VLA·로봇 파운데이션 모델이란

지금까지 로봇 팔이나 휴머노이드를 움직이는 일반적인 방법은 사람이 작업마다 동작을 설계하는 것이었다. 물건의 위치를 계산하고, 경로를 짜고(모션 플래닝), 예외 상황마다 규칙을 붙인다. 이 방식은 정해진 공정에서는 정확하지만, 처음 보는 물건이나 환경이 나오면 다시 프로그래밍해야 한다.

VLA(Vision-Language-Action) 모델은 이 과정을 하나의 학습된 모델로 바꾸려는 접근이다. 대표적인 출발점인 Google DeepMind의 RT-2(2023년 7월)는 카메라 이미지와 자연어 명령을 입력받아 로봇 동작을 출력하는데, 동작을 글자 조각(텍스트 토큰)처럼 표현해 인터넷 규모 데이터로 학습한 시각-언어 모델에 함께 학습시켰다. 논문은 이 덕분에 학습 데이터에 없던 명령을 해석하는 등 일반화 능력이 나타났다고 보고했다. [1]

'로봇 파운데이션 모델'은 여기서 한 걸음 더 나가, 한 모델이 여러 종류의 로봇과 여러 작업을 함께 다루게 하려는 시도를 가리킨다. 2023년 10월 공개된 Open X-Embodiment 프로젝트는 21개 기관이 22종의 로봇에서 모은 527개 기술(160,266개 작업) 데이터를 하나로 묶어, 서로 다른 로봇에 걸쳐 학습하는 모델(RT-X)을 실험했다. [2]

미국 스타트업 Physical Intelligence의 π0(2024년 10월)는 사전 학습된 시각-언어 모델 위에 동작을 연속적으로 생성하는 방식(flow matching)을 얹었다. 논문은 한 팔 로봇·양팔 로봇·이동형 매니퓰레이터에서 빨래 개기, 테이블 정리, 상자 조립 같은 작업을 평가했다. [3]

중국에서는 AgiBot(智元)이 2025년 3월 100만 건 이상의 로봇 동작 궤적과 217개 작업으로 이뤄진 데이터 플랫폼 AgiBot World와, 이를 학습한 범용 정책 모델 GO-1(Genie Operator-1)을 논문으로 공개했다. 논문은 GO-1이 Open X-Embodiment로 학습한 정책보다 30% 높은 성능을 보였고 복잡한 작업에서 60% 이상의 성공률을 냈다고 밝혔다 — 연구진이 설계한 과제에서의 자체 평가다. [4]

휠형 휴머노이드 Moz1을 만든 千寻智能(Spirit AI)은 자체 VLA 모델 Spirit v1을 탑재했다고 보도됐고, 회사 소개 페이지는 후속 모델 Spirit v1.5가 RoboChallenge 벤치마크에서 선두라고 밝히고 있다(회사 주장). [5][6]

정리하면 VLA는 '보고(Vision) → 이해하고(Language) → 움직인다(Action)'를 한 모델 안에서 처리하려는 구조이고, 파운데이션 모델은 그 모델을 여러 로봇과 작업에 두루 쓰려는 방향이다. 둘 다 대량의 로봇 동작 데이터가 전제된다 — 그 데이터가 어디서 오는지는 다음 글에서 다룬다.