로봇이 사람의 언어 지시를 받아 낯선 공간을 이동하는 시각-언어 내비게이션(Vision-Language Navigation, VLN) 과제에서, 별도의 재학습 없이 추론 시점에만 개입해 성능을 높이는 새로운 제어 기법이 공개됐다. 연구진은 이 기법을 ‘DART-VLN’으로 명명하고, 기존의 강력한 고정 백본 모델도 테스트 시점에 두 가지 흔한 실패 유형에 취약하다는 문제의식에서 출발했다고 밝혔다.
메모리 기반의 이산적(discrete) VLN 에이전트는 부분적으로만 관측 가능한 환경에서 행동해야 한다. 연구진이 지목한 두 가지 대표적 실패 유형은, 메모리를 읽어올 때 오래되고 낡은 과거 증거가 그대로 반영되는 문제와, 행동을 선택하는 과정에서 비효율적으로 국소적인 역추적(backtracking)이 반복되는 문제다.
DART-VLN은 이 두 문제에 각각 대응하는 두 가지 장치를 결합했다. 첫째는 ‘테스트타임 메모리 감쇠(Test-Time Memory Decay)’로, 저장된 내용 자체를 다시 쓰지 않으면서도 읽어오는 시점에 오래되고 중복된 증거의 가중치를 낮추는 방식이다. 둘째는 ‘역주행 방지 규제(Anti-Loop Regularization)’로, 행동 선택 과정에서 직전 위치로 즉시 되돌아가는 행동에 가벼운 페널티를 부과해 이를 억제한다. 두 장치 모두 새로운 학습 파라미터를 추가하지 않으며, 이미 학습된 백본 모델 자체는 그대로 둔다는 특징이 있다.
R2R과 REVERIE 두 벤치마크에서 진행한 실험에서 일관된 패턴이 확인됐다. 메모리 감쇠만 적용했을 때도 안정적인 성능 향상이 나타났고, 여기에 역주행 방지까지 함께 적용했을 때는 더 짧은 이동 경로, 더 낮은 실행 시간, 그리고 주요 설정에서 향상된 내비게이션 성능이라는 품질-효율의 최적 균형을 달성했다. 행동 분석 결과 역주행 방지 규제가 국소적인 역추적을 실제로 줄이고 경로 효율을 개선하는 것으로 확인됐다.
연구진은 이번 결과가 재학습 없이도 테스트 시점의 가벼운 제어만으로 메모리 기반 이산적 VLN을 더 신뢰할 수 있고 효율적으로 만들 수 있다는 점을 보여준다고 설명했다. 대규모 재학습 비용 없이 기존 모델의 실전 신뢰도를 개선할 수 있다는 점에서, 실제 로봇 배치 환경에 곧바로 적용할 수 있는 실용적 접근으로 평가된다.
