대규모 미지 환경에서 복잡한 탐색 작업을 수행하기 위해 자율 로봇 팀에게 적응형 협업은 매우 중요합니다. 공유 목표를 성공적으로 달성하려면 각 로봇의 기술과 현재 상태에 따라 효과적인 협업 전략을 결정하고 적용해야 합니다. 본 논문에서는 대규모 언어 모델(LLM)을 활용하여 로봇 팀 간의 협업 전략을 자동으로 생성하는 새로운 접근 방식인 SayCoNav를 제시합니다. SayCoNav는 협업 전략을 기반으로 각 로봇이 LLM을 사용하여 분산 방식으로 계획과 행동을 생성합니다. 탐색 중에 서로 정보를 공유함으로써 각 로봇은 단계별 계획을 지속적으로 업데이트합니다. 본 논문에서는 로봇 팀이 미지의 환경에서 여러 다른 물체를 효율적으로 검색하기 위해 상호 보완적인 강점을 활용해야 하는 다중 객체 탐색(MultiON) 작업에서 SayCoNav를 평가합니다. 다양한 팀 구성과 조건에서 기준 방법과 SayCoNav를 비교 검증한 결과, 이종 로봇 간의 효과적인 협업을 통해 검색 효율을 최대 44.28% 향상시킬 수 있음을 보여줍니다. 또한 작업 실행 중 변경되는 조건에 동적으로 적응할 수 있습니다.
시사점, 한계점
•
시사점:
◦
대규모 언어 모델(LLM)을 이용한 로봇 협업 전략 자동 생성 가능성을 제시.
◦
이종 로봇 간 효과적인 협업을 통한 탐색 효율 향상 (최대 44.28%).
◦
작업 실행 중 변화하는 조건에 대한 동적 적응성 확보.
◦
분산된 계획 및 행동 생성을 통한 효율적인 협업 수행.
•
한계점:
◦
LLM의 성능에 대한 의존성. LLM의 오류가 로봇 협업 전략 및 작업 수행에 영향을 미칠 수 있음.
