|
로봇 분야에서는 사람이 미리 모아둔 행동 데이터를 바탕으로 안전하게 배우는 ‘오프라인 강화학습’과, 그림을 그리듯 정교한 행동을 만들어내는 ‘생성형 AI(디퓨전 기술 등)’가 주목을 받아왔다. 다만 이러한 기존 방식은 로봇이 실제로 움직일 때 수많은 계산을 거듭해야 해 행동이 느려지고 배터리 소모가 심해진다는 문제가 있었다.
이를 극복하기 위해 연구팀은 정보가 막힘없이 흐르는 고속도로 같은 구조(잔차 연결, ResMLP), 먼 미래의 결과까지 차분하게 내다보는 예측법(n-step), 그리고 점수 범위를 안전하게 가두는 분류 방식(Categorical loss) 등 세 가지 핵심 기술을 결합했다. 이를 통해 신경망을 128층까지 깊게 쌓으면서도 AI를 안정적으로 학습시키는 데 성공했다.
이를 통해 개발한 AI 기술은 복잡하고 무거운 생성형 AI 없이도 기존 최고 수준의 모델들과 대등하거나 더 높은 임무 성공률을 기록했다. 특히 인간형 로봇의 미로 탈출, 로봇 팔의 물체 조작 같은 고난도 제어 실험(OGBench)에서 기존 모델 대비 행동 결정 속도를 최대 4배나 단축하며 우수한 성능을 증명했다.
연구팀은 이번 연구를 통해 AI가 현장에서 결정을 내릴 때 걸리는 지연 시간을 줄이고 자율주행 로봇, 드론, 스마트 가전처럼 두뇌 역할을 하는 컴퓨터의 용량이 작은 기기에서도 고성능 AI가 실시간으로 민첩하게 동작할 수 있는 가능성을 열었다.
