로봇 AI모델 동시 학습 방법 개발…"스킬 충돌 해결했다"
로봇에 탑재하는 작은 AI모델은 2개의 학습을 동시에 수행할 경우 성능이 떨어지는 현상이 발생한다. 서로 다른 작업의 학습법이 모델 내부에서 충돌하기 때문이다. DGIST는 박대희 전기전자컴퓨터공학과 교수 연구팀이 KAIST 연구팀과 공동으로, 주변 사람들의 움직임 예측과 로봇의 안전한 이동 경로 계획을 하나의 소형 AI 모델에서 동시에 수행하면서도 두 작업의 성능 저하를 줄이는 학습 방법을 개발했다고 10일 공개했다. 연구 성과는 컴퓨터비전 분야 세계 3대 국제학회 중 하나인 'ECCV 2026'에 채택, 발표된다. 이 학회는 오는 12일까지 스웨덴 말뫼에서 열린다. 사람이 많은 곳을 이동하는 로봇은 주변 사람들의 향후 이동경로를 예측하는 동시에, 충돌을 피할 수 있는 안전한 이동 경로를 계획해야 한다. 두 작업을 각각 별도의 AI 모델로 수행하면 더 많은 연산 자원과 메모리가 필요해 실제 로봇에 탑재하기에는 부담이 크다. 특히, 여러 기능을 하나의 모델에 담으면, 각 기능이 모델 내부의 같은 영역을 사용하면서 서로 간 학습을 간섭하고 성능을 떨어뜨린다. 연구팀은 실제 움직임 예측과 경로 계획 사이에서 나타나는 간섭 현상을 '스킬 충돌'이라고 정의하고, 실제 실험을 통해 확인했다. 연구팀은 이를 '분리형 파라미터 학습(DPT)' 방법으로 해결했다. 각 기능에 꼭 필요한 부분만 골라 하나의 모델로 합쳐, 모델 크기는 작게 유지하면서 두 기능이 서로 방해하지 않고 함께 작동하도록 설계했다. 로봇 움직임 분야의 대표 데이터(JRDB, JTA)로 성능을 검증한 결과, 기존 방식보다 주변 사람들의 움직임을 더 정확하게 예측하고 로봇의 이동 경로 오차와 충돌 가능성도 낮춘 것으로 나타났다. 자율주행 AI에 적용한 추가 실험에서도 성능이 향상돼, 향후 로봇과 자율주행 등 다양한 피지컬 AI 분야에 활용될 가능성을 확인했다. 기존의 대표적인 통합 예측·계획 모델인 'DTPP'와 비교하면 로봇 경로의 평균 오차는 약 41.6%, 충돌률은 약 49.0%, 주변 사람의 움직임을 예측하는 평균 오차는 약 33.7% 감소했다. 추가 실험에서는 여러 판단을 동시에 수행하는 엔드투엔드 자율주행 모델에 DPT와 희소 병합을 적용한 결과 벤치2드라이브 평가에서 기존 'HiP-AD' 모델과 비교해 주행 경로 완주율과 종합 주행 점수가 향상됐다. 계획 경로의 평균 오차는 1.10m에서 0.99m로 감소했다. 박대희 교수는 "보행자와 함께 이동하는 로봇뿐만 아니라 인식과 예측 및 주행 계획을 함께 수행하는 자율주행 AI에도 적용될 수 있다"며 "앞으로 실제 로봇에 적용해 활용 가능성을 검증할 계획”이라고 밝혔다. 연구는 서태원 DGIST 석사과정생과 전선애 학부연구생이 참여했다.
