GRASP 기반의 장기 계획 수립 최적화 기술

주장GRASP는 학습된 동역학 모델인 월드 모델을 활용하여 장기적인 계획 수립을 실용적으로 만드는 새로운 경사 기반 플래너입니다. 기존 월드 모델은 예측 성능은 우수하지만, 장기 계획 수립 과정에서 최적화가 불안정해지는 한계가 있습니다.

팩트GRASP는 세 가지 핵심 기술을 도입하여 기존의 한계를 극복합니다. 첫째, 궤적을 가상 상태로 끌어올려 시간 축에 걸친 최적화를 병렬로 수행합니다. 둘째, 상태 반복 과정에 확률성을 추가하여 탐색 능력을 강화합니다. 셋째, 경사를 재구성하여 고차원 시각 모델에서 발생하는 취약한 상태-입력 경사를 방지하고 행동 신호를 명확하게 유지합니다.

교차검증기존의 경사 기반 계획 수립 방식은 시간이 지남에 따라 경사가 소실되거나 폭발하는 문제를 겪습니다. 이는 모델을 반복적으로 적용할 때 계산 그래프가 깊어지면서 발생하며, 장기 계획 수립의 정확도를 저해합니다.

팩트월드 모델은 현재 상태와 미래 행동 시퀀스가 주어졌을 때 다음 상태를 예측하는 학습된 모델입니다. 결정론적 모델의 경우 상태 전이 함수인 에스 티 플러스 원은 에프 세타 에스 티, 에이 티로 정의되며, 이는 미분 가능한 시뮬레이터 역할을 수행합니다.

교차검증장기 계획 수립이 어려운 또 다른 이유는 최적화 환경이 비탐욕적 구조를 띠기 때문입니다. 목표를 향해 단순히 이동하는 것만으로는 해결되지 않는 복잡한 경로가 존재하며, 계획 기간이 길어질수록 지역 최적해에 빠질 위험이 커집니다.

팩트연구진은 장기 계획 수립의 어려움을 해결하기 위해 동역학 제약을 완화하는 방식을 제안했습니다. 이는 계획 및 로봇 공학 분야에서 콜로케이션이라 불리는 기법으로, 상태와 행동을 동시에 최적화하여 전역 최적해를 찾는 방식입니다.

주장현대의 월드 모델은 단순한 예측기를 넘어 범용 시뮬레이터로 진화하고 있습니다. 그러나 강력한 예측 모델을 보유하는 것과 이를 제어 및 계획에 효과적으로 활용하는 것은 별개의 문제입니다.

팩트GRASP 프로젝트는 마이클 프센카, 마이크 라밧, 아디티 크리슈나프리얀, 얀 르쿤, 아미르 바르가 공동으로 연구를 수행했습니다. 이들은 장기 계획 수립 시 발생하는 일 컨디션드 계산 그래프와 최적화의 함정을 극복하는 데 집중했습니다.

교차검증고차원 잠재 공간에서의 계획 수립은 미묘한 실패 모드를 유발할 수 있습니다. 따라서 단순히 미분 가능한 모델을 사용하는 것만으로는 장기적인 안정성을 보장하기 어렵습니다.

출처버클리 인공지능 연구소의 공식 블로그 게시물을 통해 해당 내용을 교차 검증했습니다. (http://bair.berkeley.edu/blog/2026/04/20/grasp/)