Action-JND, 로봇 AI 모델 압축 신뢰성 높인다

시각-언어-행동(VLA, vision-language-action) 모델은 로봇이 카메라 영상과 언어 지시를 함께 해석해 움직임을 결정하도록 돕는 인공지능입니다. 그러나 모든 시각 토큰(이미지를 잘게 나눈 정보 조각)을 매번 처리하려면 연산 비용이 크고, 실시간성이 중요한 폐루프 제어에서 지연을 유발할 수 있습니다. 이 때문에 엔지니어들은 시각적 유사도나 주의(attention) 점수 같은 기준으로 중복 토큰을 제거하거나, 이전 시점의 키-값(KV) 캐시를 재사용해 비용을 줄여왔습니다. 최근 arXiv에 게재된 새 논문은 이미지 압축 연구에서 빌려온 색다른 기준을 제시합니다.

이 논문이 활용한 개념은 '식별 가능 최소 차이(just noticeable difference, JND)'로, 원래는 사람이 시각 신호의 변화를 알아차리기 전까지 허용되는 변화 폭을 뜻합니다. 저자들은 이 개념을 로봇 제어 정책에 맞게 확장해 'Action-JND'라는 방법을 제안했습니다. 핵심 아이디어는 토큰이 아무리 바뀌어도 로봇이 예측하는 행동이 허용 범위를 벗어나지 않는다면 그 변화를 '용인 가능'하다고 보는 것입니다. 즉 토큰이 시각적으로 얼마나 달라 보이는지가 아니라, 로봇의 실제 행동이 실제로 바뀌는지를 기준으로 삼는 방식입니다.

연구진은 이를 구현하기 위해 심층 시각 특징 공간에서 작동하는 가볍고 토큰 단위의 JND 추정기를 개발했습니다. 이 추정기는 정책의 출력을 안정적으로 유지하면서 각 토큰이 견딜 수 있는 최대 섭동(변형 정도)을 예측합니다. 그 결과로 모든 토큰에 '행동 허용 점수(action-tolerance score)'를 매길 수 있으며, 이 점수는 기존 KV 캐시 재사용이나 토큰 가지치기(pruning) 같은 VLA 압축 기법에 그대로 적용해, 허용도가 높은 토큰부터 우선적으로 압축하도록 활용할 수 있습니다.

연구팀은 OpenVLA와 OpenVLA-OFT 두 가지 VLA 정책을 사용해 LIBERO 벤치마크에서 Action-JND를 검증했습니다. 논문에 따르면 Action-JND는 기존의 중복성 또는 중요도 기반 기준과 비교했을 때 "압축 신뢰성을 지속적으로 향상시켰으며, 특히 공격적인 압축 비율에서 효과가 두드러졌다"고 밝혔습니다. 15쪽 분량에 그림 5개가 포함된 이 논문은 저자 Rui Zhao가 제출했으며, 2026년 8월 21일 arXiv에 게재됐습니다.

다만 현재 공개된 자료는 초록 수준의 프리프린트이기 때문에, 기준 대비 성공률이나 지연시간 개선 폭 같은 구체적인 수치는 발췌 내용에 포함되어 있지 않습니다. 전체 논문이 공개되면 세부 수치를 확인할 필요가 있습니다.