엔비디아가 미시간대·일리노이대 어바나섐페인·UC버클리·카네기멜론대 연구진과 함께 로봇이 스스로 학습을 축적하는 프레임워크 ‘어스파이어(ASPIRE)’를 공개했다. 반복적 로봇 탐색을 통한 에이전트형 스킬 프로그래밍(Agentic Skill Programming through Iterative Robot Exploration)의 약자인 이 프레임워크는 로봇 제어 프로그램을 작성하고 수정하는 과정에서 검증된 해결책을 재사용 가능한 ‘스킬 라이브러리’로 계속 쌓아가는 지속 학습 체계다.
어스파이어는 세 가지 구성요소로 자가개선 메커니즘을 구현한다. 먼저 중앙 코디네이터가 공유 스킬 라이브러리를 관리하며 여러 액터 코딩 에이전트에 작업을 배분하는데, 이때 에이전트들은 전체 대화 기록이 아니라 압축된 형태의 ‘증류된 스킬(distilled skills)’만 주고받아 정보 전달 효율을 높인다. 또한 기존 시스템이 작업의 성공·실패라는 거친 신호만 남기던 것과 달리, 지각·계획·제어 각 단계의 입출력과 이미지 키프레임, 파지 후보 등을 세밀하게 기록하는 폐루프 실행 엔진을 도입해 실패 원인을 정확히 짚어낼 수 있게 했다. 검증된 수정사항은 실패 신호와 적용 조건, 복구 전략, 코드 스케치를 포함한 압축된 형태로 저장돼, 같은 실패가 반복되지 않도록 매 라운드마다 여러 후보 프로그램을 동시에 제안하는 방식으로 탐색이 이뤄진다.
연구진은 로봇 조작 벤치마크 LIBERO-Pro의 장기 과제(Long Tasks)에서, 사전에 별도 학습 없이 기존에 축적한 스킬만으로 대응하는 제로샷 방식으로 31%의 성공률을 기록했다고 밝혔다. 이는 기존 방법(약 4%)보다 크게 앞선 수치다. LIBERO-Pro 전체 과제에서는 어스파이어가 72%를 기록해 기존 CaP-Agent0 방식의 18%를 크게 웃돌았고, 로보수트(Robosuite)의 양팔 핸드오버 과제에서는 성공률이 20%에서 92%로, BEHAVIOR-1K의 라디오 픽업 과제에서는 56%에서 88%로 각각 개선됐다.
연구진은 시뮬레이션에서 축적한 스킬을 실제 양팔 로봇 ‘YAM’에 적용하는 실물 전이 실험도 진행했다. 그 결과 소다캔을 들어올리는 과제는 20회 중 13회 성공에서 19회 성공으로 늘었고, 이 과정에서 사용한 토큰 수는 약 10분의 1로 줄었다. 서랍 열기 과제는 20회 중 0회에서 11회로 향상됐다. 엔비디아가 로봇 기능안전 풀스택 플랫폼 헤일로스를 공개한 데 이어 나온 이번 연구는, 로봇이 스스로 실패를 분석하고 스킬을 축적해 새로운 과제에 적용하는 지속 학습 능력을 실증했다는 점에서 의미가 있다.
