학습 없이 작동하는 로봇 행동복제 기법 'BPC' 공개

arXiv에 게재된 새 논문이 로봇에게 시연(demonstration)을 통해 기술을 가르치는 기존 방식의 대안을 제시했습니다. '학습 없는 행동 복제(Training-free Behavior Cloning)'라는 제목의 이 연구는 대규모 신경망을 시연 데이터로 학습시키는 단계를 건너뛰는 '행동 예측 제어(Behavior Predictive Control, BPC)'라는 기법을 소개합니다.

논문 초록에 따르면, 기존의 신경망 기반 행동 복제(behavior cloning, 시연 데이터를 모방해 로봇 동작을 학습하는 방식)는 시연 데이터를 거대한 모델 속에 압축하기 때문에 로봇이 왜 특정 동작을 했는지 추적하기 어렵고, 정책을 업데이트하려면 대개 재학습이 필요해 비용이 많이 듭니다. 시연 데이터를 실행 시점까지 그대로 보존하는 검색 기반 정책은 이런 문제를 피할 수 있지만, 실제 로봇의 행동이 기록된 시연과 어긋날 때 성능이 떨어지는 한계가 있었습니다.

BPC는 두 접근법의 장점을 결합하고자 합니다. 이 기법은 세 가지 요소로 구성됩니다. 관련 시연을 찾아내는 '행동 인지형 검색 지표', 행동시스템 이론(behavioral systems theory)에서 착안한 행동이 시간에 따라 자연스럽게 이어지도록 돕는 '한켈 기반 행동 연속성 사전 정보(Hankel-based action-continuation prior)', 그리고 예측을 다듬는 '닫힌 형태의 1단계 잔차 보정(closed-form one-step residual correction)'입니다. BPC는 전체 과정을 학습시키는 대신, 현재 진행 중인 관측-행동 이력을 가장 잘 재현하는 과거 시연 데이터 조각들을 조합해 다음 행동을 예측합니다.

Maximilian Adang이 이끄는 연구진은 시뮬레이션 벤치마크와 실제 로봇 실험 모두에서 BPC를 테스트했다고 밝혔습니다. 이들은 BPC가 비교 기준으로 사용한 학습 기반 정책 π_0.5와 대등한 성능을 보였으며, 일부 경우에는 이를 능가했다고 보고했습니다. 효율성 측면의 개선도 두드러집니다. 일반 소비자용 GPU에서 정책 적합(fitting)에 걸리는 시간이 수 시간에서 수 초로 줄었고, 로봇용 임베디드 보드인 젯슨 오린 나노(Jetson Orin Nano)에서 최대 75Hz의 폐루프 제어를 지원한다고 설명했습니다.

논문은 성능 외에도 시연 데이터를 계속 유지함으로써 얻는 두 가지 부가 효과를 강조합니다. 첫째, 검색된 시연 구간과 이를 조합하는 가중치는 로봇이 작업을 얼마나 진행했는지에 대한 내재적 추정치를 제공합니다. 둘째, 예측 결과가 이를 만들어낸 특정 시연 데이터로 추적 가능하기 때문에, 엔지니어는 모델을 재학습하지 않고도 시연 데이터베이스를 수정하는 것만으로 로봇 행동을 검토하고 조정할 수 있습니다.

arXiv 등재 정보에 따르면 이 논문은 2026년 9월 24일 제출되었으며 로보틱스(cs.RO) 분류로 분류돼 있습니다. 아직 정식 동료 심사를 거치지 않았으며, 정확한 벤치마크 수치나 하드웨어 세부 구성 등 전체 실험 내용은 초록이 아닌 전체 PDF에서만 확인할 수 있습니다.

보고된 결과가 검증을 통과한다면, 재학습 부담 없이 빠르게 업데이트할 수 있고 동작 추적성까지 갖춘 BPC의 접근법은 새로운 로봇 기술을 신속하게 반복 개발해야 하는 팀들에게 매력적인 선택지가 될 수 있습니다.