최근 대규모 언어모델(LLM)의 발전으로 로봇은 복잡한 의사결정을 내릴 수 있는 '두뇌'를 갖게 되었지만, 이 지능을 실제 물리 로봇에 적용하는 과정은 여전히 전문가의 수동적인 보정(calibration) 작업에 크게 의존하고 있습니다. 이러한 '배포 격차'는 로봇의 '척수(spinal cord)'와 같아서, 확장 가능한 임베디드 AI(Embodied AI) 구현의 주요 병목 현상으로 지적되어 왔습니다. 이 문제를 해결하기 위해 'SPINE'(Scalable Physical Integration with ageNtic Expertise)이라는 새로운 에이전트 프레임워크가 제안되었습니다.
SPINE은 로봇 전문가가 아니어도 이중 팔 로봇(bimanual robot)을 체계적으로 디버깅하고 배포할 수 있도록 설계된 에이전트 기반 프레임워크입니다. 이 시스템은 두 가지 주요 다중 에이전트 워크플로우로 구성되는데, 하나는 로봇별 컨텍스트를 생성하는 '프로필 빌더'이고, 다른 하나는 원격 조작(teleoperation)이 성공할 때까지 진단, 수리, 검증 과정을 반복하는 '디버거'입니다. DOBOT X-Trainer 로봇을 사용한 7가지 디버깅 시나리오에서, SPINE을 사용한 로봇 초보자는 Claude Code를 사용한 인간 작업자보다 우수한 성능을 보였습니다. SPINE은 작업 성공률을 75%에서 100%로 향상시켰고, 원격 조작까지 걸리는 평균 시간을 16분 45초에서 13분 47초로 단축했습니다. 또한, AgileX PiPER라는 다른 ROS/CAN 기반 이중 팔 로봇에서도 SPINE은 10개의 버그 중 모든 버그를 해결하며 전문가 수준의 성능을 보였습니다.
이러한 결과는 SPINE이 다양한 이중 팔 로봇 플랫폼에 적용될 수 있으며, 로봇 배포 과정에서 전문가의 의존도를 크게 줄일 수 있음을 시사합니다. 이는 임베디드 AI(Embodied AI)가 확장 가능한 실제 환경에 더 가까이 다가갈 수 있도록 돕는 중요한 진전입니다. 로봇 시스템의 복잡성을 줄이고 접근성을 높임으로써, 더 많은 개발자와 기업이 로봇 기술을 활용할 수 있는 기반을 마련할 수 있을 것으로 기대됩니다.