소형 언어 모델로 구현한 초고속 행동 트리 생성기 BTGenBot‑2

초록

BTGenBot‑2는 1 B 파라미터 규모의 오픈소스 소형 언어 모델을 활용해, 자연어 명령과 로봇 액션 프리미티브를 바로 ROS2‑호환 XML 행동 트리(Behavior Tree)로 변환한다. 제로‑샷 및 원‑샷 상황에서 각각 90.38 %와 98.07 %의 성공률을 기록했으며, 기존 7 B BTGenBot 대비 최대 16배 빠른 추론 속도를 제공한다. 또한 합성 데이터 5 204쌍을 기반으로 QLoRA 방식으로 효율적으로 파인튜닝했으며, 추론‑시와 실행‑시 오류를 자동 검증·복구하는 두 단계의 오류 처리 메커니즘을 도입했다. 52개의 시뮬레이션 과제와 실제 로봇 실험을 포함한 표준 벤치마크에서 GPT‑5, Claude Opus 4.1 등 대형 모델을 모두 앞섰다.

상세 분석

본 논문은 로봇 행동 계획 분야에서 “대형 LLM 의존 → 현장 적용 불가”라는 구조적 한계를 정확히 짚고, 이를 해결하기 위한 세 가지 핵심 전략을 제시한다. 첫째, 모델 규모를 1 B 파라미터로 제한하면서도 최신 오픈소스 SLM(Llama‑3.2‑1B‑Instruct)을 기반으로 QLoRA(Quantized LoRA) 파인튜닝을 적용했다. QLoRA는 전체 파라미터를 동결하고 LoRA 어댑터만 학습함으로써 메모리 사용량을 크게 낮추고, 48 GB VRAM을 갖춘 RTX 6000 두 대로 30시간 내에 학습을 마칠 수 있게 했다. 이는 기존 7 B 모델을 학습·추론하기 위해 요구되는 수백 GB GPU 메모리와 비교해 현저히 효율적이다.

둘째, 데이터 구축 단계에서 기존 TSE 데이터셋(≈600개 BT)을 출발점으로 삼아, GPT‑4o‑mini를 이용해 3배씩 변형하고, 다시 변형된 BT에 대해 추가 변형을 수행해 총 5 204개의 고품질 (XML 스키마 검증·액션 프리미티브 일치) 쌍을 만든 점이 주목할 만하다. 이 과정은 “합성 데이터 → 품질 저하” 위험을 최소화하기 위해 nucleus sampling(top‑p = 0.99)과 실행 가능한 액션 노드 고정이라는 제약을 두어, 실세계 로봇 API와의 호환성을 유지했다.

셋째, 오류 처리 메커니즘을 두 단계로 설계했다. 추론 시에는 XML 파싱과 사전 정의된 YAML 기반 액션 vocab을 이용해 형식·내용 오류를 즉시 탐지하고 재생성을 트리거한다. 실행 시에는 BT 실행 로그와 블랙보드 상태를 실시간 모니터링해 실패 노드를 식별하고, 해당 서브트리를 자동 재생성하거나 대체 플래시백(Decorator)으로 교체한다. 이러한 “인-루프” 복구는 기존 연구가 주로 사후 인간 개입에 의존했던 점을 크게 개선한다.

성능 평가에서는 52개의 네비게이션·조작 과제를 난이도별(쉬움·보통·어려움)로 구분한 표준 벤치마크를 제시하고, 기능적 지표(성공률, 실행 시간)와 비기능적 지표(메모리 사용량, 추론 지연)를 모두 측정했다. 결과는 BTGenBot‑2가 제로‑샷에서 90.38 %의 성공률을 보이며, GPT‑5(≈78 %)와 Claude Opus 4.1(≈73 %)을 크게 앞섰다. 원‑샷에서는 98.07 %까지 상승했으며, 평균 추론 시간은 기존 7 B BTGenBot 대비 0.6 s에서 0.04 s로 16배 가속되었다. 또한, 실제 ROS2 기반 로봇(다중 모듈 모바일 매니퓰레이터)에서 실시간 실행 테스트를 수행했을 때, 메모리 사용량이 2 GB 이하로 유지돼 저전력 임베디드 보드에서도 구동 가능함을 입증했다.

이 논문이 제공하는 주요 인사이트는 다음과 같다. (1) 소형 모델이라도 고품질 합성·실제 데이터와 효율적인 파인튜닝 기법을 결합하면 대형 모델과 동등하거나 우수한 로봇 계획 성능을 달성할 수 있다. (2) 행동 트리와 같은 구조화된 출력 형식은 사전 정의된 스키마와 검증 로직을 통해 LLM의 “환상”(hallucination) 문제를 효과적으로 억제한다. (3) 오류 검출·복구를 모델 내부와 실행 환경 양쪽에 배치함으로써, 완전 자동화된 로봇 시스템에서도 높은 신뢰성을 확보한다. 향후 연구는 (a) 멀티모달 입력(비전·포스 센서)과의 통합, (b) 온라인 지속 학습을 통한 도메인 적응, (c) 다른 로봇 프레임워크(ROS 1, MoveIt)와의 호환성 확대 등을 통해 BTGenBot‑2의 적용 범위를 넓히는 방향으로 진행될 것으로 기대된다.