대규모 언어 모델과 다목적 블랙박스 최적화를 활용한 효율적인 로봇 설계

초록

**
본 논문은 로봇 본체 설계 문제에 다목적 블랙박스 최적화와 대규모 언어 모델(LLM)을 병행 적용하여 샘플링 효율을 높이는 새로운 프레임워크를 제안한다. 설계 변수(관절 종류·각도·링크 길이·베이스 위치)를 정의하고, 위치 오차와 관절 토크 두 목표를 최소화하는 파레토 최적해를 탐색한다. LLM은 문제 설정과 이전 솔루션 피드백을 기반으로 새로운 설계 후보를 생성하고, TPE 기반 블랙박스 최적화와 일정 비율로 결합한다. 실험 결과, 순수 BBO 대비 하이퍼볼륨이 크게 향상되어 탐색 효율이 증명되었다.

**

상세 분석

**
이 연구는 로봇 설계 최적화에서 흔히 마주치는 연속·이산 변수 혼합, 다목적 목표라는 복합성을 해결하기 위해 두 가지 상보적인 방법을 동시에 활용한다. 첫 번째 축은 전통적인 블랙박스 최적화(BBO)이며, 여기서는 Optuna 라이브러리의 Tree‑Structured Parzen Estimator(TPE)를 사용한다. TPE는 베이지안 최적화 기반으로, 연속형 파라미터와 정수형 파라미터를 모두 효율적으로 다룰 수 있으며, 특히 1,000 이하의 샘플에서도 비교적 안정적인 파레토 전선을 탐색한다는 장점이 있다. 두 번째 축은 대규모 언어 모델(LLM)이다. LLM은 In‑context Learning을 통해 “프롬프트‑피드백‑출력” 루프를 구성한다. 구체적으로, 설계 변수와 목표 위치를 포함한 문제 정의를 프롬프트에 삽입하고, 현재까지 얻어진 파레토 솔루션과 전체 샘플 중 무작위 선택된 사례들을 피드백으로 제공한다. LLM은 이러한 정보를 바탕으로 새로운 설계 파라미터(관절 타입, 각도, 링크 길이, 베이스 좌표)를 텍스트 형태로 생성한다. 생성된 텍스트는 파싱되어 후보 해로서 BBO의 샘플링 풀에 삽입된다.

핵심 아이디어는 LLM이 인간 디자이너가 수행하는 “아이디어 발산” 단계와 유사하게 넓은 설계 공간을 빠르게 탐색하고, BBO가 그 후보들을 정밀하게 미세조정한다는 점이다. 이를 통해 샘플링 효율이 크게 향상된다. 논문은 LLM 샘플링 비율(예: 전체 샘플 중 20 %를 LLM이 생성)과 프롬프트 설계(예: 피드백 예시 수, 설명 수준)의 변화가 최적화 성능에 미치는 영향을 실험적으로 분석한다.

목표 함수는 두 개의 정량적 지표로 구성된다. 첫 번째는 목표 위치와 실제 엔드 이펙터 위치 사이의 유클리드 거리(E_pos)이며, 두 번째는 중력 보상 토크의 제곱합에 스케일링 계수 α(=40)를 곱한 값(E_torque)이다. 두 목표를 동시에 최소화함으로써 파레토 전선을 형성하고, 하이퍼볼륨(E_hv) 지표를 통해 탐색 진행 상황을 정량화한다. 하이퍼볼륨은 파레토 점들과 기준점(5.0, 5.0) 사이의 면적을 측정하므로, 값이 클수록 더 넓은 영역의 우수한 솔루션을 확보했음을 의미한다.

실험은 3개의 서로 다른 목표 위치 집합(Target‑1, 2, 3)을 사용해 수행되었다. 각 실험에서 총 1,000회의 샘플링을 진행했으며, LLM 샘플링 비율을 0 % → 30 %까지 변화시켜 성능 차이를 관찰했다. 결과는 LLM 비율이 10 %~20 %일 때 하이퍼볼륨이 가장 크게 증가했으며, 과도한 LLM 비율(>30 %)에서는 BBO의 정밀 조정 능력이 감소해 최종 파레토 품질이 다소 저하되는 현상이 나타났다. 또한, 프롬프트에 포함된 피드백 예시 수가 많을수록 LLM이 생성하는 후보의 품질이 향상되는 경향이 있었지만, 지나치게 긴 프롬프트는 토큰 제한과 비용 문제를 야기한다.

한계점으로는 (1) LLM이 생성하는 설계가 물리적 제약(예: 충돌 회피, 관절 속도 제한)을 완전히 반영하지 못할 수 있다는 점, (2) 현재 사용된 LLM이 비용·응답 시간 측면에서 실시간 설계 루프에 적용하기엔 아직 부담이 크다는 점, (3) 피드백 설계가 경험에 크게 의존한다는 점을 들었다. 향후 연구에서는 물리 엔진과의 연동을 통한 제약 검증, 경량화된 로컬 LLM 활용, 자동 프롬프트 최적화 기법 등을 제안한다.

**