DGIST, 예측과 경로계획 한 모델에 담는 학습법 개발

사람이 많은 곳을 다니는 로봇은 주변 사람들이 앞으로 어디로 갈지 예측하면서, 동시에 부딪히지 않는 경로를 스스로 짜야 한다. 두 일을 각각 다른 AI 모델로 맡기면 연산 자원과 메모리 부담이 커서 실제 로봇에 얹기 어렵다. 그래서 하나의 작은 모델이 두 일을 함께 하도록 만드는 기술이 필요하다.

DGIST(총장 이건우)는 전기전자컴퓨터공학과 박대희 교수 연구팀이 KAIST 연구팀과 공동으로 이 문제를 다룬 학습 기술 '분리형 파라미터 학습(Disjoint Parameter Training, DPT)'을 개발했다고 9월 11일 밝혔다. 연구 성과는 컴퓨터비전 분야 주요 국제학회인 'ECCV 2026'에 채택돼 9월 10~12일 스웨덴 말뫼에서 열린 학회에서 발표됐다.

한 모델에 기능을 여럿 넣으면 서로 방해한다

여러 기능을 한 모델에 담으면 각 기능이 모델 내부의 같은 영역을 사용하면서 서로의 학습을 간섭하고 성능을 떨어뜨릴 수 있다. 연구팀은 움직임 예측과 경로 계획 사이에서 나타나는 이 현상을 '스킬 충돌(Skill Conflict)'로 정의하고 실험으로 영향을 확인했다. 움직임 예측은 주변 사람들의 행동과 의도를 세밀하게 봐야 하고, 경로 계획은 로봇 자신의 안전과 이동 가능성을 먼저 따져야 하는 등 필요한 정보가 서로 다르기 때문이다.

DPT는 학습 과정에서 두 기능에 필요한 모델 내부 영역이 겹치지 않도록 나눈 뒤, 각 기능에 중요한 영역을 단계적으로 찾아 학습한다. 학습이 끝나면 각 기능에서 변화가 큰 핵심 부분만 골라 하나로 합치는 '희소 병합(Sparse Merging)'을 적용한다. 모델 크기는 작게 유지하면서 두 기능의 고유한 능력을 남기려는 설계다.

경로 오차 41.6%, 충돌률 49.0% 감소

연구팀은 실내외 실제 환경에서 수집한 JRDB와 대규모 가상 보행 환경인 JTA로 성능을 검증했다. JRDB에서 기존 대표적 통합 예측·계획 모델인 DTPP와 비교한 결과, 로봇 경로의 평균 오차는 약 41.6%, 충돌률은 약 49.0%, 주변 사람의 움직임 예측 평균 오차는 약 33.7% 줄었다. JTA에서도 DPT를 적용하면 여러 모델 결합 방식의 예측·계획 성능이 전반적으로 올라갔다.

여러 판단을 한 번에 수행하는 엔드투엔드(입력부터 최종 행동까지 하나로 처리하는 방식) 자율주행 모델에 적용한 추가 실험도 진행했다. Bench2Drive 평가에서 기존 HiP-AD 모델보다 주행 완주율과 종합 주행 점수가 올랐고, 계획 경로의 평균 오차는 1.10m에서 0.99m로 줄었다.

박대희 교수는 "로봇이나 자율주행처럼 실제 공간에서 움직이는 AI는 제한된 컴퓨터 자원으로 여러 판단을 동시에 내려야 한다"며 "이번 연구는 여러 기능을 하나의 작은 AI에 담을 때 발생하는 성능 저하 문제를 해결한 것으로, 앞으로 실제 로봇에 적용해 활용 가능성을 검증할 계획"이라고 밝혔다.

연구에는 DGIST 서태원 석사과정생과 전선애 학부연구생이 참여했고, 박대희 교수가 교신저자를 맡았다. 논문 제목은 'Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training'이며, NVIDIA Academic Hardware Grant Program의 지원을 받아 수행됐다.

자료: DGIST