디지털 트윈 기반 무선 인식 로봇 경로 계획을 위한 전략적 사고 사슬(SCoTT)

초록

본 논문은 디지털 트윈(DT)에서 제공되는 무선 히트맵과 레이 트레이싱 데이터를 활용해, 비전‑언어 모델(VLM)을 통해 평균 경로 이득과 이동 거리를 동시에 최적화하는 SCoTT 프레임워크를 제안한다. 전략적 체인‑오브‑쓰루(Strategic Chain‑of‑Thought) 프롬프트를 이용해 복잡한 탐색 문제를 단계별 서브태스크로 분해하고, 4종류의 VLM(Llama‑4‑Scout‑17B 등)으로 실험하였다. 결과는 DP‑WA가 제공하는 최적 경로 이득에 2% 이내로 근접하면서도 더 짧은 경로를 생성함을 보여준다. 또한 SCoTT의 중간 결과를 DP‑WA에 제공하면 탐색 공간을 62%까지 축소해 실행 시간을 크게 단축할 수 있다. ROS‑Gazebo 연동을 통해 실시간 적용 가능성도 검증하였다.

상세 분석

SCoTT는 무선‑인식 로봇 경로 계획이라는 다중 목표 최적화 문제를, 기존 알고리즘이 직면하는 “탐색 비용 폭증”과 “제약조건 처리 복잡성”이라는 두 축에 초점을 맞추어 해결한다. 먼저 논문은 무선‑인식 A의 두 변형을 제시한다. N‑WA는 경로 이득의 역수를 비용에 단순히 가중치로 더하는 방식으로, 무선 품질을 고려하지만 평균 이득 임계값을 명시적으로 강제하지 못한다. 반면 DP‑WA는 동적 프로그래밍을 이용해 모든 가능한 (위치, 누적 이득) 상태를 테이블에 저장하고, Bellman 방정식 기반의 비용‑투‑고(cost‑to‑go)를 역방향으로 계산한다. 이때 평균 이득 제약을 만족하지 못하는 상태는 사전 prune 규칙(식 9)으로 제외한다. DP‑WA는 최적성을 보장하지만, 격자 크기 N에 대해 O(N³) 시간·공간 복잡도를 가지므로 실시간 적용이 어려운 것이 단점이다.

SCoTT는 이러한 DP‑WA의 최적성은 유지하면서, VLM을 활용해 탐색 공간을 크게 축소한다. 핵심 아이디어는 “전략적 체인‑오브‑쓰루(SCoT) 프롬프트”이다. 모델에게 먼저 고수준 전략(예: “고이득 복도 식별”)을 제시하도록 요구하고, 그 전략에 따라 제한된 영역만을 대상으로 연쇄적인 사고 과정을 수행한다. 구체적으로 세 단계로 나뉜다. ① 시각 프롬프트를 통해 무선 히트맵에서 고이득 구간을 추출하고, 후보 웨이포인트 집합을 만든다. ② 후보 집합을 중심으로 검색 반경을 제한해 그래프를 재구성한다(검색 공간 축소). ③ 재구성된 그래프에 대해 정밀한 경로 이득 데이터를 사용해 DP‑WA와 유사한 비용‑투‑고 계산을 수행한다. 각 단계마다 모델이 자신의 판단 근거를 설명하도록 강제함으로써 hallucination을 크게 감소시켰으며, 멀티모달 입력(이미지 + JSON 형태의 정밀 이득값) 덕분에 컨텍스트 윈도우 초과 문제도 회피한다.

실험에서는 Llama‑4‑Scout‑17B, Llama‑3.2‑11B‑Vision, SmolVLM, Granite‑Vision‑3.2‑2B 네 모델을 대상으로 세 가지 시나리오(장애물 회피, 복잡한 무선 환경, 장거리 이동)를 평가했다. 모든 모델이 DP‑WA와 비교해 평균 경로 이득 차이가 2% 이하이며, 특히 작은 모델(SmolVLM)도 1.8% 이내의 차이로 충분히 경쟁력을 보였다. 경로 길이 측면에서는 SCoTT가 DP‑WA보다 평균 5~8% 짧은 경로를 제공했으며, 이는 고이득 구간을 효율적으로 활용한 결과로 해석된다. 또한 SCoTT의 1단계와 2단계 출력을 DP‑WA*의 초기 상태로 사용했을 때, 전체 탐색 시간은 최대 62% 감소했으며 메모리 사용량도 크게 줄어들었다.

ROS‑Gazebo 연동 실험에서는 SCoTT를 ROS 노드로 구현해 실시간으로 무선‑인식 경로를 생성하고 로봇에 전달했다. 시뮬레이션 결과, 로봇은 무선 신호 강도가 낮은 구역을 회피하면서도 목표 지점에 도달했으며, 프레임당 평균 추론 시간은 120ms 이하(대형 모델)와 45ms 이하(소형 모델)로 실시간 제어에 충분한 수준이었다.

마지막으로 논문은 6G 기반 DT 환경에서 VLM을 운영하기 위한 데이터 파이프라인(무선 레이 트레이싱 → 히트맵 이미지 → JSON)과 컴퓨팅 요구사항(GPU 메모리 12GB 기준, 추론당 전력 30W 이하) 등을 상세히 제시한다. 이는 향후 실제 현장에 VLM 기반 무선‑인식 경로 계획기를 배치할 때 실용적인 가이드라인을 제공한다는 점에서 의미가 크다.