듀얼 스탠스 협업 토론 기반 객체 내비게이션 DSCD‑Nav

초록

DSCD‑Nav는 동일한 관측과 후보 행동 집합을 두 개의 상반된 스탠스로 평가한다. 목표 진행을 중시하는 TSU와 안전·정보 가치를 강조하는 SIB가 서로 토론하고, NCA가 증거 기반으로 최종 행동을 중재한다. 마이크로‑프로빙을 통해 불확실성을 빠르게 검증함으로써 과신을 줄이고 탐색 효율을 높인다. HM3Dv1·v2·MP3D에서 성공률과 경로 효율이 향상된 것이 입증되었다.

상세 분석

본 논문은 실내 객체 탐색(ObjectNav)에서 기존의 “단일 스코어링” 방식이 초기에 높은 확신을 가지고 장기 오류를 일으키는 문제점을 정확히 지적한다. 특히, VLM·LLM 기반 에이전트가 후보 행동을 한 번만 평가하고 바로 실행하는 구조는 부분 관측(partial observability) 상황에서 위험도가 높다. DSCD‑Nav는 이러한 한계를 극복하기 위해 두 개의 독립적인 스탠스를 도입한다. 첫 번째 TSU(Task‑Scene Understanding) 스탠스는 목표 텍스트와 현재 장면 레이아웃을 결합해 “목표 진행도”를 정량화한다. 여기서는 방 구조, 객체‑방 관계, 흔히 나타나는 레이아웃 패턴(예: 침실에 침대가 있을 확률) 등을 활용해 후보 행동 중 목표에 가장 가까워 보이는 방향을 제시한다. 두 번째 SIB(Safety‑Information Balancing) 스탠스는 목표와 무관하게 “안전성”과 “정보 가치”를 평가한다. 충돌 위험, 시야 가림 정도, 새로운 시점 확보 가능성 등을 기준으로 후보 행동을 재검토하고, 필요 시 TSU의 제안을 반박(counter)한다.

두 스탠스는 동일한 후보 행동 카드(C_t)를 공유하며, 각 라운드마다 자연어 형태의 증거(evidence)와 이유(why)를 교환한다. 이 과정은 베이지안식 믿음 업데이트를 추상화한 형태로 구현되며, 실제 업데이트는 LLM 프롬프트를 통해 암묵적으로 수행된다. 증거는 “지원(support)”과 “반박(attack)” 두 종류로 구분되고, 관계 집합 R(k)로 정리된다. R(k)의 지원 비중이 클수록 두 스탠스는 수렴하고, 반박이 지속되면 NCA가 개입한다.

NCA(Navigation Consensus Arbitration)는 두 스탠스의 이유와 증거를 종합해 최종 행동을 선택한다. 여기서는 목표 진행, 안전성, 정보 가치에 가중치를 부여한 다목적 점수 함수를 사용한다. 특히, 두 스탠스가 서로 다른 후보를 제시하지만 방향 차이가 작을 경우(θ 차이 ≤ 일정 임계값) “마이크로‑프로빙(micro‑probing)”을 트리거한다. 마이크로‑프로빙은 짧은 거리·소각 회전(step‑probing)으로 후보 행동을 실제로 시험해 보고, 그 결과를 즉시 NCA에 피드백한다. 이 메커니즘은 과신을 억제하고, 불확실성을 빠르게 해소함으로써 탐색 중 불필요한 반복과 충돌을 크게 감소시킨다.

실험은 HM3Dv1, HM3Dv2, MP3D 세 데이터셋에서 수행되었으며, DSCD‑Nav는 기존 VLM 기반 베이스라인 대비 Success Rate(성공률)와 SPL(Shortest Path Length)에서 평균 4~7%p 상승을 기록했다. 또한, 평균 탐색 거리와 충돌 횟수가 감소해 효율성과 안전성이 동시에 개선된 것을 확인했다. 중요한 점은 DSCD‑Nav가 후보 행동 생성기나 비전 모듈을 변경하지 않고, 오직 의사결정 레이어에 래퍼만 추가함으로써 “플러그‑앤‑플레이” 방식으로 기존 파이프라인에 적용 가능하다는 것이다.

이 논문의 핵심 기여는 (1) 목표 진행과 안전·정보를 명시적으로 분리한 두 스탠스 설계, (2) 자연어 기반 증거 교환을 통한 협업 토론 메커니즘, (3) 불확실성 해소를 위한 마이크로‑프로빙을 포함한 증거‑중심 중재기(NCA) 구현이다. 이러한 설계는 로봇 내비게이션뿐 아니라, 다른 연속적 의사결정 문제(예: 로봇 매니퓰레이션, 자율 주행)에서도 과신을 억제하고 해석 가능성을 높이는 일반적인 프레임워크로 확장 가능하다.