LLM 기반 어포던스와 부분 세계 모델링

초록

본 논문은 대형 언어 모델(LLM)을 어포던스 판단기와 부분 세계 모델로 활용하는 이론적·실험적 프레임워크를 제시한다. 다중 과제 환경에서 에이전트가 언어로 정의된 목표(인텐트)를 달성하려면, 해당 인텐트를 만족시키는 상태‑행동 쌍(어포던스)만을 모델링하면 충분함을 정리와 정리 1·2를 통해 증명한다. LLM은 이러한 어포던스를 추론하고, 제한된 상황에서만 전이 모델을 제공함으로써 탐색 비용을 크게 낮춘다. 테이블탑 로봇 실험에서 제안 방법은 브랜칭 팩터를 감소시키고, 전통적인 전체 세계 모델 대비 높은 누적 보상을 얻었다.

상세 분석

이 논문은 크게 네 가지 핵심 기여를 가진다. 첫째, 기존 어포던스 연구를 다중 과제(Multi‑Task) 설정으로 일반화한다. 에이전트의 내재적 역학에 기반한 ‘과제‑불변 인텐트(task‑agnostic intents)’와 환경·과제에 특화된 ‘과제‑특정 인텐트(task‑specific intents)’를 구분하고, 이 두 축을 연결하는 어포던스 집합을 정의한다. 여기서 어포던스는 상태‑옵션 쌍 (s, o) 로서, 정의된 인텐트가 사전 정해진 허용 오차 ζ 이하로 실제 전이와 일치할 확률이 높은 경우에만 포함된다.

둘째, 정리 1을 통해 “언어‑조건부 인텐트를 달성하는 에이전트는 반드시 부분 세계 모델을 내재한다”는 것을 증명한다. 이는 인텐트가 확률적 궤적 분포 Iₒ(s, τ) 로 표현되고, 실제 전이 P_truth와의 거리 d가 ζ 이하인 경우에만 어포던스로 인정되므로, 에이전트는 어포던스에 해당하는 (s, o) 에 대해서만 정확한 전이 모델 ˆP(s′|s, o)를 필요로 한다는 논리적 귀결을 만든다.

셋째, 정리 2에서는 이러한 부분 모델이 탐색 효율성을 ‘지수적으로’ 향상시킨다는 것을 보인다. 구체적으로, 어포던스가 존재하는 영역만을 대상으로 샘플링하면 전체 상태‑행동 공간에 대한 호출 수 O(|S|·|O|) 가 O(|AF|) 로 감소하고, 이는 Monte‑Carlo Tree Search와 같은 플래너의 복잡도를 크게 낮춘다.

넷째, 실험적 검증에서는 테이블탑 로봇 환경에서 5가지 변형 과제(블록 정렬, 색상 분류, 상자 넣기 등)를 설정하고, 사전 학습된 GPT‑4 기반 LLM을 어포던스 판별기와 전이 예측기로 사용하였다. LLM은 텍스트 기반 상황 설명을 입력받아 “이 상태에서 pick‑up‑red‑block 옵션이 어포던스인지”를 판단하고, 어포던스가 확인된 경우에만 ˆP를 호출한다. 결과적으로 브랜칭 팩터가 평균 62 % 감소했으며, 누적 보상은 전통적인 전체 세계 모델 대비 18 % 상승했다.

이 논문의 강점은 (1) LLM을 직접적인 전이 모델이 아니라 ‘조건부 필터’로 활용함으로써 비용을 절감하고, (2) 다중 과제 설정에서 어포던스의 분포‑강건성을 정량화한 점이다. 특히, ζ‑어포던스와 분포‑강건 어포던스를 구분함으로써, 에이전트가 새로운 과제에 직면했을 때도 기존 어포던스 지식을 재사용할 수 있는 메커니즘을 제공한다.

하지만 몇 가지 한계도 존재한다. 첫째, LLM의 텍스트‑투‑시뮬레이션 변환 과정에서 발생하는 ‘프롬프트 엔지니어링’ 비용이 명시되지 않아 실제 시스템 적용 시 추가적인 오버헤드가 예상된다. 둘째, 인텐트 만족도 ζ 를 어떻게 설정하고, 실제 로봇 센서 노이즈와 어떻게 매핑할지에 대한 실험적 가이드라인이 부족하다. 셋째, 현재 실험은 비교적 단순한 테이블탑 도메인에 국한되므로, 고차원 연속 제어나 복합 물리 시뮬레이션에 대한 일반화 가능성은 추가 검증이 필요하다.

전반적으로 이 논문은 LLM을 ‘전지전능한 세계 모델’로 보는 기존 패러다임을 비판하고, 어포던스 기반 부분 모델링이라는 실용적 대안을 제시한다는 점에서 학계·산업 모두에 의미 있는 인사이트를 제공한다.