로봇 AI

책상 위 물건을 정리해 달라는 말을 이해하는 것과 실제로 물건을 옮기는 것은 연결돼 있지만 같은 능력은 아닙니다. 어떤 물건을 어디에 둘지 고른 뒤에도 손이 닿는 범위, 잡을 수 있는 모양, 이동 중 충돌할 가능성도 따져야 합니다. VLA는 장면과 지시를 행동에 연결하는 접근이지만, 로봇의 몸과 작업 환경에서 생기는 물리적 제약까지 없애 주지는 않습니다. 따라서 같은 요청을 받은 두 로봇도 손의 형태나 가능한 동작에 따라 다른 방식으로 일을 수행할 수 있습니다. 여기서 제어 정책은 관측한 상태에 따라 어떤 행동을 선택할지 정하는 규칙을 뜻합니다. 유창한 설명을 들었을 때보다, 그 설명이 실제로 가능한 행동 선택과 어떻게 연결되는지를 볼 때 로봇 AI의 역할이 분명해집니다.

모방학습에서는 사람이 물체를 집어 옮기는 시연이 동작 학습의 출발점이 됩니다. 어떤 상태에서 어떤 동작을 했는지 배우기 때문에 처음부터 모든 움직임을 무작위로 찾을 필요를 줄일 수 있습니다. 강화학습은 행동 뒤의 결과를 보상으로 평가하며 더 나은 제어 정책을 찾는 방식입니다. 이때 무엇을 보상으로 삼는지가 중요합니다. 예를 들어 목표에 빨리 닿는 것만 높게 평가하면 물체를 부드럽게 내려놓는 능력은 충분히 학습되지 않을 수 있습니다. 두 방식 가운데 하나만 선택해야 하는 것은 아닙니다. 시연으로 익힌 동작을 출발점으로 삼고 결과를 이용해 개선할 수도 있습니다. 이 설명이 모든 VLA의 학습 절차를 뜻하는 것은 아니며, 논문마다 사용한 데이터와 학습 목표가 다릅니다.