[논문리뷰] Robix: A Unified Model for Robot Interaction, Reasoning and Planning

링크: 논문 PDF로 바로 열기

저자: Zixuan Wang, Wei Li, Heng Dong, Mengxi Zhang, Huang Fang, Qifeng Zhang, Xueyun Tian, Yucheng Hu, Hang Li

핵심 연구 목표

본 논문은 일반ist 로봇이 복잡한 장기 작업을 추론하고 자연스러운 인간 상호작용에 참여할 수 있도록 단일 비전-언어 아키텍처 내에서 로봇 추론, 태스크 플래닝, 자연어 상호작용을 통합하는 Robix 모델을 제안합니다. 기존의 태스크 분해 중심 또는 경직된 모듈식 프레임워크의 한계를 극복하고, 제한된 신체 추론 능력 과 유연한 멀티모달 상호작용 부재 문제를 해결하는 것을 목표로 합니다.

핵심 방법론

Robix는 계층적 로봇 시스템의 상위 인지 계층으로서, 시각적 관찰 및 사용자 발화를 직접 처리하여 원자적 액션 명령과 적절한 언어 응답을 생성하는 통합 비전-언어 아키텍처 를 채택합니다. 핵심적으로 Chain-of-Thought (CoT) 추론 을 활용하며, 3단계 훈련 전략 을 통해 모델을 구축합니다: (1) 3D 공간 이해 , 시각적 그라운딩 , 태스크 중심 추론 능력을 강화하기 위한 기초 사전 훈련 ; (2) 인간-로봇 상호작용 및 태스크 플래닝 을 통합된 추론-액션 시퀀스로 모델링하기 위한 지도 미세 조정 (SFT) ; (3) 추론-액션 일관성 및 장기 태스크 코히어런스 개선을 위한 강화 학습 (RL) .

주요 결과

Robix-32B-RL 은 인터랙티브 태스크 실행 벤치마크에서 Gemini-2.5-Pro 대비 In-Distribution OOD 설정에서 3.0% , Out-of-Distribution OOD 설정에서 11.8% 더 높은 정확도를 달성하여 모든 평가 세트에서 1위를 차지했습니다. 또한, 실제 로봇 시스템 환경 (GR-3 모델 및 ByteMini 로봇)에서 Robix-32B 는 평균 92.5% 의 태스크 진행률을 기록하며, Gemini-2.5-Pro 를 4.3%p , GPT-4o 를 28.1%p 상회했습니다. CoT 추론은 OOD 일반화 및 복잡한 지침 따르기에 중요하며, 강화 학습은 비합리적인 추론과 포맷팅 오류를 줄여 모델 성능을 향상시키는 데 기여했습니다.

AI 실무자를 위한 시사점

본 연구는 단일 VLM 아키텍처 가 로봇 추론, 계획, HRI를 통합하여 실제 환경에서 뛰어난 유연성과 견고성을 제공할 수 있음을 입증했습니다. 3단계 훈련 파이프라인 은 로봇 관련 핵심 인지 능력을 효과적으로 강화하는 데 필수적이며, 특히 CoT 추론 과 강화 학습 은 복잡하고 장기적인 태스크에서 모델의 성능과 신뢰성을 높이는 데 중요합니다. 그러나 Gemini-2.5-Pro 와 같은 상용 VLM의 높은 응답 지연 시간 (30초 이상) 은 실제 로봇 시스템에 대규모 모델을 통합할 때 추론 최적화 와 지연 시간 감소 가 중요한 실용적 과제임을 시사합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.