엔비디아가 사람이 일일이 제어 프로그램을 작성하지 않아도 로봇이 스스로 코드를 생성하고 실행 결과를 분석해 지속적으로 성능을 개선하는 새로운 로봇 학습 시스템를 선보였다. 

엔비디아는 30일(현지시간) 로봇 공학용 지속 학습(Continual Learning) 시스템 '아스파이어(ASPIRE·Agentic Skill Programming through Iterative Robot Exploration)’를 공개했다.

아스파이어는 새로운 작업을 수행할 때마다 필요한 제어 코드를 직접 작성하고, 실행 과정에서 발생한 오류를 스스로 분석해 수정한다. 이렇게 검증된 해결 방법은 재사용 가능한 기술(스킬)로 라이브러리에 저장되며, 이후 비슷한 작업에서는 이를 다시 활용해 더 빠르고 정확하게 작업을 수행한다. 시간이 지날수록 기술이 계속 쌓이면서 새로운 작업에도 점점 더 빠르게 적응할 수 있다. 

기존 로봇 프로그래밍은 다양한 센서 데이터를 처리하고, 물체와의 접촉을 제어하며, 환경 변화에 대응하기 위한 복잡한 제어 코드를 사람이 직접 설계해야 했다. 작은 오류가 발생해도 원인을 찾아 수정하는 데 많은 시간과 비용이 필요했다.

엔비디아는 이러한 한계를 해결하기 위해 '코드 애즈 폴리시(Code-as-Policy)'이라는 개념을 적용했다고 밝혔다. 이 시스템은 사람이 일일이 제어 프로그램을 만드는 대신, AI가 코드를 작성하고 실행 결과를 분석해 오류를 수정하는 과정을 반복하며 성능을 계속 높여간다. 

아스파이어는 3가지 핵심 기능으로 구성된다. 먼저 로봇이 작업을 수행하는 모든 과정을 기록한다. 물체를 인식한 결과와 집을 위치, 이동 경로, 충돌 여부 등 다양한 정보를 수집한 뒤, AI가 이를 분석해 실패 원인을 스스로 찾아낸다. 이후 제어 코드를 수정해 다시 실행하고, 문제가 해결됐는지 확인하는 과정을 반복한다. 

아스파이어는 수정된 제어 코드가 실제로 효과가 있는 것으로 확인되면 이를 재사용 가능한 기술(Skill) 형태로 라이브러리에 저장된다. 이렇게 축적된 기술은 이후 비슷한 작업에서 다시 활용할 수 있어, 새로운 작업을 수행할수록 더 빠르고 효율적으로 학습하고 적응할 수 있다. 

또 진화 탐색(Evolutionary Search) 기법을 통해 다양한 작업과 제어 프로그램을 자동으로 만들어낸다. 하나의 작업만 반복해서 학습하는 것이 아니라 여러 작업을 동시에 수행하며 다양한 해결 방식을 실험하고, 가장 효과적인 방법을 찾아 지속적으로 성능을 높인다. 

연구진은 아스파이어가 학습 과정에서 150개 이상의 작업과 90개 이상의 재사용 가능한 기술을 자동으로 축적했다고 설명했다. 기술 라이브러리는 디버깅, 물체 인식, 이동 경로 계획, 파지(Grasping), 장면 이해 등 18개 범주로 구성되며, 새로운 작업에서도 필요한 기술을 즉시 불러와 활용할 수 있다.

성능 평가에서도 기존 방식보다 높은 성과를 기록했다. 물체 조작 벤치마크인 '리베로-프로(LIBERO-Pro)'에서는 기존 코드 생성 방식보다 최대 77% 높은 성능을 보였고, '로보수트(Robosuite)' 양손 물체 전달 작업에서는 최대 72%, 장시간 가정환경 작업인 '비헤이버-1K(BEHAVIOR-1K)'에서는 최대 32% 향상된 성능을 달성했다.

특히 한 번 학습한 기술을 새로운 작업에 그대로 활용하는 제로샷(Zero-shot) 일반화 성능도 크게 향상됐다. 기존 방법의 성공률은 4% 수준에 머물렀지만, 아스파이어는 별도의 추가 학습 없이도 대표적인 장기 작업에서 31%의 성공률을 기록했다.

실제 로봇 적용 가능성도 확인됐다. 연구진은 시뮬레이션에서 학습한 기술을 실제 로봇에 적용하면 필요한 코드 생성량이 크게 줄어들고, 서로 다른 형태의 로봇이나 API 환경에서도 효율적으로 기술을 이전할 수 있었다고 설명했다.

이를 통해 실제 로봇 프로그래밍에 필요한 시간과 비용을 크게 줄일 수 있을 것으로 기대된다고 덧붙였다.

박찬 기자 cpark@aitimes.com