Retrieval-grounded robot program generation and simulation-based correction via Model Context Protocol
본 논문은 자연어 설명을 기반으로 ABB RAPID 로봇 프로그램을 자동으로 생성, 시뮬레이션 및 반복적으로 수정하기 위해 이중 스트림 검색 증강 생성(RAG)과 커스텀 모델 컨텍스트 프로토콜(MCP) 서버를 활용하는 언어 모델 기반 워크플로를 제시하며, 이를 통해 산업용 시뮬레이션 소프트웨어의 실행 가능한 피드백을 통해 도메인 특화 오류를 줄인다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대 제조업의 세계에서 유연성은 궁극적인 목표입니다. 공장은 더 이상 수백만 개의 동일한 제품을 찍어내는 데 그치지 않고, 선루프가 있는 자동차와 없는 자동차, 혹은 약간 다른 크기의 패키지처럼 다양한 버전의 제품을 신속하게 생산할 수 있어야 합니다. 이러한 변화에 발맞추기 위해 산업용 로봇은 끊임없이 재프로그래밍되어야 합니다. 전통적으로 이는 복잡하고 기계 특화된 언어를 구사하는 전문가들의 영역이었으며, 매우 느리고 어려운 작업이었습니다. 전문가들은 코드를 수동으로 작성하고, 이를 공장 바닥의 물리적 배치와 대조하며, 로봇이 충돌하거나 부품을 떨어뜨리지 않을지 확인하기 위해 테스트를 거쳐야 했습니다. 최근 인공지능이 인간의 아이디어를 컴퓨터 코드로 변환하는 데서 가능성을 보여주었지만, 이러한 스마트 시스템은 종종 산업용 기계의 특정하고 엄격한 규칙들을 다루는 데 어려움을 겪습니다. AI는 화면상으로는 올바르게 보이는 코드를 작성할 수는 있지만, 공장 셀의 물리적 제약이나 로봇 도구의 특정 동작을 "보지" 못하기 때문에 실제 로봇이 움직이는 순간 실패할 수 있습니다.
스웨덴 찰머스 공과대학교(Chalmers University of Technology)의 연구팀은 이 간극을 메울 수 있는 새로운 방법을 개발하여, 평범한 영어로 로봇을 재프로그래밍하면서 동시에 그 명령이 실제로 작동할지 자동으로 확인할 수 있는 시스템을 만들어냈습니다. 이들의 접근 방식은 강력한 언어 모델과 특화된 시뮬레이션 환경을 결합하여, 컴퓨터가 코드를 작성하고, 가상 공장에서 테스트하고, 결과에 따라 스스로 실수를 수정하는 루프를 생성합니다. 연구진은 전 세계 공장에서 흔히 쓰이는 ABB 로봇에 초점을 맞추었으며, 로봇과 작업 공간의 완벽한 가상 복제본인 '디지털 트윈'을 안전망으로 활용했습니다. 단순히 텍스트를 생성하는 대신, 이 시스템은 시뮬레이션 소프트웨어와 직접 연결되어 생성된 코드를 업로드하고, 로봇의 움직임을 관찰하며, 작업이 실패할 경우 정확히 왜 실패했는지를 분석합니다.
이 방법의 핵심은 두 가지 별개의 단계가 함께 작동하는 것입니다. 먼저, 시스템은 '검색 증강 생성(retrieval-augmented-generation)'이라는 기술을 사용합니다. 이는 마치 시험을 치르는 학생이 답을 하기 전에 교과서와 풀이 예제를 찾아볼 수 있는 것과 같습니다. 컴퓨터도 이와 유사하게 동작합니다. 예를 들어 인간이 "상자를 집어서 팔레트에 놓아라"라고 요청하면, 시스템은 먼저 주요 자동차 제조사의 공식 기술 매뉴얼과 실제 코드 예시가 담긴 데이터베이스를 검색합니다. 이는 컴퓨터가 존재하지 않는 규칙을 추측하거나 지어내는 대신, 로봇을 위한 정확하고 구체적인 명령어를 사용하도록 보장합니다. 이 단계는 AI가 처음부터 코드를 작성할 때 흔히 발생하는 잘못된 데이터 유형 사용이나 명령어 오타와 같은 기본적인 오류를 크게 줄여줍니다.
하지만 연구진은 문법적으로 완벽하고 모든 규칙을 따르는 코드라 할지라도 현실 세계에서는 여전히 실패할 수 있다는 점을 깨달았습니다. 로봇이 상자를 성공적으로 집어 올릴 수는 있지만, 만약 상자가 예상보다 높다면 로봇의 그리퍼(gripper)가 제대로 놓지 못하거나, 로봇이 물리적으로 도달할 수 없는 위치에 갇힐 수도 있습니다. 이를 해결하기 위해 연구팀은 언어 모델과 시뮬레이션 소프트웨어 사이에 맞춤형 연결 고리를 구축했습니다. 이 연결은 원격 제어 장치처럼 작동하여, 컴퓨터가 생성된 코드를 가상 로봇에 업로드하고, 시뮬레이션을 실행한 뒤, 발생한 상황에 대한 상세 보고서를 읽어올 수 있게 합니다. 시스템은 코드 자체뿐만 아니라 로봇의 행동까지 체크합니다: 부품을 떨어뜨렸는가? 로봇 팔이 벽에 부딪혔는가? 센서가 물체를 감지했는가?
연구진은 테스트 과정에서 이 시스템에 일련의 도전 과제들을 부여했습니다. 그들은 다양한 크기의 상자를 옮기거나 블록으로 피라미드를 쌓는 등의 작업을 요청했습니다. 한 구체적인 사례에서, 시스템은 키가 큰 녹색 상자와 키가 낮은 주황색 상자를 다루라는 요청을 받았습니다. AI가 생성한 초기 코드는 짧은 주황색 상자에는 완벽하게 작동했습니다. 그러나 동일한 코드를 키가 큰 녹색 상자에 적용했을 때, 놓는 지점이 너무 낮아 그리퍼가 상자 안에 끼어버리는 바람에 부품을 놓지 못하는 문제가 발생했습니다. 일반적인 컴퓨터 코드 검사라면 문법적으로는 올륭했기에 이 문제를 전혀 잡아내지 못했을 것입니다. 하지만 시뮬레이션을 실행했기 때문에, 시스템은 그리퍼가 놓이지 않는 현상을 포착했습니다. 그 후 시스템은 이 피드백을 사용하여 놓는 높이를 자동으로 조정한 뒤 다시 시도하여 문제를 성공적으로 해결했습니다.
결과는 이 피드백 루프가 필수적임을 보여주었습니다. 기술 매뉴얼을 찾아보는 첫 번째 단계가 많은 기초적인 실수를 줄여주기는 했지만, 가상 공장에서 코드를 직접 실행해 보는 능력이 실제 현장에서 발생할 수 있는 미묘한 물리적 오류를 잡아냈습니다. 시스템은 로봇이 실제로 작업을 수행할 때 나타나는 도달 불가능한 목표물이나 어색한 로봇 움직임 같은 문제들을 성공적으로 식별해 냈습니다. 한 사례에서는 로봇 팔이 몇 번의 움직임 후에 까다로운 위치에 끼어버리는 문제가 발생했는데, 이는 시뮬레이션이 일정 시간 진행된 후에야 드러난 문제였습니다. 시스템은 이를 감지하고 로봇의 위치를 더 안전한 시작점으로 리셋한 뒤 작업을 완료했습니다.
연구진은 이 시스템이 인간 엔지니어를 완전히 대체하는 것은 아니라고 강조합니다. 가상 공장, 도구, 그리고 특정 작업들은 여전히 사람이 사전에 설정해야 합니다. 또한 이 시스템은 공장 레이아웃이나 로봇의 물리적 하드웨어를 설계하지 않습니다. 대신, 인간의 아이디어를 받아 이를 작동하는 프로그램으로 빠르게 전환하고, 수동 디버깅에 몇 시간이 걸릴 법한 오류를 잡아내는 숙련된 조수 역할을 합니다. 이 연구는 코드 생성을 시뮬레이션 환경에서의 작업 실행과 직접 연결함으로써, 공장이 로봇을 훨씬 더 빠르고 실수 없이 재프로그래밍할 수 있음을 시사합니다. 이러한 접근 방식은 유연한 제조를 더욱 접근 가능하게 만드는 실질적인 경로를 제시하며, 생산 라인이 긴 지연 시간과 높은 비용 없이 새로운 제품에 적응할 수 있도록 돕습니다. 이 연구는 로봇 프로그래밍의 미래가 단순히 더 똑똑한 AI에 있는 것이 아니라, 실제 세계를 건드리기 전에 가상 세계에서 자신의 행동을 보고, 테스트하고, 학습할 수 있는 AI에 있음을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.