본 논문은 로봇 바인 팩킹(Robotic Bin Packing)에서 물체의 형태뿐 아니라, 취약성, 식용 여부, 화학적 성질 등 사람이 고려하는 다양한 물체 특성을 고려하는 최초의 프레임워크인 OPA-Pack을 제시합니다. OPA-Pack은 Retrieval-augmented generation과 chain-of-thought 추론을 이용한 새로운 물체 특성 인식 기법과 1,032개의 일상 물체에 대한 특성 주석 데이터셋을 개발합니다. 또한, 서로 양립할 수 없는 물체쌍을 분리하고 취약한 물체에 가해지는 압력을 줄이면서 밀도 높은 팩킹을 달성하기 위해 OPA-Net을 제시합니다. OPA-Net은 후보 물체의 특성을 인코딩하는 특성 임베딩 계층과, 쌓인 물체를 추적하는 취약성 높이 지도와 회피 높이 지도로 구성됩니다. 심층 Q-러닝 기법을 사용하여 OPA-Net을 학습시키고, 실제 팩킹 플랫폼에서 효과를 검증하여 실용성을 보여줍니다. 실험 결과, OPA-Pack은 양립할 수 없는 물체쌍 분리 정확도를 52%에서 95%로 크게 향상시키고, 취약한 물체에 가해지는 압력을 29.4% 감소시키면서 우수한 팩킹 밀도를 유지합니다.
