새로운 AI 모델인 Robostral Navigate는 신뢰할 수 있는 자율 주행에는 고가의 센서 중심 하드웨어가 필요하다는 로보틱스의 오랜 가정을 뒤흔들고 있다. AI Science Robotics 팀이 개발한 이 80억 매개변수(8B) 모델은 일반적인 RGB 카메라 하나와 자연어 지시만으로 최첨단 단일 카메라 로봇 내비게이션을 구현한다. LiDAR도, 깊이 센서도, 다중 카메라 장치도 필요 없다.
Summary
핵심 요약
- Robostral Navigate는 단일 RGB 카메라와 자연어 지시만으로 로봇을 내비게이션하는 8B AI 모델이다.
- R2R-CE validation unseen 벤치마크에서 76.6% 성공률을 달성했으며, 최고 성능의 단일 카메라 방식보다 9.7포인트, 깊이/다중 카메라 시스템보다 4.5포인트 앞선다.
- 이 모델은 이미지 좌표로부터 목표 위치를 예측하는 포인팅 기반 접근법을 사용하며, 목표가 시야 밖에 있을 때는 로컬 좌표계 변위를 사용하는 폴백 방식을 취한다.
- 프리픽스 캐싱(prefix-caching) 기반 학습 기법을 통해 학습 토큰을 22배 줄여, 수개월 걸리던 학습을 수일로 압축했다.
- CISPO 알고리즘을 통한 학습 이후 강화학습으로 모델의 성공률이 추가로 3.2% 향상되었다.
Robostral Navigate, 단일 카메라 로봇 내비게이션을 한 단계 끌어올리다
Robostral Navigate는 내비게이션 모델이 실제로 작동하기 위해 무엇이 필요한지를 재정의한다. 경쟁 시스템들이 환경을 매핑하기 위해 깊이 센서나 카메라 배열에 의존하는 반면, 이 모델은 표준 RGB 이미지 스트림과 텍스트 지시를 함께 처리해 그에 따라 공간을 이동한다. Théo Cachet, Arjun Majumdar, Srijan Mishra, Thomas Chabal, Chris Bamford, Elliot Chane-Sane, Benjamin Tibi, Ludovic Ho Fuh, Olivier Duchenne 등 AI Science Robotics 연구진은 기존 오픈소스 비전-언어 모델에 의존하지 않고 전체 모델을 사내에서 직접 구축했다.
이러한 설계 선택은 실제 배포에 큰 영향을 미친다. 더 단순한 센서 요구사항은 하드웨어 비용을 낮추고, 다양한 로봇 유형에 대한 통합을 쉽게 하며, 센싱 스택에서의 고장 지점을 줄여준다.
포인팅과 폴백 변위를 통한 내비게이션 접근법
핵심 혁신은 팀이 포인팅 기반 내비게이션(pointing-based navigation)이라고 부르는 방식이다. “앞으로 0.5미터 이동”과 같은 계량적 변위 명령을 내리는 대신, Robostral Navigate는 로봇의 현재 카메라 뷰 안에서 목표 위치의 이미지 좌표를 추론한다. 즉, 도달해야 할 지점을 가리키는 것과 같으며, 여기에 원하는 도착 시 방향까지 함께 예측한다.
이 접근법은 고정된 계량 단위가 아니라 시각적 관점에서 목적지를 추론하기 때문에, 카메라 내부 파라미터 변화나 세계 스케일 차이에 자연스럽게 강인하다. 이 모델이 따를 수 있는 지시의 예: “로비를 나와 복도를 지나서 보급품 보관실로 들어간 뒤, 두 번째 선반을 향해 멈춰 서라.”
목표가 카메라의 현재 시야 밖에 있을 때는 포인팅이 적용될 수 없다. 이런 경우 모델은 로컬 좌표계 변위로 폴백한다. 예를 들어 “앞으로 2미터, 왼쪽으로 1.5미터 이동한 뒤, 왼쪽으로 25도 회전”과 같은 명령이다. 이러한 두 가지 모드 설계 덕분에 모델은 센서 증강 없이도 다양한 실제 내비게이션 상황을 처리할 수 있다.
R2R-CE validation에서 벤치마크 최고 성능 달성
수치 성능에서 Robostral Navigate는 가장 강력한 근거를 제시한다. 학습에 사용되지 않은 환경에서 내비게이션 지시를 따르는 능력을 평가하는 표준 테스트인 R2R-CE(Room-to-Room in Continuous Environments) 벤치마크에서, 이 모델은 validation unseen에서 76.6% 성공률, validation seen에서 79.4%를 기록했다.
단일 카메라 및 다중 센서 시스템을 능가하는 성능
이 결과는 현재 해당 벤치마크에 등록된 모든 비교 가능한 시스템보다 앞선다. Robostral Navigate는 최고 성능의 단일 카메라 접근법을 9.7포인트 앞서고, 깊이 센서나 다중 카메라를 사용하는 최고 성능 시스템보다도 4.5포인트 높은 성능을 보인다. 그것도 어떤 추가 센서도 사용하지 않고서다.
다중 센서 시스템을 상회하는 이 격차는 특히 주목할 만하다. 깊이 카메라와 LiDAR 장비는 상당한 하드웨어 투자를 필요로 한다. 단일 RGB 피드만으로 이들을 능가하는 모델은 단순히 벤치마크에서 이기는 수준을 넘어, 상용 로봇 배치를 위한 최소 필요 하드웨어의 기준 자체를 바꿔 놓는다.
혁신적인 학습 및 강화학습 기법
이러한 수치에 도달하기 위해서는 학습 효율성 문제를 해결해야 했다. 내비게이션 모델은 이미지, 행동, 결과가 이어지는 긴 에피소드 형태의 순차적 관찰 이력으로부터 학습하는데, 이를 처리하려면 일반적으로 막대한 연산 자원이 필요하다. Robostral Navigate 팀은 트리 기반 어텐션 마스킹 전략에 기반한 프리픽스 캐싱(prefix-caching) 학습 알고리즘으로 이 문제를 해결했다.
효율적인 프리픽스 캐싱 기반 지도학습
이 방법은 전체 내비게이션 에피소드를 하나의 시퀀스로 압축해, 정보가 시점 간에 새어나가지 않도록 하면서도 모든 시점에 대해 한 번의 포워드 패스로 학습할 수 있게 한다. 시점당 하나의 샘플을 학습하는 방식과 비교하면, 이 접근법은 학습 토큰을 22배 줄이면서도 모든 학습 신호를 그대로 보존한다. 실제로는 수개월이 걸릴 학습을 수일 안에 끝낼 수 있게 만들어, 대규모 로보틱스 AI를 반복 개발하는 데 의미 있는 운영상 이점을 제공한다.
학습 데이터 자체는 약 40만 개의 궤적을 6,000개 장면에서 수집해 전부 시뮬레이션으로 생성했으며, 물리적 데이터 수집의 비용과 복잡성 없이 빠른 반복을 가능하게 했다.
CISPO를 활용한 온라인 강화학습으로 성능 향상
지도학습 이후, 팀은 성능을 한 단계 더 끌어올리기 위해 온라인 강화학습 알고리즘인 CISPO를 적용했다. 표준 행동 모방(behavior cloning)은 배포 환경이 학습 데이터와 달라질 때 분포 이동(distribution shift) 문제를 겪을 수 있는데, CISPO는 모델이 시행착오를 통해 학습하고, 실패에서 회복하며, 탐색적 행동을 개발할 수 있게 해준다.
이 두 번째 학습 단계는 성공률을 3.2% 추가로 끌어올렸다. 팀은 아직 성능이 정체되는 징후가 보이지 않는다며, 추가 학습을 통해 수치를 더 높일 수 있을 것으로 보고 있다. 대형 언어 모델 개발에서 익숙한 사후 강화학습 기법을 체화된 내비게이션 AI에 적용한 것은 전략적으로도 중요한 움직임이다. 이는 LLM을 위해 다듬어진 엔지니어링 플레이북이 이제 물리적 로봇 제어에도 이전 가능하다는 신호이기 때문이다.
로봇 유형 전반에 걸친 일반화와 향후 개발
Robostral Navigate는 바퀴형, 다리형, 비행 로봇에서 모두 동작하며, 서로 다른 로봇 크기와 카메라 구성 전반에 걸쳐 일반화된다. 또한 카메라 내부 파라미터 차이에 대해서도 강인해, 새로운 하드웨어 설정마다 재보정할 필요가 없다. 이는 폭넓은 상용화를 목표로 하는 어떤 시스템에도 필수적인 실용적 요구사항이다.
목표 응용 분야는 제조, 배송, 물류, 호스피탈리티 전반에 걸친다. 팀은 내비게이션을 범용 로보틱스의 기초 역량으로 규정하며, Robostral Navigate를 완성된 제품이 아니라 통합된 체화 에이전트로 나아가기 위한 첫 단계로 위치시킨다.
AI Science Robotics는 체화 내비게이션 AI에 집중하는 연구 과학자와 엔지니어를 적극적으로 채용하며 로보틱스 팀을 확장하고 있어, 개발 로드맵이 이번 초기 공개를 훨씬 넘어 이어질 것임을 시사한다.
FAQ
Robostral Navigate는 로봇 내비게이션에 어떤 센서를 사용하나요?
Robostral Navigate는 단일 RGB 카메라만 사용하며 LiDAR나 깊이 센서에 의존하지 않는다.
Robostral Navigate의 성능은 다른 내비게이션 모델과 비교해 어느 정도인가요?
R2R-CE validation unseen 벤치마크에서 76.6% 성공률을 달성했으며, 최고 성능의 단일 카메라 방식보다 9.7포인트, 깊이/다중 카메라 시스템보다 4.5포인트 앞선다.
목표가 카메라 시야에 보이지 않을 때 Robostral Navigate는 내비게이션을 어떻게 처리하나요?
목표가 카메라의 현재 시야 밖에 있을 때, 모델은 폴백 내비게이션 방식으로 로봇의 로컬 좌표계에서의 변위 명령을 사용한다.
어떤 학습 기법이 Robostral Navigate의 내비게이션 성능을 향상시키나요?
이 모델은 학습 토큰을 22배 줄이는 효율적인 프리픽스 캐싱 지도학습 방법을 사용하며, 이후 CISPO 알고리즘을 통한 온라인 강화학습으로 성공률을 3.2% 추가 향상시켰다.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Robostral Navigate는 로봇 내비게이션에 어떤 센서를 사용하나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Robostral Navigate는 단일 RGB 카메라만 사용하며 LiDAR나 깊이 센서에 의존하지 않는다.”}},{“@type”:”Question”,”name”:”Robostral Navigate의 성능은 다른 내비게이션 모델과 비교해 어느 정도인가요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”R2R-CE validation unseen 벤치마크에서 76.6% 성공률을 달성했으며, 최고 성능의 단일 카메라 방식보다 9.7포인트, 깊이/다중 카메라 시스템보다 4.5포인트 앞선다.”}},{“@type”:”Question”,”name”:”목표가 카메라 시야에 보이지 않을 때 Robostral Navigate는 내비게이션을 어떻게 처리하나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”목표가 카메라의 현재 시야 밖에 있을 때, 모델은 폴백 내비게이션 방식으로 로봇의 로컬 좌표계에서의 변위 명령을 사용한다.”}},{“@type”:”Question”,”name”:”어떤 학습 기법이 Robostral Navigate의 내비게이션 성능을 향상시키나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”이 모델은 학습 토큰을 22배 줄이는 효율적인 프리픽스 캐싱 지도학습 방법을 사용하며, 이후 CISPO 알고리즘을 통한 온라인 강화학습으로 성공률을 3.2% 추가 향상시켰다.”}}]}
이 기사는 인공지능의 도움을 받아 제작되었으며, 편집팀의 검수를 거쳤습니다.
