💻 computer science

Open-Ended Cognitive Evolution for Autonomous Robots in Dynamic Environments

본 논문은 자율 로봇이 미처 경험하지 못한 상황과 환경 변화에 대응하여 사고, 학습 및 상호작용 메커니즘을 동적으로 적응할 수 있게 하는 개방형 인지 진화 프레임워크를 제안하며, 이는 고정된 구조 방식에 비해 작업 성공도, 안전성 및 효율성 측면에서 성능을 크게 향상시킨다.

원저자: Su Hong

게시일 2026-08-31

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Su Hong

원본 논문은 CC BY 4.0 (https://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

창고에서 일하도록 설계된 로봇을 상상해 보십시오. 완벽하고 변하지 않는 세상이라면, 엔지니어들은 상자를 집는 법, 상자를 놓을 위치, 조명이 깜빡일 때 어떻게 해야 하는지 등 로봇이 필요로 할 모든 규칙을 프로그래밍할 수 있습니다. 하지만 현실 세계는 완벽하지 않습니다. 세상은 변합니다. 새로운 유형의 상자가 나타날 수도 있고, 센서가 정렬에서 벗어나 오차가 생길 수도 있으며, 경로가 갑자기 막힐 수도 있습니다. 로봇이 이러한 장소에서 살아남기 위해서는 단순히 사실의 목록을 암기하는 것만으로는 부족합니다. 로봇은 자신의 사고방식을 바꾸고, 실수로부터 배우며, 주변 환경과 상호작용하는 방법을 바꾸는 법을 배워야 합니다. 이것이 열린 환경(open environments)의 과제입니다. 로봇은 새로운 물체뿐만 아니라 문제를 해결하는 새로운 방식에도 적응해야 합니다.

수년간 연구자들은 기계에게 새로운 사실을 배우거나 내부 지도를 업데이트하는 법을 가르치는 데 집중해 왔습니다. 이는 마치 학생이 더 많은 역사적 날짜를 암기하는 것과 같습니다. 그러나 한 새로운 연구는 진정한 자율 로봇을 위해서는 사실을 암기하는 것만으로는 충분하지 않다고 제안합니다. 로봇은 자신의 교과서를 스스로 다시 쓸 수 있어야 합니다. 기존의 사고방식이 실패한다면, 로봇은 새로운 사고방식을 발명하고, 이를 현실에 테스트하고, 효과가 있다면 유지할 수 있는 능력이 필요합니다. 이것이 바로 '열린 인지 진화(open-ended cognitive evolution)'를 위한 새로운 프레임워크의 핵심 아이디어이며, 이 시스템은 로봇이 시간이 흐름에 따라 자신의 정신을 성장시킬 수 있도록 해줍니다.

수 훙(Su Hong)이 이끄는 청두 정보 기술 대학교의 연구진은 로봇이 아주 작고 기초적인 정신적 도구만을 가지고 시작하는 시스템을 구축했습니다. 이 도구들은 관찰하기, 생각하기, 학습하기, 상호작용하기, 그리고 일이 제대로 진행되고 있는지 확인하기와 같은 일반적인 기능들입니다. 로봇이 이 도구들을 사용하는 구체적인 방식은 고정되어 있지 않습니다. 대신, 로고는 선택할 수 있는 방법들의 '레퍼토리'를 보유합니다. 만약 로봇이 처리할 수 없는 상황에 직면하면, 단순히 기존의 방식으로 더 열심히 노력하는 것이 아니라, 새로운 방법을 만들어내고, 이를 현실에 테스트한 뒤, 미래의 사용을 위해 자신의 컬렉션에 추가할 수 있습니다.

이 아이디어가 효과가 있는지 확인하기 위해, 연구팀은 통제된 창고 환경에서 일련의 시뮬레이션을 실행했습니다. 그들은 로봇에게 혼란스럽거나 상충하는 정보를 다루면서 물체를 옮기는 간단한 임무를 주었습니다. 첫 번째 테스트에서, 그들은 서로 모순되는 답변을 주는 다양한 센서 상황을 도입했습니다. 예를 들어, 카메라는 상자가 빨간색이라고 말하는 반면, 무게 센서는 그것이 가볍다고 제안하여 로봇의 초기 프로그래밍으로는 해결할 수 없는 갈등을 만들어냈습니다. 연구진은 이 새로운 시스템을 고정된 사고 규칙에 갇혀 있는 기존 방식들과 비교했습니다. 결과는 놀라웠습니다. 로봇이 이전에 본 적 없는 완전히 새로운 유형의 갈등에 직면했을 때, 새로운 시스템은 거의 95%의 확률로 문제를 해결했습니다. 반면, 이미 본 갈등에 대한 규칙만을 암기할 수 있었던 기존 시스템은 약 60%의 성공률을 보였습니다. 더 중요한 것은, 새로운 시스템이 모순을 확인하는 일반적인 방법을 학습했으며, 그 새로운 기술을 거의 모든 미래의 갈등에 재사용했다는 점입니다. 이는 로봇이 단 하나의 답을 암기한 것이 아니라, 진정으로 새로운 사고방식을 진화시켰음을 증명합니다.

두 번째 테스트는 로봇이 어떻게 학습하는지를 살펴보았습니다. 현실 세계에서 로봇이 받는 데이터의 양은 크게 변할 수 있습니다. 어떤 때는 새로운 물체의 예시를 몇 개만 보기도 하고, 어떤 때는 수백 개를 보기도 합니다. 연구진은 단 하나의 학습 방법으로는 이 모든 상황을 다룰 수 없다는 것을 발견했습니다. 데이터가 부족할 때 잘 작동하는 방법은 데이터가 풍부할 때 실패할 수 있고, 그 반대의 경우도 마찬가지입니다. 이 새로운 프레임워크는 로봇이 상황에 따라 서로 다른 학습 전략을 전환할 수 있게 해주었습니다. 데이터가 희소할 때는 기억력에 의존했고, 데이터가 풍부할 때는 예측 모델을 훈련하는 방식으로 전환했습니다. 환경이 빠르게 변하기 시작하면 가장 최근의 정보에만 집중하는 전략을 채택했습니다. 로봇이 스스로 학습 스타일을 선택하게 함으로써, 시스템은 전체 성공률을 약 69%까지 높였으며, 이는 고정된 학습 방법을 사용한 최선의 방식이 기록한 약 56%를 크게 상회하는 수치였습니다. 로봇은 단순히 과업을 배운 것이 아니라, 학습하는 법을 배웠습니다.

마지막 테스트는 오래된 지식의 위험성을 다루었습니다. 변화하는 세상에서 어제의 진리가 오늘의 거짓이 될 수 있습니다. 만약 로봇이 환경이 변한 후에도 계속해서 옛날 규칙을 사용한다면 위험한 실수를 저지를 수 있습니다. 연구진은 시뮬레이션에 센서 오차나 경로 차단과 같은 갑작스럽고 예고되지 않은 변화를 도입했습니다. 그들은 시계처럼 정해진 일정에 따라 변화를 확인하는 시스템과 이 시스템을 비교했습니다. 새로운 시스템은 무엇인가 잘못되었다는 신호, 즉 예상했던 것과 실제로 보이는 것 사이의 불일치가 나타날 때까지 기다렸습니다. 그 신호가 나타나면, 로봇은 즉시 멈추고, 조사하고, 지식을 업데이트했습니다. 이 접근 방식은 훨씬 더 효율적이었습니다. 이는 시계 기반 시스템에 비해 불필요한 점검 횟수를 거의 절반으로 줄이면서도, 위험한 오류 발생률을 획기적으로 낮추었습니다. 로봇은 더 적은 실수를 저질렀고, 안전을 유지하는 데 더 적은 에너지를 사용했습니다.

이 연구는 역동적인 세상에서 로봇이 독립적으로 작동하기 위해서는 스스로의 능력을 진화시킬 수 있어야 함을 보여줍니다. 단순히 데이터베이스에 새로운 사실을 추가하는 것만으로는 부족합니다. 로봇은 새로운 추론 방식을 발명하고, 환경이 변할 때 학습 전략을 전환하며, 세상이 변할 때 자신의 방법을 업데이트할 수 있어야 합니다. 실험 결과, 이러한 접근 방식이 효과적임이 입증되었습니다. 로봇은 보지 못한 갈등을 처리하고, 다양한 데이터 환경에 적응하며, 세상이 예기치 않게 변할 때 안전을 유지할 수 있었습니다. 이 연구 결과는 자율 로봇의 미래가 처음에 모든 것을 알고 있는 기계를 만드는 것이 아니라, 진행 과정에서 스스로 생각하고, 배우고, 행동하는 법을 가르칠 수 있는 기계를 만드는 데 있음을 시사합니다.

기술 요약: 동적 환경 내 자율 로봇을 위한 개방형 인지 진화 (Open-Ended Cognitive Evolution)

1. 문제 정의

개방된 동적 환경에서 작동하는 자율 로봇은 현재의 적응 패러다임에서 근본적인 한계에 직면해 있다. 지속 학습(continual learning), 메타 학습(meta-learning), 인지 아키텍처를 포함한 기존 방식들은 대개 추론, 학습, 상호작용을 위한 메커니즘이 설계 시점에 고정되어 있다고 가정한다. 이러한 시스템에서 적응은 정해진 구조 내에서 지식( $K_t \to K_{t+1}$ )이나 모델 파라미터를 업데이트하는 것에 국한된다.

그러나 진정한 오픈 월드 환경에서 로봇은 현재의 추론 절차가 부적절한 상황(예: 교차 소스 검증이 필요한 센서 충돌)에 처할 수 있으며, 학습 알고리즘이 데이터 레짐(data regime)과 일치하지 않거나(예: 희소 데이터 vs 드리프트가 심한 데이터), 환경 변화로 인해 상호작용 전략이 구식이 될 수도 있다. 본 논문은 로봇이 진정한 자율성과 안전성을 유지하기 위해서는 단순히 '무엇을(what)' 아는지를 업데이트하는 것을 넘어, '어떻게(how)' 생각하고, 배우고, 상호작용할 것인지까지 진화시켜야 한다고 주장한다. 나아가, 습득된 능력은 시간적 유효성을 가지므로, 이전에 효과적이었던 전략이 환경 변화에 따라 부적절하거나 위험해질 수 있으며, 이를 위해 구식 인지를 탐지하고 수정하는 메커니의즘이 필요하다.

2. 방법론: 개방형 인지 진화 프레임워크

제안된 프레임워크는 적응의 대상을 지식 중심의 진화에서 로봇의 인지 상태에 대한 공동 진화로 전환한다:
$(K_t, T_t, L_t, I_t) \to (K_{t+1}, T_{t+1}, L_{t+1}, I_{t+1})$
여기서 $K$ 는 지식, $T$ 는 사고 방식(thinking methods), $L$ 은 학습 방식(learning methods), $I$ 는 상호작용 방식(interaction methods)을 의미한다.

A. 최소 인지 코어 (Minimal Cognitive Core)

시스템은 **관찰(OBSERVE), 사고(THINK), 학습(LEARN), 상호작용(INTERACT), 평가(EVALUATE)**라는 최소한의 고정된 일반 인지 활동 세트를 유지한다. 이러한 활동의 구현을 하드코딩된 구조로 두는 전통적인 아키텍처와 달리, 본 프레임워크는 이들의 구체적인 구현을 진화하는 능력 집합( $T_t, L_t, I_t$ )으로 취급한다.

B. 개방형 선택 및 확장

로봇은 효용 추정치( $U$ )를 바탕으로 현재 보유한 레퍼토리에서 특정 방법을 선택한다. 만약 기존 방법이 적절성 임계값( $\tau$ )을 충족하지 못하면, 시스템은 새로운 방법을 구축하기 위한 능력 생성 프로세스( $G$ )를 트리거한다.

사고(Thinking): 기존 추론(예: 예측)이 충돌을 해결하지 못할 경우, 시스템은 새로운 추론 절차(예: 교차 소스 검증)를 생성할 수 있다.
학습(Learning): 시스템은 데이터의 양과 질에 따라 메모리 기반 검색, 배치 학습, 또는 온라인 적응 중 무엇을 학습할 것인지뿐만 아니라 어떻게 학습할 것인지도 결정한다.
상호작용(Interaction): 행동은 단순히 과업 수행만을 위한 것이 아니라, 누락된 증거를 확보하거나, 가설을 검증하거나, 지식의 타당성을 테스트하기 위해 선택된다.

C. 최신 인지 적응 (Up-to-Date Cognitive Adaptation)

시간적 변화에 대응하기 위해, 프레임워크는 **불일치 기반 평가(discrepancy-driven evaluation)**를 채택한다. 시스템은 기대 결과( $\hat{o}_{t+1}$ )와 관측된 결과( $o_{t+1}$ )를 지속적으로 비교한다.

불일치 점수( $\Delta_{t+1}$ )가 임계값을 초과하면, 시스템은 재평가를 시작한다.
이는 원인이 불완전한 지식인지, 환경 변화인지, 혹은 부적절한 방법인지를 판단하는 루프로 이어지며, 이를 통해 기존 능력을 업데이트하거나 교체한다.

D. 자율 인지 루프 (Autonomous Cognitive Loop)

프로세스는 OBSERVE $\to$ EVALUATE $\to$ THINK $\to$ LEARN $\to$ INTERACT $\to$ OBSERVE의 폐쇄 루프를 형성한다. 스케줄러는 경직된 워크플로우를 따르는 대신 현재 상태에 따라 다음 활동을 동적으로 결정한다.

3. 실험 설정 및 결과

본 프레임워크는 5개의 독립적인 랜덤 시드를 사용하여 통제된 창고 조작 환경에서 평가되었다. LLM(DeepSeek-v4-flash)은 인지 방법의 제안 및 의미론적 평가에 사용되었으며, 학습된 모델(예: k-NN, MLP)과 관측된 결과가 실행 가능한 증거를 제공하였다.

실험 1: 사고의 개방형 확장

시나리오: 로봇은 초기 레퍼토리에 교차 소스 검증 방법이 없는 16개의 미보지 "충돌 패밀리"(예: 시각 정보와 무게 정보의 불일치)에 직면했다.
결과:
- 첫 조우 성공률: 제안된 방법은 미보지 충돌 패밀리에 대해 **94.67 ± 5.58%**의 성공률을 기록하여, "지식 전용(Knowledge Only)" 베이스라인(60.00%)과 고정된 워크플로우(~54%)를 크게 상회했다.
- 재사용: 이전에 학습된 일반적 사고 활동은 **98.67 ± 2.98%**의 사례에서 재사용되었다.
- 확장: 기존 방법이 불충분할 때 시스템은 새로운 사고 활동을 성공적으로 생성하고 검증했다(시드당 평균 2.6개).

실험 2: 학습 방법의 적응적 진화

시나리오: 로봇은 세 가지 레짐(희소 데이터, 안정적인 대규모 데이터, 개념 드리프트가 있는 데이터)에 걸쳐 파지력(grasp-force) 매핑을 학습했다.
결과:
- 과업 성공률: 제안된 방법은 전체 성공률 **69.16 ± 1.81%**를 달성하였으며, 이는 가장 우수한 고정 학습기(Fixed Recent MLP, 55.66 ± 1.49%)보다 높았다.
- 방법 선택: 순수 LLM 제안의 정확도는 32.50%에 불과했으나, 증거 기반 평가를 통해 최종 학습 방법 선택 정확도는 **95.00 ± 4.56%**로 높아졌다.
- 적응: 시스템은 레짐 라벨에 대한 사전 지식 없이도 희소 레짐에서는 메모리 기반 학습을, 안정적 레짐에서는 배치 학습을, 드리프트 발생 시에는 최근 윈도우 학습으로 올바르게 전환했다.

실험 3: 환경 변화에 대한 최신 적응

시나리오: 예고되지 않은 환경 변화(예: 물체 무게 변화, 센서 드리프트, 그리퍼 성능 저하, 경로 차단)가 발생했다.
결과:
- 과업 성공률: 제안된 방법은 **96.43 ± 3.34%**의 성공률을 기록하며, 정적 방식(52.50%) 및 수동적 지속 학습(87.86%)을 능가했다.
- 안전성 및 유효성: 수동적 지속 학습의 구식 결정율이 22.86%였던 것에 비해, 본 방법은 **위험 발생률을 1.07 ± 1.60%**로, **구식 결정율을 1.43 ± 1.96%**로 낮추었다.
- 효율성: 주기적 업데이트 방식에 비해 검증 작업을 48.0 ± 5.7% 감소시켰는데, 이는 불일치가 감지될 때만 검증을 수행했기 때문이다.
- 상호작용 진화: 시스템은 모든 시드에서 새로운 상호작용 방법(예: cross_sensor_check, probe_path)을 성공적으로 추가했다.

4. 주요 기여

인지 진화의 공식화: 본 논문은 자율 적응을 전통적인 $K_t \to K_{t+1}$ 패러다임을 넘어 지식, 사고, 학습, 상호작용 방법의 공동 진화로 공식화했다.
최소 코어, 개방형 능력 아키텍처: 일반적인 인지 활동은 고정하되, 그 구체적인 구현은 환경적 증거에 따라 선택, 수정 및 확장될 수 있도록 하는 아키텍처를 도입했다.
확장과 적응의 통합: 능력이 불충분할 때 새로운 방법을 만드는 개방형 확장과, 불일치가 노후화를 나타낼 때 방법을 수정하는 최신 적응을 결합했다.
실증적 검증: 로봇이 미보지 추론 요구사항, 변화하는 학습 레짐, 예고되지 않은 환경 변화에 적응하여 고정된 방식이나 지식 전용 베이스라인보다 높은 성공률과 안전성을 달라는 것을 실험적으로 입증했다.

5. 의의 및 주장

본 논문은 진정한 자율성이란 학습을 고정된 메커니즘으로 취급하는 것이 아니라, 메커니즘 자체를 지속적인 적응의 대상으로 취급하는 것으로부터 온다고 주장한다. 그 의의는 다음과 같다:

로봇이 사전에 정의된 규칙 없이도 추상적인 사고 절차를 새로운 충돌 패밀리에 일반화할 수 있음을 보여준다.
학습 알고리즘의 선택은 데이터 레짐에 적응적이어야 하며, 이 선택은 설계자의 휴리스틱이 아닌 증거 기반 평가에 의해 신뢰성 있게 주도될 수 있다.
불일치 기반 평가는 환경 변화를 조기에 탐지함으로써 주기적인 체크의 비효der성과 노후된 지식에 의존하는 위험을 피하고, 안전성과 관련성을 유지할 수 있게 한다.

저자는 지속적인 자율성이란 로봇의 전체 인지 스택( $K, T, L, I$ )의 공동 진화를 포함해야 하며, 이를 통해 설계 시점에 예상하지 못한 능력을 점진적으로 구축하는 동시에 변화하는 세계와 정렬을 유지할 수 있다고 결론짓는다. 향후 연구는 더 풍부한 물리적 환경과 생성된 방법들의 장기적인 공고화에 집중될 것임을 언급하였다.