기술 요약: Nautilus: 하나의 프롬프트에서 플러그 앤 플레이 로봇 학습으로

1. 문제 제기

로봇 학습 연구는 현재 세 가지 largely 독립적인 축인 정책 패밀리 ($P$, 예: IL, RL, VLA, WAM), 벤치마크 스위트 ($B$, 예: LIBERO, ManiSkill), 그리고 로봇 구현체 ($R$, 예: Franka, Unitree H1) 에 걸쳐 분열되어 있습니다. 특정 삼중항 $(P, B, R)$을 통합하려면 일반적으로 Docker 설정, 관찰 어댑터, 신뢰 검증 절차를 포함하는 별도의 수동 작성 통합 레이어가 필요합니다.

이러한 분열은 "하네스 격차 (harness gap)"를 만듭니다. 대규모 언어 모델 (LLM) 은 코드 생성 분야에서 진전을 이루었지만, 로봇 연구 워크플로우에 특화된 **절차적 사전 지식 (procedural priors)**과 검증 관행이 부족하기 때문에 로봇 분야에서 종단간 재현 결과를 생성하는 데 자주 실패합니다. 엔지니어링 부담은 $N, M, K$가 각각 정책, 벤치마크, 로봇의 카디널리티일 때 $\Theta(N \cdot M \cdot K)$로 증가합니다. 기존 프레임워크 (예: LeRobot, Isaac Lab) 는 종종 고정된 구성 요소에 결합되어 있는 반면, 범용 코딩 에이전트는 복잡한 의존성 충돌과 인터페이스 불일치를 탐색하는 데 필요한 도메인 특화 스캐폴딩이 부족합니다.

2. 방법론: NAUTILUS 하네스

저자들은 단일 자연어 프롬프트 (예: "벤치마크 B 로 정책 A 평가") 를 준비된 재현, 평가, 파인튜닝, 배포 워크플로우로 변환하도록 설계된 오픈소스 에이전트 지향 하네스인 NAUTILUS를 제안합니다. NAUTILUS 는 **기반 (substrate)**과 콘텐츠 레이어 두 가지 레이어로 구성됩니다.

2.1 기반 (엔지니어링 불변성)

기반은 에이전트가 추론할 수 있는 안정적인 표면을 제공하여 통합 복잡성을 $\Theta(N \cdot M \cdot K)$에서 $\Theta(N + M + K)$로 줄입니다. 이는 세 가지 불변성에 의존합니다:

1. 타입 지정 인터페이스 계약: 정책, 벤치마크, 로봇은 고정된 기계 가독성 스키마 (예: infer(obs) -> actions, reset(seed), apply_action) 를 통해 노출됩니다. 이러한 계약은 구현별 메커니즘 (예: CUDA 스택, ROS 2 드라이버) 을 숨기고 통합의 단위를 정의합니다.
2. 챔버화된 실행: 생성된 아티팩트는 폐기 가능한 격리된 컨테이너에서 실행됩니다. 이는 의존성 실패 (예: 충돌하는 CUDA 버전) 가 모듈 간에 유출되는 것을 방지합니다. 정책 컨테이너, 벤치마크 컨테이너, 하드웨어 컨테이너는 에이전트의 관점에서 동일한 아키텍처 슬롯을 차지합니다.
3. 균일한 모듈 간 통신:
   • 티어 1 (로봇 로컬): 고대역폭 센싱 및 제어는 네이티브 로봇 스택 (예: ROS 2, 공유 메모리) 내에 유지됩니다.
   • 티어 2 (로봇 외부): 에이전트는 정책 컨테이너를 벤치마크 또는 실제 로봇 엔드포인트에 연결하는 경량 WebSocket 프로토콜만 봅니다. 이를 통해 시뮬레이션 및 실제 로봇 엔드포인트가 단일 관찰/동작 스키마를 공유하도록 보장합니다.

2.2 콘텐츠 레이어 (가이드, 센서, 상태)

기반 위에 구축된 이 레이어는 로봇 연구 워크플로우를 명시적이고 재사용 가능한 구성 요소로 정제합니다:

• 가이드: 코드 작성 전에 에이전트의 행동을 유도하는 사전 생성 지침으로, 라우팅 규칙, 서브에이전트 역할, 검증 프로토콜을 제공합니다.
• 센서: 생성 후 아티팩트를 여섯 가지 기준 (예: 사전 동작 필터링, 인터페이스 검증, 사양 비교, 스모크 테스트) 에 대해 확인하는 검증기입니다. 계약이 위반되면 센서는 로컬 수정을 트리거하거나 실행을 차단할 수 있습니다.
• 상태: 타입 지정 계약과 고정된 아티팩트 (소스 커밋, Docker 이미지) 를 저장하는 영구적인 JSON 스키마 검증 레지스트리입니다. 이를 통해 에이전트는 저장소 레이아웃을 처음부터 다시 발견하는 대신 검증된 모듈 지식을 재사용할 수 있습니다.
• 작업 공간 아티팩트: 모든 실행에 대한 소스 커밋, 환경 선택, 결정 사항을 기록하는 부록 전용 로그 및 재현 영수증입니다.

2.3 실행 흐름

사용자가 프롬프트 (예: "LIBERO 에서 $\pi_0$ 실행") 를 입력하면 오케스트레이터는 요청을 특정 서브에이전트 워크플로우로 라우팅합니다. 시스템은 상태 레지스트리에서 검증된 항목을 확인합니다. 누락된 경우, 정책 및 벤치마크 모듈을 병렬로 생성하고 타입 지정 사양 (예: 관찰 키, 동작 모양) 을 비교한 후 WebSocket 스모크 테스트를 실행하고 재현 영수증을 작성합니다.

3. 주요 기여

1. 모듈식 기반: 타입 지정 계약, 챔버화된 실행, 균일한 전송을 기반으로 한 시스템으로, 패밀리 간 로봇 학습의 통합 비용을 축소합니다.
2. 정제된 절차적 사전 지식: 암묵적인 로봇 워크플로우 지식을 명시적인 가이드와 센서로 변환하여 에이전트의 "블랙박스" 생성을 검증된 단계별 프로세스로 바꿉니다.
3. 오픈소스 플랫폼: 네 가지 정책 패밀리 (IL, VLA, RL, WAM), 여섯 가지 벤치마크 스위트, 네 가지 구현체 클래스를 지원하는 구조화된 워크플로우와 함께 NAUTILUS 를 출시했습니다. 여기에는 이질적인 하드웨어 (Franka 및 Unitree H1) 에서 동일한 로봇 계약을 검증하는 데이터 수집 플랫폼인 nautilus-collect가 포함되어 있습니다.
4. 확장 가능한 레지스트리: 새로운 정책, 벤치마크, 또는 로봇이 프레임워크 코드를 수정하지 않고 3~5 개의 타입 지정 메서드 계약을 통해 온보딩될 수 있는 커뮤니티 플랫폼으로, 신뢰 검증 프로토콜을 통과하는 경우 가능합니다.

4. 실험 결과

이 논문은 세 가지 연구를 통해 NAUTILUS 를 평가합니다:

• 벤치마크 신뢰 검증: 시스템은 LIBERO, ManiSkill, RoboTwin, ALOHA, RoboCasa 전반에 걸쳐 공개 정책 (Diffusion Policy, $\pi_0$, OpenVLA 등) 에 대한 참조 결과를 재현했습니다. 생성된 래퍼는 참조 점수를 작은 편차 (예: $\Delta \approx \pm 2\%$) 로 충실히 재현하여 어댑터가 의도된 평가 프로토콜을 보존함을 확인했습니다.
• 확장성에 대한 제거 실험: "한 벤치마크 제외" 테스트베드에서 NAUTILUS 를 범용 코딩 에이전트와 비교했습니다.
  • 성공: NAUTILUS 는 100% 래퍼 성공률과 높은 작업 성공률 (Claude Opus 4.7 기준 98.7%) 을 달성했습니다.
  • 비용 효율성: 타입 지정 템플릿(기반) 을 제거하면 래퍼 성공률이 55.3% 로 떨어지고 토큰 사용량이 세 배 (41.7M 토큰) 증가하여, 기반이 에이전트가 접착제 코드를 다시 학습하는 것을 방지함을 보여줍니다.
  • 모델 확장: 하네스는 약한 모델 (Claude Sonnet 4.6) 에서 더 큰 상대적 이점을 제공하여 범용 에이전트 대비 상호작용 턴을 약 27% 줄이고 비용을 약 8% 절감했습니다.
• 실제 로봇 배포: 시스템은 Franka 암에서 VLA 조작 체크포인트 ($\pi_0.5$) 와 Unitree H1 에서 RL 보행 정책을 성공적으로 배포했습니다. 두 경우 모두 시뮬레이션을 위해 래핑된 동일한 정책 아티팩트가 하드웨어 컨테이너만 교체하여 정책 코드나 플랫폼 측 컨테이너를 변경하지 않고 하드웨어로 이전되었습니다.

5. 중요성과 주장

이 논문은 로봇 학습에서 에이전트 자동화의 주요 제약이 LLM 모델의 능력이 아니라 이를 둘러싼 하네스 엔지니어링이라고 주장합니다. NAUTILUS 는 명시적 검증이 포함된 안정적이고 계약 기반의 기반을 제공함으로써 패밀리 간 재현 및 평가의 엔지니어링 부담을 극적으로 줄일 수 있음을 보여줍니다.

저자들은 NAUTILUS 가 분열된 연구 워크플로우를 구조화된 에이전트 절차로 변환한다고 주장합니다. 도메인 전문 지식 (계약, 검증 프로토콜, 상태 관리) 을 실행 가능하고, 재사용 가능하며, 검사 가능하게 만들어줌으로써, 시스템은 연구자들이 새로운 $(P, B, R)$ 조합마다 수동으로 접착제 코드를 커리팅하지 않고 워크플로우를 확장할 수 있게 합니다. 이 작업은 NAUTILUS 를 단순한 자동화 도구가 아니라, 전문가가 구축한 하네스가 모델이 전체 로봇 학습 생태계 전반에 걸쳐 도메인 전문 지식을 확장할 수 있게 하는 미래로의 한 걸음으로 위치시킵니다.