Adaptive Domain Modeling with Language Models: A Multi-Agent Approach to Task Planning

로봇에게 저녁 식사 만드는 법을 가르치려고 한다고 상상해 보세요. 옛날에는 과학자들이 모든 가능한 시나리오에 대해 거대하고 경직된 지침서를 작성해야 했습니다: "냄비가 빨간색이면 X를 하고, 파란색이면 Y를 하라." 만약 로봇이 초록색 냄비를 마주하거나 보지 못한 작업을 수행해야 한다면, 매뉴얼에 해당 내용이 없기 때문에 로봇은 동작을 멈추고 얼어붙었습니다. 이것이 컴퓨터가 엄격하게 미리 작성된 규칙을 따르는 **기호적 계획법(symbolic planning)**의 세계입니다. 이는 강력하지만, 1990년에 그려진 지도상의 도로만 알고 있는 GPS와 같습니다. 새로운 도로가 생기면 GPS는 길을 잃고 맙니다.

반면에, 우리는 이제 대화하고, 이야기를 쓰고, 인간의 언어를 이해할 수 있는 초스마트 AI 두뇌인 **대규모 언어 모델(LLM)**을 가지고 있습니다. 이들은 매우 유연하며, 여러분이 말을 조금 이상하게 하더라도 여러분의 의도를 추측할 수 있습니다. 하지만 이들은 약간 천재적이지만 산만한 예술가와 같습니다. 물리적으로 불가능한 계획을 멋지게 꿈꿔내거나, 물리 법칙을 완전히 잊어버릴 수도 있기 때문입니다.

과학자들의 큰 과제는 이렇습니다: 어떻게 하면 기존의 엄격한 규칙 준수 로봇과 새로운 AI의 유연하고 창의적인 두뇌를 결합할 것인가? 우리는 "가장 큰 블록을 바닥에 두고 탑을 쌓아줘"와 같은 복잡하고 현실적인 요청을 이해하고, 설령 로봇이 이전에 본 적 없는 "가장 큰 블록"이라 할지라도 이를 어떻게 구축할지 알아내는 시스템이 필요합니다. 이것이 여러분이 곧 읽게 될 논문이 제시하는, 로봇이 실시간으로 학습할 수 있게 하는 새로운 방법입니다.

---

TAPAS를 만나보세요: 로봇의 창의적인 설계자 팀

TAPAS(Task-based Adaptation and Planning using AgentS)를 만나보세요. TAPAS를 단일한 로봇 두뇌가 아니라, 컴퓨터 내부에서 일하는 작고 매우 조직화된 건설 팀이라고 생각하십시오. 한 사람이 모든 것을 하려고 노력하는 대신, TAPAS는 작업을 세 명의 전문화된 "에이전트"(작은 AI 작업자)에게 나눕니다. 각 에이전트는 특정 역할을 맡으며, 서로 대화하며 계획을 세웁니다.

이 팀이 어떻게 작동하는지 간단한 비유를 들어보겠습니다. 여러분이 팀에게 "빨간 블록을 파란 블록 위에 올려줘"라고 말하며 블록으로 탑을 쌓고 싶다고 가정해 봅시다.

1. 도메인 생성기 (규칙집 작성자)
먼저, 도메인 생성기는 여러분의 요청을 듣습니다. 옛날 방식이라면, 로봇이 자신의 규칙집에서 "빨간색"이나 "파лу색"이 무엇인지 모를 경우, 그냥 "오류! 그 단어를 모릅니다!"라고 말하며 멈췄을 것입니다. 하지만 TAPAS는 다릅니다. 만약 도메인 생성기가 "어라, 우리 현재 규칙집에는 색상을 설명하는 방법이 없네"라는 것을 깨달으면, 당황하지 않습니다. 대신 "좋아, 우리 규칙집에 '색상' 규칙을 추가해야겠어"라고 말합니다. 이 에이전트는 실제로 로봇의 내부 지침 매뉴얼을 즉석에서 다시 써서 이 새로운 개념을 포함시킵니다.

2. 초기 상태 생성기 (장면 설정자)
다음으로, 초기 상태 생성기는 방 안을 살핍니다. 테이블 위의 블록들을 봅니다. 만약 규칙집이 방금 "색상"을 포함하도록 업데이트되었다면, 이 에이전트는 "잠깐, 각 블록의 색깔은 뭐지?"라고 묻습니다. 만약 여러분이 알려주지 않았다면, 이 에이전트는 여러분이나 시뮬레이션에 그 정보를 요청할 것입니다. 이 에이전트는 로봇이 모든 블록의 위치와 색상을 새로운 규칙에 맞게 정확히 알 수 있도록 무대를 설정합니다.

3. 목표 상태 생성기 (목표 설정자)
마지막으로, 목표 상태 생성기는 여러분의 소망인 "빨간색을 파란색 위에"를 확인합니다. 이 에이전트는 새로운 규칙집과 장면을 검토합니다. 그리고 말합니다. "알겠습니다. 목표는 빨간색을 위로 쌓는 것입니다."

"도구 호출(Tool-Calling)"의 마법
가장 멋진 부분은 이들이 대화하는 방식입니다. 이들은 단순히 추측하는 것이 아니라 "도구"를 사용합니다. 만약 목표 생성기가 문제(예: "우리는 아직 '크기' 규칙이 없어서 크기에 따라 블록을 쌓을 수 없어")를 발견하면, missing_fluent라는 도구를 꺼내 도메인 생성기에게 말합니다. "이봐, '크기'에 대한 규칙이 필요해!" 그러면 도메인 생성기는 규칙집을 업데이트하고, 팀 전체는 더 나은 지침을 가지고 처음부터 다시 시작합니다. 이것은 마치 레고 세트를 만드는 친구들처럼, 특정 부품이 부족하다는 것을 깨달으면 한 친구가 가게로 달려가서 그것을 사 오고, 그러면 모두가 함께 계속해서 만드는 것과 같습니다.

"무엇"에서 "어떻게"로: 실행 팀

계획이 작성되면, TAPAS는 실제로 로봇을 움직여야 합니다. 이것은 까다로운 작업입니다. 왜냐하면 계획은 "블록 A를 블록 B 위에 놓으라"고 말할 수 있지만, 로봇의 물리적인 팔은 오직 "그리퍼를 좌표 X, Y, Z로 이동하라"는 법만 알고 있을 수 있기 때문입니다.

TAPAS는 이 간극을 메우기 위해 **플랜 실행기(Plan Executor)**를 사용합니다. 이것은 번역기 역할을 합니다.

• 번역기: 고차원의 화려한 계획을 받아 "팔을 왼쪽으로 움직여" 또는 "빨간 블록을 잡아"와 같은 단순하고 자연스러운 언어 지침으로 변환합니다.
• ReAct 에이전트: 이것은 로봇의 "추론 및 행동(Reason and Act)" 두뇌입니다. 이 에이전트는 지침을 보고, 로봇이 실제로 가진 도구(기술)가 무엇인지 확인한 뒤 최선의 도구를 선택합니다. 만약 로봇이 블록을 잡으려다 실패하면, **검증 에이전트(Validator Agent, 감독관)**가 "앗, 작동하지 않았어요. 다시 시도하세요, 아마도 팔을 더 느리게 움직여야 할 거예요"라고 말합니다.

무엇을 발견했는가?

저자들은 두 가지 주요 방식으로 TAPAS를 테스트했습니다. 하나는 고전적인 논리 퍼즐이고, 다른 하나는 VirtualHome이라는 이름의 3D 가상 집 시뮬레이션입니다.

1. 논리 퍼즐 (벤치마크)
연구진은 유명한 "Blocksworld"(블록 쌓기)나 "Barman"(음료 섞기)과 같은 7가지 다양한 계획 과제를 통해 TAPAS를 테스트했습니다.

• 결과: TAPAS는 놀라울 정도로 뛰어났습니다. 최상위 AI 모델인 GPT-4o를 사용했을 때, "Barman" 문제의 **97%**를, "Blocksworld" 문제의 **100%**를 해결했습니다.
• 비교: 이는 다른 AI 모델을 사용하거나, 구조화된 계획 없이 단순히 AI가 모든 것을 수행하도록 강제하는 것보다 훨씬 나은 결과였습니다. 예를 들어, "Blocksworld" 테스트에서 TAPAS는 100%의 문제를 해결했지만, 다른 방식들은 상당히 어려움을 겪었습니다.

2. "새로운 규칙" 테스트 (적응성)
이 부분이 TAPAS가 진정으로 빛나는 곳입니다. 연구진은 로봇에게 "가장 큰 블록을 바닥에 두고 쌓아줘" 또는 "블록을 옮기되, 로봇의 배터리가 다 떨어지지 않게 해줘"와 같이 이전에 본 적 없는 작업을 주었습니다.

• 결과: TAPAS는 자신의 규칙집에 "크기"나 "배터리" 규칙을 추가해야 한다는 것을 성공적으로 파악했습니다. 이 과정은 자동으로 이루어졌습니다.
  • "크기" 작업의 경우, "블록을 더 큰 블록 위에만 쌓을 수 있다"는 규칙을 추가했습니다. 이를 통해 이 까다로운 새로운 문제들을 90% 해결했습니다.
  • "배터리" 작업의 경우, 에너지 소비에 관한 규칙을 추가했습니다. 이를 통해 "Grippers"(로봇 손) 배터리 관련 문제의 **100%**를 해결했습니다.
• 주의점: 완벽하지는 않았습니다. "Floortile"(타일 청소) 테스트에서 배터리 제약 조건이 있을 때 해결률은 **70%**였습니다. 논문은 이것이 AI가 배터리 잔량을 묻는 대신 추측했기 때문이며, 시스템이 여전히 가정(assumption)을 하는 데 주의가 필요함을 보여준다고 설명합니다.

3. VirtualHome 시뮬레이션
마지막으로, 그들은 TAPAS를 3D 집 시뮬레이션에 배치했습니다. 과제는 "냉장고에서 파이를 꺼내 테이블 위에 놓아줘"와 "연어를 데워서 테이블 위에 놓아줘"였습니다.

• 결과: TAPAS는 성공적으로 계획을 생성하고, 이를 행동으로 번와하여 가상 로봇이 냉장고를 열고, 음식을 잡고, 전자레인지를 사용하고, 물건을 테이블에 놓도록 안내했습니다.
• 기억 기법: 그들은 또한 TAPAS가 실수로부터 배울 수 있는지 테스트했습니다. 그들은 시스템에 "다음번에 냉장고를 사용할 때는, 내가 말하지 않더라도 문을 꼭 닫아줘"라고 말했습니다. 나중에 로봇이 유사한 작업에 직면했을 때, 이 규칙을 기억하고 자동으로 냉장고 문을 닫았습니다. 이는 TAPAS가 시간이 지남에 따라 더 나아질 수 있는 "절차적 기억(procedural memory)"을 저장할 수 있음을 보여주었습니다.

이것이 왜 중요한가 (그리고 무엇이 아닌가)

이 논문은 TAPAS가 언어를 이해하는 AI의 창의성과 엄격한 계획 규칙의 신뢰성을 결합했기 때문에 강력한 진전이라고 제안합니다. 이것은 단순히 대본을 따르는 것이 아니라, 상황이 변할 때 대본을 새로 쓸 수 있습니다.

하지만 저자들은 이것이 시뮬레이션이라는 점을 명시하며 주의를 기울였습니다. 그들은 컴퓨터 세상(VirtualHome)과 표준 논리 퍼즐에서 테스트했을 뿐, 지저nd한 실제 주방에 있는 실제 로봇을 대상으로 하지 않았습니다. 결과는 유망하지만, 논문은 AI가 "환각(hallucination, 사실을 지어내는 것)"을 일으키거나 자동으로 수정하기에 너무 복적인 오류를 처리하는 등의 실세계 배포 문제는 여전히 과제로 남아 있다고 인정합니다.

요약하자면, TAPAS는 단순히 지도를 따르는 로봇이 아니라, 길을 막는 장애물을 만나면 새로운 지도를 그릴 수 있고, 길을 잃으면 길을 물어볼 수 있으며, 다음을 위해 지름길을 기억할 수 있는 로봇입니다. 아직 완벽한 로봇은 아니지만, 스스로 생각하는 법을 배우고 있는 매우 똑똑한 로봇입니다.