Robust Intelligence and Robotics Laboratory
전산학부 박대형
강인지능 및 로보틱스 연구실(RIRO Lab)은 KAIST 전산학부 소속으로, 로보틱스와 인공지능의 융합을 통해 차세대 지능형 로봇 기술을 선도하고 있습니다. 본 연구실은 로봇이 실제 환경에서 인간과 자연스럽게 상호작용하고, 복잡한 작업을 자율적으로 수행할 수 있도록 하는 핵심 알고리즘 및 시스템 개발에 집중하고 있습니다. 특히, 의미론적 학습 및 추론, 역강화학습, 작업 및 경로계획, 인간-로봇 상호작용, 자연어 이해 등 다양한 첨단 연구 주제를 다루고 있습니다.
연구실의 주요 목표는 로봇이 인간의 의도를 정확히 이해하고, 다양한 환경에서 신뢰성 있게 행동할 수 있도록 하는 것입니다. 이를 위해 대규모 언어 모델(LLM), 비전-언어-행동(VLA) 모델, 강화학습, 시뮬레이션-현실 전이(Sim2Real) 등 최신 인공지능 기법을 적극적으로 도입하고 있습니다. 또한, 로봇의 물리적 조작 능력 향상을 위한 전신 조작(Whole-body manipulation), 변형 가능한 물체 조작(Deformable object manipulation), 협업 모바일 매니퓰레이션 등 실용적이고 도전적인 연구를 수행하고 있습니다.
본 연구실은 다양한 로봇 플랫폼(모바일 매니퓰레이터, 휴머노이드, 4족 보행 로봇 등)과 첨단 장비를 활용하여, 이론적 연구와 실증 실험을 병행하고 있습니다. 이를 통해 실제 환경에서의 적용 가능성을 높이고, 산업, 의료, 가정 등 다양한 분야에서 로봇의 활용도를 극대화하고자 합니다. 또한, 국내외 유수 연구기관 및 산업체와의 협업을 통해 연구의 폭과 깊이를 지속적으로 확장하고 있습니다.
연구실은 다수의 국제 학술지 및 학회에서 우수 논문상, 신진연구자상, 구글 리서치 스칼라 어워드 등 다양한 수상 실적을 보유하고 있으며, 활발한 특허 출원과 산학협력 프로젝트를 통해 연구 성과의 실질적 사회 환원에도 힘쓰고 있습니다. 이러한 연구 역량을 바탕으로, RIRO Lab은 미래 사회에서 신뢰받는 협업 로봇의 실현을 목표로 지속적인 혁신을 추구하고 있습니다.
앞으로도 본 연구실은 로봇의 인지, 학습, 계획, 실행 능력을 통합적으로 발전시키고, 인간과 로봇이 함께하는 새로운 사회적 가치를 창출하기 위해 최선을 다할 것입니다.
Robotic Manipulation
Scene Graph
Teleoperation
의미론적 학습 및 추론 (Semantic Learning and Reasoning)
의미론적 학습 및 추론은 로봇이 환경과 상호작용하며 복잡한 작업을 수행하는 데 필수적인 기술입니다. 본 연구실에서는 로봇이 다양한 센서 데이터를 바탕으로 환경의 의미를 이해하고, 이를 바탕으로 상황에 맞는 행동을 결정할 수 있도록 하는 알고리즘 개발에 집중하고 있습니다. 이를 위해 기호적 지식과 데이터 기반 학습을 결합하여, 로봇이 미지의 환경에서도 유연하게 대처할 수 있도록 합니다.
특히, 자연어 명령이나 인간의 지시를 로봇이 정확하게 해석하고, 이를 실제 행동으로 연결하는 과정에서 의미론적 추론이 중요한 역할을 합니다. 본 연구실에서는 대규모 언어 모델(LLM)과 비전-언어-행동(VLA) 모델 등 최신 인공지능 기술을 활용하여, 로봇이 인간의 의도를 깊이 있게 파악하고, 복잡한 작업 계획을 수립할 수 있도록 연구를 진행하고 있습니다. 이러한 기술은 로봇이 단순한 반복 작업을 넘어, 실제 환경에서 다양한 변수를 고려해 자율적으로 문제를 해결할 수 있게 만듭니다.
의미론적 학습 및 추론 연구는 로봇의 인지 능력을 획기적으로 향상시켜, 인간과의 협업, 서비스 로봇, 필드 로봇 등 다양한 응용 분야에서 활용될 수 있습니다. 앞으로도 본 연구실은 의미론적 추론의 정확도와 효율성을 높이고, 실제 환경에서의 적용성을 극대화하기 위한 연구를 지속할 예정입니다.
역강화학습 및 제약 학습 (Inverse Reinforcement Learning and Constraint Learning)
역강화학습은 로봇이 인간이나 전문가의 시연을 관찰하여, 그 행동의 내재된 목적이나 보상 구조를 역으로 추정하는 기술입니다. 본 연구실에서는 역강화학습을 통해 로봇이 복잡한 작업을 스스로 학습하고, 새로운 환경에서도 일반화된 행동을 수행할 수 있도록 하는 알고리즘을 개발하고 있습니다. 특히, 제약 학습(Constraint Learning)과 결합하여, 로봇이 작업 수행 시 반드시 지켜야 할 물리적·논리적 제약 조건을 효과적으로 학습할 수 있도록 연구를 확장하고 있습니다.
이러한 연구는 단순히 보상을 최대화하는 기존 강화학습의 한계를 극복하고, 실제 환경에서 발생할 수 있는 다양한 제약 조건(예: 안전, 효율성, 협업 등)을 반영한 행동 정책을 설계하는 데 중점을 둡니다. 본 연구실에서는 전이 가능한 보상 분해(Transferable Reward Decomposition), 확률적 모델링, 시뮬레이션-현실 전이(Sim2Real) 등 첨단 기법을 활용하여, 로봇이 새로운 작업이나 환경에서도 신속하게 적응할 수 있도록 하고 있습니다.
역강화학습 및 제약 학습은 서비스 로봇, 산업 자동화, 인간-로봇 협업 등 다양한 분야에서 로봇의 자율성과 신뢰성을 높이는 핵심 기술로 자리 잡고 있습니다. 앞으로도 본 연구실은 이 분야의 이론적 발전과 더불어, 실제 로봇 플랫폼을 통한 실증 연구를 병행하여, 실질적인 사회적 가치를 창출하는 데 기여할 것입니다.
작업 및 경로계획 (Task-and-Motion Planning)과 자연어 기반 로봇 조작
작업 및 경로계획(Task-and-Motion Planning, TAMP)은 로봇이 주어진 목표를 달성하기 위해 필요한 작업의 순서와 각 작업에 따른 구체적인 움직임을 동시에 계획하는 기술입니다. 본 연구실에서는 대규모 언어 모델(LLM)과 멀티모달 모델(VLM, LMM) 등 최신 AI 기술을 접목하여, 복잡한 인간 작업을 로봇이 이해하고 수행할 수 있도록 하는 일반화된 TAMP 프레임워크를 개발하고 있습니다. 이를 통해 로봇은 인간의 협력적 또는 경쟁적 개입 하에서도 안정적이고 최적화된 작업 수행이 가능해집니다.
또한, 자연어 기반 로봇 조작 연구를 통해, 인간이 직관적으로 언어로 전달하는 명령을 로봇이 실제 행동으로 변환할 수 있도록 하고 있습니다. 본 연구실은 자연어 명령의 모호함과 불완전성을 극복하기 위해, 언어-동작 쌍 데이터로부터 상식적 사전 지식을 학습하고, 공간적 추론 및 행동 계획을 통합하는 새로운 방법론을 제시하고 있습니다. 이러한 연구는 모바일 매니퓰레이터, 휴머노이드, 4족 보행 로봇 등 다양한 플랫폼에서 실증되고 있습니다.
이 연구 분야는 인간-로봇 상호작용의 자연스러움과 효율성을 극대화하며, 향후 가정, 의료, 산업 현장 등에서 로봇의 활용도를 크게 높일 것으로 기대됩니다. 본 연구실은 앞으로도 작업 및 경로계획과 자연어 기반 조작의 융합을 통해, 더욱 지능적이고 적응력 있는 로봇 시스템을 구현하는 데 앞장설 것입니다.
1
ILCL: Inverse Logic-Constraint Learning from Temporally Constrained Demonstrations
Minwoo Cho, Jaehwi Jang, Daehyung Park
, 1970
2
A Survey on Integration of Large Language Models with Intelligent Robots
Yeseung Kim, Dohyun Kim, Jieun Choi, Jisang Park, Nayoung Oh, Daehyung Park
Intelligent Service Robotics, 2024
3
Inverse Constraint Learning and Generalization by Transferable Reward Decomposition
Jaehwi Jang, Minjae Song, Daehyung Park
IEEE Robotics and Automation Letters (RA-L), 2023
1
미래 안보기술 연구(2024년도)(2024년도)
2
2024년 겨울/봄학기 URP 프로그램_연구과제 44과제(2024년도)
