기계가 물리적 세계를 움직이는 법을 가르치려는 탐구 과정에서, 연구자들은 오랫동안 인간의 선견지명을 모방하는 전략에 의존해 왔습니다. 즉, 행동하기 전에 미래를 상상하는 것입니다. 모든 새로운 감각에 맹목적으로 반응하는 대신, 로봇은 주변 환경에 대한 정신적 모델, 즉 손을 뻗거나, 밀거나, 회전할 때 어떤 일이 일나를 예측하는 단순화된 내부 지도를 구축합니다. 이 정신적 지도는 기계가 수천 가지의 가능한 움직임 시퀀스를 순식간에 시뮬레이션하여, 블록을 특정 위치로 밀어 넣거나 컵을 잡는 것과 같이 원하는 결과로 이어지는 가장 직접적인 경로를 선택할 수 있게 해줍니다. 이러한 시뮬레이션이 작동하려면, 로봇은 카메라의 가공되지 않은 시각 데이터를 압축되고 추상적인 표현, 즉 불필요한 세부 사항에 얽매이지 않고 장면의 본질을 포착하는 숨겨진 코드로 변환해야 합니다. 과제는 이 내부 코드가 단순히 세계에 대한 좋은 설명일 뿐만 아니라, 행동을 위한 좋은 가이드가 되도록 보장하는 것이었습니다.

Simple AI와 중국과학원(University of Chinese Academy of Sciences) 연구진의 최근 연구는 이러한 정신적 지도가 현재 어떻게 구축되는지에 대한 미묘하지만 결정적인 결함을 밝혀냈습니다. 그들은 로봇의 내부 모델이 눈에 보이는 것을 완벽하게 설명할 수 있음에도 불구하고—물체가 어디에 있고 어떻게 생겼는지 정확히 알더라도—여전히 로봇을 올바른 해결책으로 인도하는 데 실패할 수 있다는 것을 발견했습니다. 문제는 로봇의 상상력의 기하학적 구조에 있습니다. 로봇이 서로 다른 가능한 미래를 비교할 때, 로봇은 이 추상적인 공간 내에서 현재 상태와 목표 사이의 거리를 측정합니다. 만약 이 숨겨진 세계에서의 거리가 실제 세계에서의 작업 난이도와 일치하지 않는다면, 로봇은 장면을 완벽하게 이해하고 있더라도 잘못된 경로를 선택하게 됩니다. 연구진은 로봇이 자신의 행동을 내부 지도의 변화와 직접 연결하도록 가르치는 특정 유형의 학습을 추가함으로써, 이 기하학적 불일치를 해결할 수 있다는 것을 발견했습니다. 이 조정은 로봇이 세상에 대해 아는 것을 바꾸지는 않았지만, 그 지식을 계획하는 데 사용하는 방식을 근본적으로 개선하여 복잡한 조작 작업에서 성공률을 크게 높였습니다.

문제의 핵심은 '아는 것'과 '결정하는 것' 사이의 구분입니다. 로봇이 테이블 위의 블록을 밀려고 한다고 가정해 봅시다. 로봇의 내부 모델은 블록의 모든 가능한 위치에 대한 숨겨진 코드를 생성합니다. 무엇을 할지 결정하기 위해 로봇은 현재의 코드와 목표 위치의 코드 사이의 거리를 계산합니다. 잘 작동하는 시스템에서는, 숨겨진 코드에서의 최단 거리가 실제 세계에서의 가장 쉽거나 직접적인 경로에 해당해야 합니다. 그러나 연구진은 표준적인 학습 방법들이 종종 거리가 오해를 불러일으키는 숨겨진 코드를 생성한다는 것을 발견했습니다. 로봇의 마음속에서 짧아 보이는 경로가 실제로는 막다른 길일 수 있는 반면, 길어 보이는 경로가 올바른 해결책일 수도 있습니다. 이는 학습이 코드를 시각 데이터에 대한 좋은 설명으로 만드는 데 집중하지만, 그 코드 내의 공간적 관계가 로봇의 행동에 따른 물리적 결과와 일치하는지를 보장하지는 않기 때문에 발생합니다.

이를 증명하기 위해, 연구팀은 로봇의 내부적인 계획 순위와 실제 결과 사이의 정렬 상태를 측정하는 방법을 개발했습니다. 그들은 많은 무작위 움직임 시퀀스를 생성하고, 로봇의 모델이 이를 어떻게 순위 매기는지를 시뮬레이션 환경에서의 실제 성과와 비교함으로써 이를 테스트했습니다. 그 결과, 로봇의 모델은 내부 코드를 통해 세계의 상태를 정확하게 디코딩할 수 있었지만, 계획의 순위 매기기는 종종 형편없다는 것을 발견했습니다. 어떤 경우에는 모델이 내부 거리 측정 방식이 왜곡되었기 때문에, 실제로는 성공할 시퀀스보다 실패할 시퀀스를 지속적으로 선호하기도 했습니다. 이러한 불일치는 정보의 부족이 아니었습니다. 로봇은 사실을 알고 있었지만, 내부의 자(ruler)가 휘어져 있었던 것입니다.

연구진은 이 왜곡을 바로잡기 위해 DA-LeWM이라는 새로운 학습 방법을 도입했습니다. 그들은 로봇의 학습 과정에 두 가지 특정 학습 과제를 추가했습니다. 첫 번째 과제는 오직 내부 상태의 변화만을 바탕으로 자신이 취한 행동을 예측하도록 요구하여, 코드가 움직임에 대한 정보를 보존하도록 강제하는 것이었습니다. 두 번째 과제는 현재 상태에서 특정 목표에 도달하기 위해 필요한 행동을 예측하도록 하여, 내부 코드를 목표와 직접 연결하는 것이었습니다. 이러한 추가 사항들은 가벼운 수준이었으며, 모델의 근본적인 구조나 테스트 시 로봇이 계획하는 방식을 변경하지 않았습니다. 대신, 이것들은 학습 단계에서 교정 렌즈 역할을 하여, 내부 공간의 기하학적 구조를 형성함으로써 지점 간의 거리가 작업의 난이도를 진정으로 반영하도록 만들었습니다.

이러한 조정의 결과는 놀라웠습니다. 물체를 밀거나, 목표물을 향해 손을 뻗거나, 방을 탐색하는 시뮬레이션에서, 새로운 방법은 이전의 표준 방식보다 훨씬 빠르게 학습하고 훨씬 높은 성공률을 달elle하게 해주었습니다. 블록을 미는 작업에서 성공률은 약 49%에서 92% 이상으로 급증했는데, 이는 계획 알고리즘 자체를 변경하지 않고도 달성한 엄청난 개선이었습니다. 로봇이 볼 수 있는 것이나 설명할 수 있는 것에 있어서 더 똑똑해진 것이 아니라, 자신이 아는 것을 사용하는 데 더 효과적이 된 것입니다. 연구진은 내부 코드가 잠재적인 미래를 더 잘 순위 매기게 되어, 로봇이 성공으로 이어지는 경로를 일관되게 선택할 수 있게 되었다는 것을 관찰했습니다. 이러한 개선은 단순한 밀기부터 더 복잡한 내비게이션에 이르기까지 다양한 유형의 작업에서 유효했으며, 이는 내부 모델의 기하학적 정렬이 효과적인 계획을 위한 보편적인 요구 사항임을 시사합니다.

결정적으로, 연구는 더 나은 성능이 단순히 로봇이 환경에 대해 더 많은 세부 사항을 학습했기 때문이라는 아이디어를 배제했습니다. 연구진은 물체의 위치나 상태의 가치와 같은 정보를 디코딩하는 로봇의 능력을 점검했고, 구형 방식과 신형 방식 사이에서 이 점수들이 거의 동일하게 유지된다는 것을 발견했습니다. 차이점은 순수하게 로봇이 의사결정을 위해 그 정보를 조직하는 방식에 있었습니다. 이 발견은 모델이 세계를 정확하게 설명할 수 있다면 자연스럽게 그것을 제어하는 데도 뛰어날 것이라는 분야의 일반적인 가설에 도전합니다. 연구는 모델이 정보적으로는 완벽할 수 있지만, 기하학적으로는 고장 날 수 있으며, 기하학을 바로잡는 것이 실제 성능에 필수적이라는 것을 보여줍니다.

연구진은 또한 로봇의 계획 과정이 최선의 경로를 찾기 위해 탐색함에 따라 어떻게 진화하는지도 조사했습니다. 그들은 새로운 방법이 로봇이 가장 유망한 후보들로 선택 범위를 좁혀갈 때조차 좋은 계획에 대한 명확한 선호도를 유지하도록 돕는다는 것을 발견했습니다. 기존 모델에서는 로봇이 가장 유망한 옵션들에 집중할 때 내부 순위가 혼란스러워져 길을 잃는 경우가 많았습니다. 새로운 학습은 내부 거리를 일관되게 유지하여, 로봇이 계획의 마지막 단계에서도 확신을 가지고 올바른 행동 시퀀스를 선택할 수 있게 했습니다. 이러한 안정성은 로봇이 빠르고 신뢰성 있게 해결책에 수렴할 수 있는 핵심이었습니다.

이 연구는 시뮬레이션 환경에서 수행되었지만, 물리적 로보틱스에 주는 시사점은 매우 큽니다. 이 작업은 로봇이 복잡한 작업을 숙달하기 위해서는, 내부 모델이 단순히 보는 법뿐만 아니라 움직임의 결과를 물리적 세계와 일치하는 방식으로 이해하도록 훈련되어야 함을 시사합니다. 로봇의 내부 지도가 실제 행동의 기하학적 구조를 존중하도록 보장함으로써, 엔지니어들은 더 견고하고 효율적인 시스템을 구축할 수 있습니다. 연구진은 자신들의 발견이 특정 시뮬레이션에 기반하고 있으며, 이러한 원칙이 예측 불가능한 실제 세계의 혼돈 속에서 어떻게 유지되는지에 대해서는 추가적인 연구가 필요하다는 점을 인정합니다. 그러나 내부 표현의 형태와 로봇 행동의 성공 사이의 명확한 연결 고리는 자율 시스템의 미래를 위한 새롭고 실용적인 방향을 제시합니다. 앞으로 나아갈 길은 반드시 더 크거나 더 복잡한 모델을 만드는 것이 아니라, 내부 논리가 탐색하고자 하는 현실과 완벽하게 일치하는 모델을 만드는 것입니다.