‘느린 뇌·빠른 다리’로 진화하는 배송로봇: UCLA·아마존·저장대, VLM이 길을 고른다

도심 보도를 달리는 배송로봇의 진짜 난관은 속도가 아니라 ‘어느 길로 갈지’를 순간적으로 옳게 고르는 판단력이다. UCLA·아마존·중국 저장대 공동 연구팀이 시각언어모델(VLM)을 실시간 경로 계획기에 보조 두뇌로 붙여 이 판단 오차를 크게 줄인 연구를 내놨다. 로봇신문이 7월 10일 전한 내용에 따르면, 연구팀은 성과를 출판 전 논문 사이트 아카이브(arXiv)에 ‘느린 뇌, 빠른 계획기(Slow Brain, Fast Planner): 지연에 강인한 VLM 증강 도심 내비게이션’이라는 제목으로 공개했다.

연구의 출발점은 기존 학습 기반 경로 계획기의 ‘선택 실패’ 문제였다. 계획기는 수많은 주행 후보 경로를 실시간으로 그려내지만, 교차로나 보행자를 마주치는 복잡한 상황에서는 후보군 안에 좋은 경로가 있는데도 점수를 잘못 매겨 엉뚱한 길을 고르곤 했다. 연구팀이 약 2000건의 주행 상황을 분석한 결과, 계획기가 ‘실제 고른 경로’와 ‘최적 경로’ 사이에 평균 1.25m의 변위 오차(ADE)가 났다. 후보는 충분한데 채점이 어긋나 성능을 까먹고 있었던 셈이다.

해법은 “똑똑하지만 느린” VLM을 조언자로만 얹는 이원(二元) 구조였다. 연구팀은 학습이 따로 필요 없는 ‘점수 융합(Score Fusion)’ 기법을 개발해, 챗GPT 같은 시각언어모델이 후보 경로 중 하나를 고른 결과를 실시간 경로 점수에 반영하도록 했다. 빠른 계획기가 다리를 움직이는 사이 느린 VLM이 큰 그림의 방향을 짚어주는 방식이다. 그 결과 까다로운 2000건의 상황에서 VLM이 개입한 경로는 계획기의 최선 선택 대비 평균 변위 오차를 30% 줄였고, 특히 교차로·보행자 마주침 같은 난도 높은 장면에서 효과가 두드러졌다.

실용성 측면에서 눈에 띄는 대목은 클라우드 VLM 특유의 지연을 견뎌냈다는 점이다. 연구팀은 4륜 배달 로봇으로 캠퍼스 보행로에서 실제 주행을 진행했는데, 클라우드 API(제미나이 2.5 플래시 라이트) 호출에 1.5~3초의 지연이 발생하는 환경에서도 시스템이 안정적으로 작동했다. 사람이 끼어들어 조작을 바로잡아야 하는 빈도도 기존 계획기 대비 크게 줄었다. 값비싼 온보드 대형 모델이나 대규모 재학습 없이, 기존 로봇에 API 한 줄을 얹는 식으로 ‘판단력 업그레이드’가 가능하다는 신호로 읽힌다.

이 접근은 라스트마일 배송·서비스 로봇 진영에 낙관적 함의를 던진다. 아마존이 저자 명단에 이름을 올린 점은 이 ‘느린 뇌·빠른 다리’ 설계가 순수 학술 호기심을 넘어 실제 배송 로봇의 상용 난제와 맞닿아 있음을 시사한다. 무학습·저비용으로 사람 개입을 줄이는 방향은 운영 인건비가 상용화의 최대 걸림돌인 보도 주행 로봇에 특히 매력적이다. 다만 아직 arXiv 사전공개 논문 단계이고 특정 캠퍼스 환경의 실험 결과인 만큼, 다양한 도심·기후·규제 환경에서의 재현성과 클라우드 지연·통신 두절 시 안전성은 추가 검증이 필요하다는 신중론도 함께 거론된다.

결국 이번 연구가 가리키는 것은 로봇의 ‘몸’보다 ‘길을 고르는 뇌’의 층에서 경쟁의 무게중심이 옮겨가고 있다는 점이다. 빠른 제어기와 느린 대형 모델을 역할 분담시키는 이원 두뇌 구조가 표준으로 자리 잡는다면, 배송·순찰·안내 로봇의 자율성은 하드웨어 교체 없이도 소프트웨어 갱신만으로 계단식으로 높아질 가능성이 거론된다.

※ 본 글은 정보 제공을 목적으로 하며, 특정 종목·기술에 대한 투자 권유가 아니다. 인용한 연구 수치는 사전공개 논문에 근거한 것으로 재현·검증이 진행 중이며, 판단과 책임은 독자 본인에게 있다.