기술 요약: 이벤트 의존적 인지 처리 및 학습을 통한 자율 로봇의 지속적 인지 커버리지

1. 문제 정의

자율 로봇은 명시적인 과업이 수행되는 동안에도 객체, 상태 변화, 예상치 못한 상황이 지속적으로 발생하는 동적인 환경에서 작동한다. 기존의 로봇 인지 시스템은 일반적으로 다음과 같은 세 가지 한계점을 갖는다:

1. 과업 중심적 활성화: 추론이 주로 명시적인 목표, 질의, 또는 실패에 의해서만 트리거되며, 이로 인해 비과업적 이벤트들이 인지적으로 방치되는 경우가 많다.
2. 고정된 추론 파이프라인: 많은 접근 방식이 사전 정의된 추론 절차를 적용하거나 이벤트 카테고리를 고정된 처리 단계로 매핑하며, 특정 맥락이나 이력에 따라 처리를 차별화하지 못한다.
3. 지속적 커버리지의 부재: 현재의 시스템은 이벤트가 비동기적으로 도착하거나, 시간에 걸쳐 중첩되거나, 지연된 증거를 필요로 할 때 인지 커버리지를 유지하는 데 어려움을 겪으며, 이 과정에서 전체 인지 스트림을 차단하거나 중단된 프로세스를 폐기하곤 한다.

본 논문은 자율 인지가 **지속적 인지 커버리지(continuous cognitive coverage)**를 제공해야 한다고 주장한다. 즉, 인지 범위 내로 수용된 모든 이벤트는 명시적인 과업을 기다리거나 균일하고 비용이 많이 드는 추론 모델에 의해 처리되는 대신, 해당 이벤트에 적합한 '이벤트 의존적 처리'를 받아야 한다는 것이다.

2. 방법론

본 논문은 세 가지 핵심 메커니즘을 기반으로 한 지속적 인지 커버리지 프레임워크를 제안한다.

A. 이벤트 의존적 인지 처리 (Event-Dependent Cognitive Treatment)

단일한 추론 루틴 대신, 본 프레임워크는 수용된 모든 이벤트에 대해 그 상태, 맥락 및 이력에 기반하여 특정 인지 처리를 할당한다.

• 등록 (Registration): 관측값은 이벤트 표현식($e_t = D(o_t, c_t)$)으로 변환된다.
• 처리 선택 (Treatment Selection): 선택 함수 $S(e_t, c_t, H_t)$가 적절한 처리 방식($m^*_t$)과 실행 모드($z_t$)를 결정한다.
  • 처리의 종류 (Treatments): 묘사, 메모리 회상, 위험 예측, 계획, 진단, 유추 또는 기타 학습된 절차를 포함한다.
  • 실행 모드 (Execution Modes):
    • 자동 (Automatic): 학습된 메커니즘이 명시적 숙고 없이 익숙한 이벤트를 처리한다.
    • 숙고 (Deliberative): 불확실하거나 생소한 이벤트를 위해 명시적 추론(예: LLM 기반)을 호출한다.
    • 폴백 (Fallback): 신뢰할 수 있는 이벤트 특정 메커니즘이 존재하지 않을 때 일반적 또는 유사한 처리를 적용한다.
• 차별화 (Differentiation): 동일한 객체라도 맥락에 따라 다른 처리를 받을 수 있다 (예: 테이블 중앙의 컵은 묘사만 필요하지만, 가장자리 근처의 컵은 위험 예측이 필요함).

B. 지속적 프로세스 관리 (Continuous Process Management)

인지 프로세싱은 고립된 에피소드가 아닌 연속적인 스트림으로 모델링된다.

• 동적 프로세스 인스턴스: 로봇은 수용된 각 이벤트에 대응하는 일련의 동시 인지 프로세스($P_t$)를 유지한다.
• 상태 보존: 프로세스는 생성, 활성, 대기(증거 대기), 일시 중단, 재개 또는 완료될 수 있다.
• 인터리빙 (Interleaving): 만약 프로세스 $P_1$이 지연된 증거를 기다리고 있다면, 시스템은 이를 일시 중단하고 중요한 새로운 이벤트 $P_2$를 처리한 후, 나중에 $P_1$의 상태를 버리지 않고 다시 재개할 수 있다. 이는 버스트형(bursty) 또는 지연된 워크로드 하에서도 인지 커버리지가 유지되도록 보장한다.

C. 지속적 학습 및 수정 (Continuous Learning and Revision)

학습은 이벤트 의존적이며 지속적인 루프로 취급된다.

• 이벤트-처리 매핑: 시스템은 단순히 이벤트의 결과만을 학습하는 것이 아니라, 해당 이벤트 유형에 어떤 인지 처리가 적절한지도 학습한다.
• 자동화: 검증된 경험은 명시적 숙고를 익숙한 이벤트에 대한 자동 처리로 전환시킨다.
• 수정 (Revision): 만약 지연된 증거가 이전에 학습된 자동 처리 방식과 모순되는 경우(예: 환경 변화로 인해), 자동 프로세서에 대한 신뢰도를 낮추고 해당 이벤트를 수정 및 재학습을 위한 명시적 인지로 다시 진입시킨다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 설명한다:

1. 지속적 인지 커버리지의 정식화: 인지적으로 수용된 모든 이벤트가 처리를 받아야 하며, 서로 다른 이벤트와 맥락에 대해 다양한 처리를 호출할 수 있는 유연성을 갖추어야 한다는 요구사항을 정립하였다.
2. 지속적 프로세스 관리 메커니즘: 인지 프로세스를 생성, 일시 중단, 재개 및 인터리빙할 수 있게 하여, 동시 발생하거나 지연된 이벤트 상황에서도 커버리지를 유지할 수 있는 시스템을 구축하였다.
3. 지속적 이벤트 의존적 학습: 이벤트-처리 매핑을 학습하고, 검증된 처리를 자동 처리로 전환하며, 이후의 결과가 이전에 학습된 내용과 상충할 때 이를 수정할 수 있는 메커니즘을 제시하였다.

4. 실험 결과

본 프레임워크는 이동형 서비스 로봇 시뮬레이터를 사용하여 세 가지 실험을 통해 평가되었다.

실험 1: 이벤트 의서적 처리

• 목표: 로봇이 고정된 객체 규칙이 아닌, 서로 다른 맥락에 대해 다른 처리를 학습하는지 테스트한다.
• 결과: 제안된 방법은 96.76%의 구조화된 처리 정확도와 96.25%의 엄격한 맥락 쌍 성공률을 달면했다.
• 효율성: 이벤트의 **93.66%**를 자동으로 처리하였으며, "항상 LLM 사용(Always-LLM)" 베이스라인이 82회의 호출을 필요로 했던 것에 비해 시드당 단 5.2회의 LLM 호출만으로 구조적 도전 과제에서 대등한 정확도를 유지하며 처리하였다.

실험 2: 지속적 인지 프로세싱

• 목표: 중첩된 이벤트와 지연된 증거 하에서의 커버리지를 테스트한다.
• 결과: 버스트형-지연 워크로드 하에서 제안된 방법은 92.64%의 인지 커버리지를 유지하여, 순차적(Sequential, 53.68%) 및 반응형 우선순위(Reactive Priority, 35.75%) 베이스라인을 크게 상회하였다.
• 안전성: 제안된 방법은 버스트형-지연 조건에서 0%의 크리티컬 이벤트 누락률과 66.79%의 크리티컬 데드라인 성공률을 달성하였다. 반면, 순차적 베이스라인은 크리티컬 이벤트의 42.37%를 놓쳤다.

실험 3: 지속적 학습, 수정 및 재사용

• 목표: 새로운 처리를 학습하고, 이를 자동화하며, 결과가 변경될 때 이를 수정하는 능력을 테스트한다.
• 결과: 지속적 학습에서 79.53%의 결합 정확도(올바른 처리 + 올바른 결과)를 달랐다.
• 적응: 초기에 명시적으로 처리된 새로운 이벤트는 재사용 시 100%의 결합 정확도와 100%의 자동 처리에 도달하였다.
• 수정: 환경적 결과가 변했을 때, 시스템은 초기 25%의 결합 정확도에서 지속적 업데이트를 통해 **99.17%**까지 회복하였으며, 100%의 지연 수정 성공률을 보였다.

5. 의의 및 주장

본 논문은 자사의 프레임워크가 다음과 같은 자율 로봇을 위한 실질적인 기반을 제공한다고 주장한다:

• 지속적 커버리지 유지: 과업 중심적 시스템과 달리, 모든 수용된 이벤트를 처리함으로써 복잡한 다중 이벤트 시나리오에서도 인지적 공백을 방지한다.
• 효율성과 숙고의 균형: 무엇을 처리할지와 어떻게 실행할지를 구분함으로써, 익숙한 사례는 자동화하여 계산 자원을 절약하고, 불확실하거나 새로운 상황을 위해 값비싼 숙고를 예약해 둔다.
• 강건한 적응 능력 제공: 지속적 학습 루프를 통해 로봇은 새로운 기술을 습득할 뿐만 아니라, 이전에 신뢰했던 자동화된 행동이 환경 변화로 인해 더 이상 정확하지 않음을 감지하고 이를 다시 수정 단계로 열 수 있다.

저자는 이 연구가 Embodied LLM 플래닝을 대체하는 것이 아니라, 학습된 자동 메커니즘과 명시적 추론 모두를 둘러싸며 인지가 지속적이고 적응적으로 유지되도록 하는 필수적인 '이벤트 관리 및 처리 선택 레이어'를 제공하는 것임을 강조한다.