AtomicVLA: Unlocking the Potential of Atomic Skill Learning in Robots

이 논문은 장기적 작업과 지속적 학습을 위한 기존 VLA 모델의 한계를 극복하기 위해, 기술 가이드 혼합 전문가 (SG-MoE) 를 활용한 확장 가능한 원자 기술 라이브러리와 유연한 라우팅 인코더를 통해 작업 계획, 원자 기술 추상화, 정밀 행동을 통합적으로 생성하는 'AtomicVLA' 프레임워크를 제안하고 그 우수성을 입증합니다.

핵심

이 논문은 **'AtomicVLA(아토믹 VLA)'**라는 새로운 로봇 학습 시스템을 소개합니다. 이 시스템을 이해하기 위해 복잡한 기술 용어 대신, **'요리사'**와 **'레시피'**에 비유해서 설명해 드리겠습니다.

🍳 핵심 비유: "한 명의 천재 요리사 vs 전문 요리팀"

기존의 로봇 모델들은 마치 **"모든 요리를 혼자서 다 해보려는 초보 요리사"**와 비슷했습니다.

• 문제점: 이 요리사는 파스타를 만들다가 갑자기 스테이크를 구우면, 파스타를 잊어버리거나 스테이크를 태우는 등 실수를 자주 했습니다. 또한, 새로운 요리 (예: 디저트) 를 배우려면 모든 레시피를 다시 외워야 했기 때문에 시간이 너무 오래 걸리고, 이전에 배운 요리 실력이 사라지는 (망각) 문제가 있었습니다.

AtomicVLA는 이 문제를 해결하기 위해 **"전문가들이 모여 있는 요리팀"**으로 변신했습니다.

---

1. AtomicVLA 가 어떻게 작동할까요?

① "생각 (Thinking)"과 "행동 (Acting)"을 나누다

기존 로봇은 "무엇을 할지"와 "어떻게 움직일지"를 동시에 하느라 혼란스러웠습니다. 하지만 AtomicVLA 는 두 단계를 명확히 나눕니다.

• 생각 단계 (두뇌): 로봇은 먼저 "오늘 메뉴가 뭐지? 먼저 불을 켜고, 다음에 냄비를 올리고, 그다음 뚜껑을 닫아야지"라고 **큰 그림 (계획)**을 그립니다.
• 행동 단계 (손): 계획을 세운 후, "불 켜기"라는 명령이 떨어지면 불 켜기 전문 요리사가 나옵니다. "냄비 올리기"가 필요하면 냄비 올리기 전문가가 나옵니다.

② '원자 (Atomic)' 기술의 마법

이 시스템의 핵심은 **'원자 (Atomic)'**라는 개념입니다. 복잡한 요리도 결국 '자르기', '볶기', '담기' 같은 가장 작은 기본 동작들의 조합입니다.

• AtomicVLA 는 이 **기본 동작들 (원자 기술)**을 각각의 **전문가 (Expert)**에게 맡깁니다.
• 예를 들어, '회전 (Turn)'을 잘하는 전문가, '잡기 (Pick)'를 잘하는 전문가가 따로 있습니다. 로봇은 상황에 따라 필요한 전문가만 불러서 일을 시킵니다.

③ 새로운 기술을 배울 때 (지속 학습)

기존 로봇은 새로운 요리를 배우려면 기존 레시피를 지우고 다시 공부해야 해서, 이전에 배운 요리를 잊어버렸습니다.

• 하지만 AtomicVLA 는 새로운 전문가를 팀에 합류시키는 방식으로 배웁니다.
• "새로 '오븐 열기'를 배워야 한다?" -> 오븐 열기 전문가만 새로 채용하고 훈련시키면 됩니다. 기존에 '자르기'나 '볶기'를 잘하던 전문가들은 그대로 유지되므로, 이전에 배운 실력이 사라지지 않습니다.

---

2. 왜 이것이 중요한가요? (실제 성과)

이론만 좋은 게 아니라, 실제 실험에서도 놀라운 결과를 보여줬습니다.

• 긴 작업도 척척: "냉장고에서 물건을 꺼내서, 전자레인지에 넣고, 문을 닫고, 버튼을 누르는"처럼 긴 작업을 할 때, 기존 로봇들은 중간에 헷갈려서 실패했지만, AtomicVLA 는 단계별로 전문가를 투입해 성공률을 크게 높였습니다.
• 실수 복구 능력: 만약 로봇이 물건을 잡다가 떨어뜨리면, 기존 로봇은 당황해서 멈추지만, AtomicVLA 는 "아, 내가 떨어뜨렸구나. 다시 잡아야지"라고 생각을 다시 하고 (재계획) 실수를 바로잡아 작업을 완료했습니다.
• 실제 로봇에서도 작동: 컴퓨터 시뮬레이션뿐만 아니라, 실제 Franka 로봇 팔에서도 복잡한 작업을 잘 수행하며, 기존 모델보다 훨씬 높은 성공률을 기록했습니다.

3. 한 줄 요약

AtomicVLA는 로봇에게 **"모든 것을 한 번에 외우게 하는 것"**이 아니라, **"작은 기본 동작을 담당하는 전문가 팀을 구성하고, 상황에 따라 필요한 전문가만 불러서 일하게 하는 시스템"**을 만들어, 로봇이 더 똑똑하고, 실수를 잘 고치며, 평생 새로운 기술을 배우도록 돕는 혁신적인 기술입니다.

이제 로봇도 요리사처럼, 복잡한 요리를 하나하나 차근차근, 전문가의 손길로 완벽하게 해낼 수 있게 된 것입니다! 🤖✨

기술 요약

1. 문제 정의 (Problem)

최근 비전 - 언어 - 행동 (VLA, Vision-Language-Action) 모델은 로봇 조작 분야에서 큰 진전을 이루었으나, 다음과 같은 근본적인 한계에 직면해 있습니다:

• 장기적 작업 (Long-horizon Tasks) 의 어려움: 실제 로봇 작업은 단일 행동이 아닌 여러 단계로 구성된 복잡한 문제 해결을 요구합니다. 기존 VLA 모델들은 단일 행동 디코더를 사용하여 이러한 장기적 계획을 수행하는 데 한계가 있습니다.
• 확장성 부족 (Scalability Issues): 기존 모델은 집계된 데이터로 학습된 단일 (Monolithic) 행동 디코더를 사용합니다. 새로운 기술을 추가하려면 모델을 전체적으로 파인튜닝해야 하므로 계산 자원이 많이 소모되고, 기존 기술에 대한 파괴적 망각 (Catastrophic Forgetting) 이 발생하여 평생 학습 (Continual Learning) 이 어렵습니다.
• 계획과 실행의 분리: 기존 2 단계 접근법 (플래너와 컨트롤러 분리) 은 플래너와 컨트롤러 간의 상호 인식이 부족하여 최적의 작업 조율이 어렵고, 시스템 지연으로 인해 부적절한 지시가 생성될 수 있습니다.

2. 제안 방법: AtomicVLA (Methodology)

이 논문은 AtomicVLA를 제안하며, 이는 작업 계획 (Planning) 과 행동 실행 (Execution) 을 통합한 엔드 - 투 - 엔드 프레임워크입니다. 핵심 구성 요소는 다음과 같습니다:

가. 통합 계획 및 실행 프레임워크 (Unified Planning and Execution)

• Think-Act 메커니즘: 모델은 입력된 관찰과 지시를 기반으로 [think](생각) 또는 [act](행동) 토큰을 예측하여 모드를 전환합니다.
  • Think 모드: 작업 시작 또는 하위 기술 전환 시, 고수준 작업 체인 (Task Chain) 을 생성하고 현재 진행 상황을 추적하며 수행할 원자적 기술 (Atomic Skill) 추상화를 출력합니다.
  • Act 모드: 최근의 기술 추상화를 기반으로 구체적인 로봇 제어 신호 (저수준 행동) 를 생성합니다.

나. 기술 유도 혼합 전문가 (Skill-Guided Mixture-of-Experts, SG-MoE)

• 원자적 기술 라이브러리: 각 원자적 기술 (예: 들기, 놓기, 돌리기 등) 을 전문으로 하는 전용 '전문가 (Expert)' 네트워크를 구축합니다.
• 동적 라우팅 (Dynamic Routing):
  • 각 원자적 기술 추상화는 고정된 임베딩 벡터로 매핑됩니다.
  • 라우터 (Router) 는 현재 필요한 기술에 따라 해당 전용 전문가와 공유 전문가 (Shared Expert) 를 선택하여 활성화합니다.
  • 스파스 활성화 (Sparse Activation): 각 단계에서 상위 점수를 받은 전문가 하나만 선택되어 실행됩니다.
• 확장성: 새로운 기술이 추가될 때 전체 모델을 재학습하지 않고, 해당 기술에 맞는 새로운 전문가 모듈과 라우터 경로만 추가하여 학습합니다. 이는 기존 기술의 성능 저하 없이 새로운 기술을 습득할 수 있게 합니다.

다. 태스크 플래닝을 위한 데이터 생성 파이프라인

• 주축 분석 (Principal-axis Analysis): 로봇 엔드 이펙터의 궤적 (이동, 회전, 그리퍼 상태) 을 분석하여 원자적 행동 구간을 물리적으로 정확하게 세그먼트합니다.
• InternVideo2.5 활용: 생성된 세그먼트에 대해 InternVideo2.5 모델을 사용하여 비디오 내용을 해석하고, 원자적 행동 레이블을 자동 보정 및 풍부하게 만들어 고품질의 추론 데이터를 생성합니다.

3. 주요 기여 (Key Contributions)

1. AtomicVLA 프레임워크: 장기적 작업과 지속적인 기술 확장을 위해 작업 계획과 행동 실행을 통합한 최초의 엔드 - 투 - 엔드 VLA 모델 중 하나를 제안했습니다.
2. SG-MoE 아키텍처: 원자적 기술 라이브러리를 구축하기 위한 기술 유도형 혼합 전문가 (SG-MoE) 구조와 확장 가능한 기술 라우터를 설계하여, 새로운 기술 학습 시 기존 기술의 망각을 방지했습니다.
3. 광범위한 검증: 시뮬레이션 (LIBERO, CALVIN) 과 실제 로봇 (Franka Arm) 환경에서 장기적 작업 수행 및 평생 학습 능력을 검증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 성능 (LIBERO & CALVIN):
  • LIBERO: 기존 베이스라인 (π0) 대비 평균 2.4% 향상, 특히 장기 작업 (LIBERO-LONG) 에서 10% 향상 (95.2% 성공률).
  • CALVIN: 평균 작업 성공 길이 (Average Task Length) 에서 π0 대비 0.22, π0.5 대비 0.25 향상.
• 실제 로봇 성능 (Real-world):
  • 장기적 작업: 실제 Franka 로봇에서 장기 작업 수행 시 베이스라인 대비 18.3% 향상.
  • 지속적 학습: 새로운 기술 ('Open') 을 추가 학습했을 때, 기존 베이스라인 (π0.5) 은 평균 15% 성능 저하 (파괴적 망각) 를 보인 반면, AtomicVLA 는 1.3% 미만의 성능 저하만 기록하며 안정적인 평생 학습을 입증했습니다.
  • 복잡한 장면: 잡기 어려운 물체나 복잡한 배경에서도 기존 모델 대비 약 10% 높은 성공률을 보였습니다.
• 오류 복구 (Error Recovery): 실행 중 오류 (예: 물체 놓침) 가 발생하면 모델이 자동으로 상태를 재평가하고 원자적 기술을 재생성하여 작업을 복구하는 능력을 demonstrated 했습니다.

5. 의의 및 결론 (Significance)

AtomicVLA 는 로봇이 원자적 기술 (Atomic Skills) 을 모듈화하고 동적으로 조합함으로써, 기존 VLA 모델이 겪던 확장성과 평생 학습의 한계를 극복했습니다.

• 기술적 의의: MoE 아키텍처를 단순한 토큰 수준이 아닌 '의미 있는 기술 단위'로 적용하여, 기술 간 간섭을 최소화하고 효율적인 학습을 가능하게 했습니다.
• 실용적 의의: 실제 로봇 환경에서 다양한 작업을 지속적으로 학습하고 오류를 스스로 복구할 수 있는 능력을 보여줌으로써, 복잡하고 변화하는 실세계 환경에서 작동하는 범용 로봇 개발의 중요한 디딤돌이 되었습니다.

이 연구는 로봇이 인간처럼 새로운 기술을 배우면서도 기존 능력을 잃지 않는 지속 가능한 학습 (Lifelong Learning) 을 위한 새로운 패러다임을 제시합니다.