기억에서 정보 찾아 명령 수행 작성일 10-26 41 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">ETRI·GIST, 씬쿼리플래너 개발<br>기억해 행동하는 AI 에이전트 기술</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="8lfC1GLxDr"> <figure class="figure_frm origin_fig" contents-hash="e0c6fc97ddbaf002bc2b1071d63377331ec7925ff439567555cb34b6d9c51aeb" dmcf-pid="6S4htHoMmw" dmcf-ptype="figure"> <p class="link_figure"><img alt="최재우 전자통신연 선임연구원이 로봇이 씬쿼리플래너 기술로 저장된 기억에서 필요한 정보를 찾아 행동을 결정하는 과정을 설명하고 있다. 한국전자통신연구원 제공" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/26/daejonilbo/20261026162224027denr.jpg" data-org-width="1280" dmcf-mid="4BcuPVvmIm" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/26/daejonilbo/20261026162224027denr.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 최재우 전자통신연 선임연구원이 로봇이 씬쿼리플래너 기술로 저장된 기억에서 필요한 정보를 찾아 행동을 결정하는 과정을 설명하고 있다. 한국전자통신연구원 제공 </figcaption> </figure> <p contents-hash="02961344e0c03e1b83eee9527476ab77d71b4d0d922e4c69c5c84506204b526d" dmcf-pid="Pv8lFXgRDD" dmcf-ptype="general">주변 환경을 기억해 명령을 수행하는 로봇 인공지능(AI)이 개발됐다. 앞으로 가정·서비스 로봇에 활용될 것으로 기대를 모은다.</p> <p contents-hash="b4cbf35aa2c1b6d7fca7c86a3ea0acd2b6a10c511e0a8d5a521117bb4dfbbccc" dmcf-pid="QT6S3ZaemE" dmcf-ptype="general">한국전자통신연구원(ETRI)·광주과학기술원(GIST) 공동 연구진은 주변 환경을 관측해 저장하고, 명령을 받으면 저장한 기억을 조회해 작업을 수행하는 새로운 AI 에이전트 기술 '씬쿼리플래너(SceneQueryPlanner)'를 개발했다고 26일 밝혔다.</p> <p contents-hash="bf6b32b91aed570e4b0797a1f80c7cc0387408f7fd82bbd79b48c48447af82b2" dmcf-pid="xyPv05NdEk" dmcf-ptype="general">기존 AI 에이전트는 관측한 환경정보를 긴 문장으로 한꺼번에 전달받는 방식이어서 정보가 쌓일수록 정작 필요한 내용이 묻히는 한계가 있었다.</p> <p contents-hash="cd9fb7c04c08346ebc9e1cae50c1e650da4785fa3a25fc09dd7bec453e92c201" dmcf-pid="yxvPNn0HEc" dmcf-ptype="general">공동 연구진이 개발한 '씬쿼리플래너'는 로봇이 관측한 방과 가구, 물체의 위치와 속성 등을 '3차원 장면 그래프(3D Scene Graph)' 형태로 저장하는 기술을 갖췄다.</p> <p contents-hash="a7b0cd953f4c7479e4378cb25409653809368e5f41ab16104018e949200abff6" dmcf-pid="WMTQjLpXDA" dmcf-ptype="general">이 기술은 주변 환경을 입체 지도처럼 입력해 물체의 재질과 열림·닫힘, 켜짐·꺼짐 등의 상태를 기억하고 새로운 정보를 관측할 때마다 내용이 갱신된다.</p> <p contents-hash="cc611d461aa09032d529c359d381137985496c2808a903e19f06c83ccdf87177" dmcf-pid="YRyxAoUZrj" dmcf-ptype="general">연구진은 저장된 기억을 쓰는 방식도 개선했다.</p> <p contents-hash="307d29bc70235d6296fa9994003e6b585c15b86201054c80b10189f7c426cd50" dmcf-pid="GeWMcgu5wN" dmcf-ptype="general">씬쿼리플래너는 로봇이 직접 움직이고 살펴보며 주변을 확인하는 '환경 그라운딩(Environment Grounding)'과 저장해 둔 기억에서 지금 필요한 정보만 골라 찾아보는 '메모리 그라운딩(Memory Grounding)'을 함께 사용한다.</p> <p contents-hash="95e02324265d1442402ed7081d5b86aa103b5beee0bf24d498d95393ea06687d" dmcf-pid="HLZircb0Oa" dmcf-ptype="general">이를 통해 모든 기억을 한꺼번에 읽는 대신 현재 작업에 필요한 물체의 속성이나 위치관계 등을 선택적으로 조회해 '무엇을 할지'뿐 아니라 '무엇을 더 확인할지'도 스스로 계획한다.</p> <p contents-hash="689241da4b6e85c0f32af3bb0dcd251285ae6c3ad760807c9c103069be869f4d" dmcf-pid="Xo5nmkKpDg" dmcf-ptype="general">씬쿼리플래너 기술을 장착한 로봇은 '식탁 위 유리컵은 선반에, 플라스틱 컵은 캐비닛에 정리해 줘'라는 명령을 받고 먼저 식탁 위의 컵들을 확인한 뒤 기억에서 각 컵의 재질 정보를 조회하고 유리컵과 플라스틱 컵을 구분해 각각 지정된 장소로 옮겼다.</p> <p contents-hash="1262fd74dd2c514a333501b2e54311996df46cb4ba92bb02a3a3b17cda3b2d71" dmcf-pid="Zg1LsE9Umo" dmcf-ptype="general">연구진은 씬쿼리플래너 기술 성능을 검증하기 위해 복잡한 가정환경에서 AI의 작업 수행능력을 평가하는 '앳플랜-벤치(AttPlan-Bench)'도 개발했다.</p> <p contents-hash="99bc3a0c099a86e8c52ff39a5c8c0f91a73bc154e52ef41d9bb1fdda93f0ec30" dmcf-pid="5atoOD2uIL" dmcf-ptype="general">여러 방을 이동하며 물건을 옮기고, 데우거나 식히고, 청소하고, 기기를 켜고 끄는 등 10가지 유형의 복합작업이 포함됐다. 특히 재질과 상태, 위치 관계를 활용해야 하는 속성 기반 작업을 따로 구성했다.</p> <p contents-hash="0a07288f4a38d67ba345cb2d6e7aeb56424163e4d73bb101383f2b67b0258058" dmcf-pid="1NFgIwV7On" dmcf-ptype="general">실험 결과 씬쿼리플래너는 오픈소스와 상용 모델 모두에서 기존 ReAct(리액트) 방식보다 높은 임무 성공률을 보였다. 메타의 라마(LLaMA 3.1)와 알리바바의 큐원(Qwen 2.5) 등 공개 모델에서는 성공률이 각각 46.8%에서 69.6%로, 44.0%에서 68.0%로 각각 높았다.</p> <p contents-hash="6bd9ab260277df6793837db32fbdffe161b8005bff8368cdfab074a577e6398a" dmcf-pid="tj3aCrfzri" dmcf-ptype="general">김의환 광주과기원 교수는 "3차원 장면 그래프는 로봇이 관측한 공간을 방·가구·물체의 계층과 관계로 정리한 구조화된 기억"이라며 "이번 연구는 이 기억을 단순히 저장하는 데 그치지 않고, 에이전트가 필요한 정보를 스스로 질의해 꺼내 쓰는 능동적 메모리로 발전시켰다는 데 의미가 있다"고 말했다.</p> <p contents-hash="fc8ad63252ae2da2ad59af7713fc2554b1f47d0db7b456f69256b2c1c5982679" dmcf-pid="FA0Nhm4qIJ" dmcf-ptype="general">연구진은 '씬쿼리플래너'와 '앳플랜-벤치'의 코드 및 벤치마크를 공개해 후속 연구에 활용할 수 있도록 했으며, 카메라와 센서에서 들어오는 불완전한 환경정보를 다루는 실제 로봇 환경으로 기술을 확대할 계획이다.</p> <p contents-hash="349885ce7be3b7bc2096387bbab617882ec430d90dc546e67b9380e257be8e21" dmcf-pid="3cpjls8Bmd" dmcf-ptype="general">ETRI 소셜로보틱스연구실 최재우 선임연구원(UST 인공지능 전공 조교수)은 "이번 기술은 로봇이 관측한 환경정보를 체계적으로 기억하고, 필요한 순간에 스스로 찾아 활용하도록 한 것이 핵심"이라며 "앞으로 실제 생활환경에서도 로봇이 불확실한 정보를 추측하기보다 자신의 경험과 기억을 확인하며 안정적으로 행동하도록 기술을 고도화하겠다"고 말했다.</p> <p contents-hash="b5e750bf0a2b826d54037267a855205a0c5a481417cd74843689d56e2ecdd8f5" dmcf-pid="0kUASO6bOe" dmcf-ptype="general">이 연구는 과기정통부, 정보통신기획평가원, 국가과학기술연구회, 한국연구재단의 지원을 받았으며, 연구 결과는 자연어처리 분야 세계적 국제학술대회 'EMNLP 2026 Findings'에서 지난 25일 발표됐다.</p> </section> </div> <p class="" data-translation="true">Copyright © 대전일보. 무단전재 및 재배포 금지.</p> 관련자료 이전 매장 700곳 한꺼번에 뚫렸다…AI 시대 커지는 OT 보안 10-26 다음 자성으로 열 전달 조절…반도체 발열 줄일까 10-26 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
