DGIST와 KAIST 공동연구팀이 사람의 움직임 예측과 로봇 경로 계획을 함께 처리하는 소형 AI 학습법을 공개했습니다.
로봇은 보행자를 피하려면 앞선 움직임을 읽고, 동시에 자신의 안전한 길도 정해야 합니다.
문제는 이 두 판단을 한 모델에 넣을 때 서로의 학습이 방해할 수 있다는 점입니다.
3줄 요약
1. 소형 AI도 두 판단을 함께 처리합니다
2. DPT는 작업 간 학습 간섭을 줄입니다
3. 실제 로봇 적용은 앞으로 검증할 단계입니다
사람의 다음 움직임과 로봇의 길을 함께 계산합니다
사람이 많은 공간을 다니는 로봇에는 두 가지 판단이 동시에 필요합니다. 주변 사람이 어느 방향으로 움직일지를 예측해야 하고, 그 예측을 바탕으로 사람과 부딪히지 않을 이동 경로를 세워야 합니다. 한쪽만 제대로 해도 충분하지 않습니다. 사람의 움직임을 잘못 읽으면 경로가 위험해질 수 있고, 경로 계획이 부정확하면 예측 결과를 안전한 이동으로 연결하지 못합니다.
각 작업을 별도 AI 모델에 맡기면 계산 자원과 메모리가 더 필요해집니다. 실제 로봇에 여러 대형 모델을 싣기 어려운 이유입니다. 그래서 하나의 작은 모델에 예측과 계획 기능을 함께 담는 방식이 필요하지만, 이때 각 작업이 모델 내부의 같은 부분을 사용하며 서로 학습을 방해할 수 있습니다.
DGIST 연구팀은 이 현상을 스킬 충돌이라고 정의했습니다. 충돌 회피라는 바깥 목표를 위해 함께 작동해야 할 기능이, 모델 안에서는 서로 성능을 떨어뜨릴 수 있다는 뜻입니다.
분리해 학습한 뒤 필요한 부분만 합쳤습니다
연구팀이 제시한 방법은 분리형 파라미터 학습(DPT)입니다. 각 기능이 AI 내부에서 서로 다른 부분을 중심으로 학습하게 한 뒤, 기능별로 필요한 부분을 골라 하나의 모델로 합치는 방식입니다. 모델 크기를 크게 늘리지 않으면서도 예측과 경로 계획이 서로 간섭하는 문제를 줄이려는 설계입니다.
로봇 움직임 분야의 대표 데이터인 JRDB와 JTA를 활용한 검증에서, 연구팀은 기존 방식보다 주변 사람의 움직임 예측 정확도가 높아지고 로봇 경로 오차와 충돌 가능성이 낮아졌다고 밝혔습니다. 지디넷코리아 보도에 따르면 대표 통합 예측·계획 모델인 DTPP와 비교해 로봇 경로 평균 오차는 약 41.6%, 충돌률은 약 49.0% 감소했습니다. 사람 움직임 예측의 평균 오차도 약 33.7% 줄었다고 합니다.
이 수치는 연구팀의 비교 실험 결과입니다. 모든 실제 환경에서 같은 수준의 감소가 보장된 결과로 읽기보다, 작은 모델 안에서 두 작업을 함께 처리할 때의 간섭을 줄일 가능성을 보였다는 데 의미가 있습니다.
자율주행에도 적용 가능성을 확인했습니다
연구팀은 자율주행 AI에도 추가 실험을 했습니다. DPT와 희소 병합을 적용한 결과, 벤치2드라이브 평가에서 기존 HiP-AD 모델보다 주행 경로 완주율과 종합 주행 점수가 높아졌고, 계획 경로 평균 오차는 1.10m에서 0.99m로 낮아졌다고 전했습니다.
로봇신문은 이 기술이 로봇과 자율주행 등 피지컬 AI 분야에 활용될 가능성을 확인했다고 보도했습니다. 다만 박대희 DGIST 교수는 앞으로 실제 로봇에 적용해 활용 가능성을 검증할 계획이라고 밝혔습니다. 따라서 이번 성과는 현장 적용 완료 발표가 아니라, 소형 AI가 여러 판단을 맡을 때 생기는 내부 충돌을 줄이는 방법을 실험으로 제시한 단계입니다.
이번 연구에서 눈여겨볼 지점은 AI가 기능을 더 많이 갖추는 것만으로는 충분하지 않다는 사실입니다. 로봇이 사람 곁에서 안전하게 움직이려면 예측과 계획이 각각 잘 작동하는 데서 그치지 않고, 작은 장치 안에서도 두 기능이 서로 방해하지 않게 설계돼야 합니다. 연구 성과는 ECCV 2026에 채택됐으며, 학회는 9월 10일부터 12일까지 스웨덴 말뫼에서 열렸습니다.