식하는 로봇 네비게이션을 가능하게 하며, 실험 결과를 통해 다양한 환경에서의 강력한 적응력과 사회적 순응성을 보여줍니다.

최근 로봇 공학과 대규모 언어 모델(LLM)의 발전은 인간-로봇 협업과 구현된 지능에 대한 관심을 높였습니다. 사람이 많이 다니는 환경에서 로봇의 광범위한 배치를 가능하게 하려면, 사회적으로 인식하는 로봇 네비게이션(SAN)이 중요한 연구 분야가 되었습니다. 인간-로봇 상호 작용(HRI)과 경로 계획을 통합하는 심층 강화 학습 방법은 뛰어난 성능을 보여주지만, 새로운 시나리오와 환경에 적응하는 데 어려움을 겪는 경우가 많습니다.

LLM은 상식적 추론을 통한 제로샷 네비게이션에 유망한 길을 제시합니다. 하지만 기존의 대부분의 LLM 기반 프레임워크는 중앙 집중식 의사 결정에 의존하고, 강력한 검증 메커니즘이 부족하며, 거시적 행동을 정확한 저수준 제어 신호로 변환하는 데 일관성이 부족합니다.

이러한 과제를 해결하기 위해 Wang, Obi, Min 등은 SAMALM을 제안했습니다. SAMALM은 분산형 다중 에이전트 LLM 액터-크리틱 프레임워크로, 여러 로봇의 사회적 네비게이션을 위한 것입니다. 이 프레임워크에서 서로 다른 로봇의 개성이나 구성을 반영하는 병렬 LLM 액터 집합이 직접 제어 신호를 생성합니다. 이러한 행동은 그룹 수준의 행동을 평가하는 글로벌 크리틱과 각 로봇의 상황을 평가하는 개별 크리틱을 통해 2단계 검증 과정을 거칩니다. 엔트로피 기반 점수 융합 메커니즘은 자체 검증과 재질의를 더욱 향상시켜 안정성과 조정을 모두 개선합니다.

실험 결과는 SAMALM이 지역적 자율성과 전반적인 감독의 균형을 효과적으로 맞추어 사회적으로 준수하는 행동과 다양한 다중 로봇 시나리오에 대한 강력한 적응력을 제공함을 확인했습니다. 자세한 내용과 비디오는 https://sites.google.com/view/SAMALM에서 확인할 수 있습니다. 이는 사회적 상호 작용이 중요한 다양한 로봇 응용 분야에 혁신적인 영향을 미칠 것으로 기대됩니다. 특히, 복잡한 환경에서의 다중 로봇 협업을 필요로 하는 물류, 서비스 로봇 분야에 획기적인 발전을 가져올 수 있습니다.