로봇이 자신의 물리적 부담을 감지해 작업 전략을 다시 짠다

대부분의 로봇 조작 시스템은 물체 위치나 장애물, 목표 지점 같은 외부 환경만 고려하고, 로봇 자신의 물리적 상태는 저수준 제어기가 알아서 처리해야 할 문제로 취급해왔습니다. 그러나 arXiv(cs.RO)에 게재된 새 논문은 이런 접근이 놓치는 부분이 있다고 지적합니다. 기하학적으로는 완벽해 보이는 계획이라도, 실제로는 특정 관절에 무리를 주거나 가동 범위 제약에 부딪혀 실행하기 어려운 경우가 있다는 것입니다.

나미코 사이토(Namiko Saito) 등 연구진은 이를 '신체 기반 고수준 재계획(body-grounded high-level replanning)'이라 부릅니다. 이 프레임워크에서는 관절 부하 상승이나 가동 범위 제한 같은 특정 '신체 상태 이벤트'가 발생하면, 저수준 제어뿐 아니라 상위 전략 수준에서도 점검이 이뤄집니다. 대형언어모델(LLM)은 로봇의 관절 단위 상태, 최근 실행 통계, 그동안 시도된 전략의 이력을 입력받아 현재 신체 조건에 맞는 대안 전략을 선택합니다. 이때 원래 작업 목표와 저수준 제어기는 그대로 유지됩니다.

논문 초록에 따르면 연구진은 이 방식을 통제된 외부 하중과 비대칭적 가동성 제약이라는 두 조건 아래 도달(reaching) 작업에 적용해, 시뮬레이션과 실제 로봇 모두에서 실험했습니다. 신체 기반 재계획은 높은 작업 성공률을 유지하면서도 필요한 물리적 노력을 줄였고, 이런 피드백 루프가 없는 방식보다 더 효율적으로 전략을 적응시켰습니다. 단순한 도달 작업을 넘어 접촉이 많은 조작 작업에 대한 추가 실험에서도 동일한 재계획 인터페이스가 적용 가능함을 보여주었습니다.

연구진에 따르면 이번 결과의 핵심 시사점은, 로봇의 내부 물리 상태가 서보 루프나 안전 한계에만 쓰여야 할 정보가 아니라는 점입니다. 작업이 '가능한지'뿐 아니라 '어떻게 수행할지'를 결정하는 상위 단계 의사결정에도 활용될 수 있다는 것입니다. 로봇이 더 길고 다양한 조작 작업을 수행하게 되면서 마모나 피로 유사 부하 축적, 부분적인 기계적 제약이 흔히 발생하지만 계획 단계에서 명시적으로 고려되지 않는 경우가 많다는 점에서 이런 접근은 앞으로 더 중요해질 수 있습니다.