Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams

이 논문은 자연어 지시에서 작업 관련 정보를 추출하여 불필요한 정보를 필터링하고 구조화된 그래프 탐색을 통해 효율적인 장기 계획 생성을 가능하게 하는 확장 가능한 다중 로봇 팀 작업 계획 프레임워크인 'Scale-Plan'을 제안하고, 이를 통해 기존 LLM 기반 접근법의 한계를 극복하고 신뢰성과 확장성을 향상시켰음을 보여줍니다.

핵심

1. 문제 상황: "너무 많은 정보에 압도된 로봇들"

상상해 보세요. 여러분이 "사과를 냉장고에 넣고 불을 끄세요"라는 명령을 받았다고 칩시다.
하지만 여러분이 서 있는 주방에는 사과, 냉장고, 전등 스위치뿐만 아니라 토마토, 냄비, 식기세척기, 빵, 커피머신 등 수백 가지 물건이 가득합니다.

• 기존 방식 (문제): 로봇이나 AI 는 이 모든 물건을 다 기억하고 고려하려고 합니다. "토마토는 어디 있지?", "냄비는 어떻게 쓰지?"라고 고민하다가 혼란에 빠집니다.
  • 결과: 로봇이 엉뚱한 토마토를 집어 냉장고에 넣거나, 존재하지 않는 단계를 상상해 내는 (할루시네이션) 실수를 저지릅니다. 마치 모든 사물을 다 챙겨서 여행 가방을 만들려고 하다가, 정작 필요한 옷은 못 챙기는 상황과 같습니다.

2. 해결책: Scale-Plan (스케일 - 플랜)

이 논문이 제안한 Scale-Plan은 **"필요한 것만 골라내는 마법 필터"**를 사용합니다.

🗺️ 비유 1: 거대한 지도 vs. 나만의 길찾기 앱

• 기존 방식: 여행할 때 전 세계의 모든 도로, 산, 강, 건물을 다 그려진 거대한 지도를 들고 갑니다. 목적지가 '서울역'인데, '뉴욕의 지하철' 정보까지 다 보려고 하니까 머리가 아픕니다.
• Scale-Plan 방식: 목적지 (사과를 냉장고에 넣기) 를 입력하면, 필요한 길 (사과, 냉장고, 로봇의 손) 만이 빛나는 나만의 길찾기 앱을 만들어줍니다. 불필요한 토마토나 냄비 정보는 아예 지도에서 지워버립니다.

🧩 비유 2: 레고 조립의 비밀

• 로봇에게 주어진 PDDL(로봇이 이해하는 언어) 은 거대한 레고 상자입니다.
• Scale-Plan은 먼저 **"이 레고 상자에서 어떤 조각들이 서로 연결될 수 있는지"**를 미리 분석한 **연결 도표 (Action Graph)**를 만듭니다.
• 그리고 "사과를 냉장고에 넣는 미션"이 주어지면, 이 도표를 뒤져서 사과와 냉장고만 연결된 작은 조각들만 골라냅니다.
• 그다음 이 작은 조각들만 가지고 로봇에게 "이거 조립해!"라고 명령을 내립니다.

3. 어떻게 작동할까요? (3 단계 과정)

1. 필터링 (필요한 것만 골라내기):

   • 로봇이 "사과를 냉장고에 넣어"라고 들으면, AI 는 주변에 있는 수백 가지 물건 중에서 사과, 냉장고, 전등 스위치만 골라냅니다. 나머지는 "이건 우리랑 상관없어"라고 무시합니다.
   • 이때 **LLM(거대 언어 모델)**이 "어떤 행동이 필요한가?"를 빠르게 추측하고, 그래프 검색을 통해 논리적으로 필요한 행동만 정확히 찾아냅니다.

2. 할당 (누가 무엇을 할까?):

   • "사과를 넣는 일"과 "불을 끄는 일"은 동시에 할 수 있습니다.
   • Scale-Plan 은 로봇 A 에게는 사과를 넣고, 로봇 B 에게는 불을 끄라고 동시에 명령을 내려서 일을 빠르게 끝냅니다.

3. 실행 (코드로 변환):

   • 이렇게 정리된 계획을 실제 로봇이 움직일 수 있는 코드로 바꿔서 실행합니다.

4. 왜 이것이 중요한가요? (결과)

이 논문에서는 MAT2-THOR이라는 새로운 시험장을 만들었습니다. 기존에 있던 시험장에는 잘못된 정보나 중복된 문제가 많았는데, 이를 깨끗하게 정리한 것입니다.

• 기존 AI 들: 복잡한 상황에서 엉뚱한 행동을 하거나, 계획 자체가 불가능한 경우가 많았습니다. (예: 문이 닫힌 냉장고에 사과를 넣으려 함)
• Scale-Plan: 불필요한 정보를 차단했기 때문에 실수율이 훨씬 낮아졌고, 더 복잡한 일도 척척 해냈습니다.
  • 비유: 다른 요리사들이 재료를 다 챙기느라 화를 내는 동안, Scale-Plan 요리사는 필요한 재료만 미리 준비해서 요리를 훨씬 빠르고 깔끔하게 완성합니다.

5. 한계와 미래 (아직 완벽하지는 않음)

물론 아직 완벽하지는 않습니다.

• 가끔 로봇이 "냉장고 문이 열려있을 거야"라고 착각하고 문을 안 열고 사과를 넣으려다 실패하기도 합니다. (이건 AI 가 물체의 상태를 정확히 못 본 경우입니다.)
• 하지만 저자들은 앞으로 지식 그래프라는 기술을 더 도입해서, "냉장고는 문을 열어야 안이 보인다" 같은 상식을 더 잘 가르쳐 줄 계획입니다.

📝 한 줄 요약

Scale-Plan은 복잡한 환경에서 로봇들이 "필요 없는 정보"를 과감히 버리고, "필요한 것"에만 집중하게 만들어 여러 대의 로봇이 협력하여 복잡한 일을 실수 없이 빠르게 처리하게 해주는 똑똑한 계획 관리자입니다.

기술 요약

1. 문제 정의 (Problem)

이 논문은 이종 (heterogeneous) 다중 로봇 시스템을 위한 장기적 (long-horizon) 작업 계획의 확장성과 신뢰성 문제를 다룹니다. 주요 도전 과제는 다음과 같습니다:

• 관련 없는 정보의 과부하: 실제 환경 (예: 주방) 에는 작업과 무관한 수많은 객체 (사과, 냉장고, 라이터 등) 가 존재합니다. 기존 계획 방식은 모든 감지된 객체와 로봇 능력을 고려하여 검색 공간을 비효율적으로 확장시키고, 계획 실패를 초래합니다.
• LLM 의 한계: 최근 대규모 언어 모델 (LLM) 기반 접근법은 할루시네이션 (허위 정보 생성) 과 약한 그라운딩 (환경 객체 및 제약 조건과의 불일치) 으로 인해 복잡한 환경에서 비현실적이거나 실행 불가능한 계획을 생성하는 경향이 있습니다.
• 기존 심볼릭 계획의 비효율성: 전통적인 PDDL 기반 계획기는 수동으로 작성된 문제 명세가 필요하여 동적 환경에서의 확장성과 적응성이 떨어집니다.

2. 제안 방법론: Scale-Plan (Methodology)

Scale-Plan 은 LLM 보조 하에 확장 가능한 계획 프레임워크로, 자연어 지시사항에서 작업 관련성 (task-relevant) 이 높은 컴팩트한 문제 표현을 생성하여 장기적 계획을 가능하게 합니다.

핵심 구성 요소

1. 액션 그래프 (Action Graph) 구축 (오프라인):

   • PDDL 도메인 명세에서 파라미터화된 액션 (행동) 노드와 전제 조건 (precondition) 및 효과 (effect) 간의 논리적 의존성을 인코딩한 방향성 그래프를 구축합니다.
   • Strict Edge: 한 행동의 효과가 다음 행동의 전제 조건을 완전히 충족할 때 연결.
   • Relaxed Edge: 부분적인 전제 조건 충족 시 연결하여 그래프의 연결성을 유지하되 과도한 밀도를 방지.

2. 작업 관련 환경 필터링 (Runtime):

   • 자연어 지시사항을 받으면, 얕은 (shallow) LM 추론을 통해 후보 행동과 관련 객체를 제안합니다.
   • 제안된 행동들을 **단말 노드 (terminal nodes)**로 간주하고, **역방향 깊이 우선 탐색 (Backward DFS)**을 수행하여 해당 행동의 전제 조건을 충족시키기 위해 필요한 최소한의 선행 행동 집합을 식별합니다.
   • 이를 통해 작업과 무관한 객체와 행동은 제거되고, 계획에 필요한 최소한의 환경 정보만 남게 됩니다.

3. 구조화된 LLM 계획 파이프라인:

   • 필터링된 표현을 기반으로 중간 PDDL 문제 파일을 생성하지 않고, 다음과 같은 단계를 거칩니다:
     • 작업 분해 (Task Decomposition): 고수준 지시사항을 실행 가능한 하위 작업으로 분할.
     • 로봇 할당 (Robot Allocation): 이종 로봇의 능력에 따라 하위 작업을 할당하고 병렬 실행 가능 여부 판단.
     • 계획 통합 (Plan Integration): 하위 계획들을 논리적 순서와 병렬성을 고려하여 통합.
   • 최종 계획은 Plan-to-Code 모듈을 통해 AI2-THOR 시뮬레이터에서 실행 가능한 코드로 변환됩니다.

3. 주요 기여 (Key Contributions)

1. Scale-Plan 프레임워크: PDDL 도메인에서 액션 그래프를 구축하고 이를 검색하여 작업 관련 환경 정보만 선별하는 확장 가능한 LLM 보조 계획 프레임워크를 제안했습니다.
2. 효율적인 계획 파이프라인: 명시적인 PDDL 문제 파일 생성 없이, 필터링된 표현을 기반으로 자연어 지시사항을 직접 실행 가능한 다중 로봇 행동 시퀀스로 변환하는 LLM 기반 파이프라인을 개발했습니다.
3. MAT2-THOR 벤치마크: 기존 MAT-THOR 데이터셋의 결함 (부족한 목표 조건, 중복 작업, 언어적 불일치 등) 을 수정하고 표준화한 MAT2-THOR 벤치마크를 공개했습니다. 이는 AI2-THOR 환경에서 다중 에이전트 장기 계획 평가를 위한 신뢰할 수 있는 기준을 제공합니다.

4. 실험 결과 (Results)

MAT2-THOR 벤치마크 (AI2-THOR 시뮬레이터) 에서 순수 LLM 기반 및 하이브리드 (LLM-PDDL) 베이스라인과 비교 평가되었습니다.

• 성능 지표: 작업 완료율 (TCR), 목표 조건 회상률 (GCR), 실행 가능성률 (ER) 에서 Scale-Plan 이 모든 메트릭에서 가장 우수한 성능을 보였습니다.
  • 특히 복잡한 (Complex) 작업에서 LaMMA-P (LLM 수정 버전) 대비 TCR 이 35% 향상되었습니다.
  • 전체적으로 TCR 25%, GCR 16%, ER 9% 의 개선을 달성했습니다.
• Ablation Study (필터링의 중요성): 환경 필터링 (EF) 을 제거한 모델 (No-EF) 과 비교 시, 필터링을 포함한 전체 모델이 복잡한 작업에서 TCR 이 **59% 대 41~44%**로 크게 우세함을 보였습니다. 이는 장기적 추론에서 관련 없는 정보를 제거하는 것이 핵심임을 입증했습니다.
• 계산 시간: 구조화된 계획은 LLM 호출 횟수가 많아 계산 시간이 다소 증가하지만, 계획의 정확성과 실행 성공률 측면에서 그 trade-off 가 가치가 있음을 보였습니다.

5. 의의 및 결론 (Significance)

• 확장성 및 신뢰성: 방대한 환경 정보 속에서 작업과 관련된 핵심 요소만 선별함으로써, LLM 의 할루시네이션을 줄이고 다중 로봇 계획의 확장성을 극대화했습니다.
• 실용적 접근: 수동 PDDL 작성이나 불완전한 중간 표현 생성에 의존하지 않고, 도메인 지식 (액션 그래프) 과 언어 추론을 결합하여 실제 환경에 적용 가능한 계획을 생성합니다.
• 벤치마크 표준화: MAT2-THOR 을 통해 다중 로봇 계획 연구의 평가 기준을 명확히 하고, 향후 연구의 신뢰성을 높이는 데 기여합니다.

결론적으로, Scale-Plan 은 **구조화된 도메인 지식 (액션 그래프)**과 **언어 추론 (LLM)**을 효과적으로 융합하여, 복잡하고 객체가 풍부한 환경에서 이종 다중 로봇 팀이 장기적 임무를 성공적으로 수행할 수 있도록 하는 획기적인 접근법입니다.