DIRECT: 로봇 플래너에서 테스트 시 컴퓨팅 자원을 언제, 어디에 할당해야 하는가?

DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners?

💡 이 논문은 로봇이 주변 환경을 인식하고 행동을 계획할 때, 인공지능 모델에 필요한 계산 자원을 효율적으로 배분하는 'DIRECT'라는 새로운 방법을 제안합니다. 이를 통해 로봇의 작업 성공률은 높이면서도 계산 비용과 시간을 크게 줄일 수 있습니다.

핵심 요약

무엇을 · 이 연구는 로봇이 복잡한 작업을 수행하기 위해 비전-언어 모델(VLM)을 고수준 플래너로 사용할 때, 테스트 시 컴퓨팅 자원을 어떻게 효율적으로 할당할지에 대한 문제를 다룹니다. 기존에는 단순히 계산 자원을 늘리는 방식이 비효율적이라는 점에 주목했습니다.
어떻게 · 연구팀은 'DIRECT'라는 라우팅 프레임워크를 개발했습니다. 이 프레임워크는 로봇이 주변 환경을 인식하는 멀티모달(다중 양식) 장면 문맥 정보를 활용하여, 각 작업 요청(프롬프트)마다 필요한 컴퓨팅 자원을 지능적으로 배분합니다. 이는 단순히 고정된 모델을 선택하는 것보다 성공률과 비용 효율성 측면에서 더 나은 결과를 가져옵니다.
결과 · VLABench와 RoboMME 데이터셋을 사용한 실험 결과, 사고 과정 깊이, 모델 크기, 메모리 기록과 같은 다양한 컴퓨팅 자원 확장 방식이 각각 다른 종류의 능력 향상을 가져온다는 것을 발견했습니다. 또한, 실제 Franka 로봇 팔을 사용한 검증에서 DIRECT는 더 강력한 모델과 유사하거나 더 높은 성공률을 보이면서도 평균 지연 시간을 최대 65%까지 줄였습니다. 이는 무작정 컴퓨팅 자원을 늘리는 것이 낭비이며, DIRECT가 비용 효율적으로 최첨단 로봇 계획 능력을 제공할 수 있음을 보여줍니다.

로봇이 실제 환경에서 복잡한 작업을 수행하려면 효율적인 계획 능력이 필수적입니다. 이 연구는 제한된 자원 내에서 로봇의 성능을 극대화하고, 더 많은 로봇이 실제 환경에 배치될 수 있도록 하는 중요한 방법을 제시합니다.

이 기술은 제조, 물류, 서비스 로봇 등 다양한 분야에서 로봇의 자율성을 높이고 운영 비용을 절감하는 데 기여할 수 있습니다. 특히, 실시간 반응이 중요한 환경에서 로봇의 효율적인 의사결정을 가능하게 할 것입니다.

초록에는 명시적인 한계점이 언급되어 있지 않지만, 일반적으로 이러한 프레임워크는 훈련 데이터의 품질, 다양한 환경에 대한 일반화 능력, 그리고 복잡한 실시간 시나리오에서의 견고성 등이 추가적인 검증이 필요할 수 있습니다.

#로봇 계획#컴퓨팅 자원 할당#비전-언어 모델

arXiv 원문 보기 → Jadelynn Dao, Milan Ganai, Yasmina Abukhadra 외 · 2026-06-10 · arXiv:2606.12402

이 요약이 유용했나요?

※ 이 요약은 AI 보조로 생성하고 사람이 검수했습니다. 난이도·실생활 영향·톤은 본 사이트의 편집 의견이며, 정확한 내용은 반드시 원문(arXiv)을 확인하세요. 번역은 AI 기반으로 오역 가능성이 있습니다. 출처: arXiv (2606.12402).