엔비디아의 AI 코딩 에이전트를 활용한 로봇 자가 학습 구현

주장엔비디아와 카네기 멜런 대학교, UC 버클리 연구진은 인공지능 코딩 에이전트를 활용해 로봇이 스스로 학습하는 엠파이어(ENPIRE) 프로젝트를 발표했습니다. 이 기술은 인간의 개입 없이 로봇이 직접 알고리즘을 수정하고 작업 환경을 개선하는 것을 목표로 합니다.

팩트연구진은 8대의 얌(YAM) 로봇 스테이션을 활용해 로봇 군집 학습을 진행했습니다. 로봇들은 깃(Git)을 통해 서로의 학습 결과를 공유하며 성공적인 전략을 빠르게 전파합니다.

팩트푸시-티(Push-T) 테스트와 핀 삽입, 케이블 타이 절단 등 까다로운 작업에서 로봇은 최대 99퍼센트의 성공률을 기록했습니다. 핀 삽입 작업의 경우 기존 인간 개입 방식보다 100퍼센트 성공에 도달하는 속도가 훨씬 빠릅니다.

팩트로봇 8대를 동시에 운영할 경우 학습 효율성도 개선되었습니다. 푸시-티 테스트 완료 시간은 5시간에서 2시간으로 단축되었으며, 핀 삽입 작업 역시 90분 이상 걸리던 시간이 약 40분으로 줄어들었습니다.

팩트이번 연구에는 지피티-5.5(GPT-5.5) 기반의 코덱스(Codex)와 오퍼스 4.7 기반의 클로드 코드(Claude Code), 키미 K2.6 기반의 키미 코드(Kimi Code)가 사용되었습니다. 이 중 코덱스가 대부분의 사례에서 가장 우수한 성능을 보였습니다.

팩트로봇은 핀 삽입 학습으로 얻은 경험을 바탕으로 로봇 팔을 이용해 마더보드에 그래픽 처리 장치(GPU)를 장착하는 등 다른 작업으로 기술을 전이했습니다. 이는 인공지능 에이전트가 범용적인 작업 능력을 갖출 수 있음을 보여줍니다.

주장엠파이어 프로젝트는 로봇이 스스로 학습하고 개선하는 실용적인 경로를 제시합니다. 연구진은 로봇 활용도를 측정하기 위해 평균 로봇 활용도(MRU)와 평균 토큰 활용도(MTU)라는 두 가지 새로운 지표를 제안했습니다.

교차검증시뮬레이션 환경에서는 모든 에이전트가 작업을 성공했으나, 실제 물리 환경에서는 3개 중 2개의 에이전트가 실패했습니다. 이는 로봇 역학, 마찰, 물체의 움직임 등 현실 세계의 예측 불가능한 변수가 여전히 큰 장벽임을 의미합니다.

교차검증로봇 대수가 늘어날수록 에이전트들이 서로의 결과를 요약하는 데 많은 시간을 소비하여 로봇당 활용도가 낮아지는 문제가 발생합니다. 또한 성능 향상보다 토큰 비용이 더 빠르게 증가하는 경제적 한계도 존재합니다.

주장이러한 기술적 한계에도 불구하고 로봇 군집이 데이터를 공유하며 학습하는 방식은 자동화의 새로운 가능성을 열어줍니다. 앞으로 물리적 환경에서의 변수를 제어하는 기술이 고도화된다면 로봇의 범용성은 더욱 확대될 전망입니다.

주장인공지능 코딩 에이전트가 로봇의 운영 체계에 깊숙이 관여함에 따라 향후 로봇 소프트웨어 개발의 패러다임도 변화할 것으로 보입니다. 연구진은 지속적인 실험을 통해 로봇의 자율적 문제 해결 능력을 강화할 계획입니다.

출처해당 내용은 더 디코더(The Decoder)의 보도 내용을 교차 검증했습니다. https://the-decoder.com/nvidia-research-shows-robots-that-train-themselves-through-ai-coding-agents/