D2E: 데스크톱 데이터 기반의 비전-액션 사전 학습을 통한 구현 AI로의 전이

channel_editor_icon Hugging Face

6일 전

D2E: Scaling Vision-Action Pretraining on Desktop Data for Transfer to Embodied AI

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"컴퓨터 게임에서 얻은 경험을 실제 로봇에 적용할 수 있다면 어떨까?"

D2E는 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 구현 AI 연구들이 대부분 물리적 데이터 수집의 높은 비용에 초점을 맞춘 것과는 달리, D2E는 데스크톱 환경에서의 상호작용을 활용한 사전 학습을 지향합니다.

이 논문이 흥미로운 이유는 단순히 "데이터 수집의 효율성" 수준을 넘어서, 데스크톱 상호작용을 통한 사전 학습 안에서 사용자의 물리적 구현 작업으로의 전이에 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 게임에서의 상호작용을 통해 로봇의 물리적 조작과 내비게이션에 적용할 수 있는 기술을 개발한 것입니다. 이제 진짜로 '게임 속 경험이 현실로 전이되는' 시대가 나타난 거죠.

✅ 어떻게 작동하나요? – D2E의 핵심 아이디어

D2E가 도입한 가장 눈에 띄는 개념은 바로 "데스크톱 상호작용 기반 사전 학습"입니다. 이는 데스크톱 환경, 특히 게임에서의 상호작용을 통해 로봇의 구현 AI 작업에 필요한 사전 학습을 수행하는 방식입니다.

이러한 데스크톱 상호작용은 실제로 OWA Toolkit을 통해 구현되며, 이를 152배의 데이터 압축으로 효율적으로 처리하는 게 D2E의 강점입니다.

이 모델은 총 세 단계의 과정을 거쳐 만들어졌습니다:

OWA Toolkit – 다양한 데스크톱 상호작용을 표준화된 형식으로 통합하여 데이터 압축을 수행합니다.
Generalist-IDM – 타임스탬프 기반의 이벤트 예측을 통해 인터넷 규모의 가짜 레이블링을 가능하게 합니다.
VAPT – 데스크톱에서 사전 학습된 표현을 물리적 조작 및 내비게이션 작업으로 전이합니다.

✅ 주요 기술적 특징과 혁신점

D2E의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

1. OWA Toolkit
이는 다양한 데스크톱 상호작용을 표준화된 형식으로 통합하여 152배의 데이터 압축을 수행하는 방식입니다. 기존의 데이터 수집 방식과 달리, 이 접근 방식은 데이터의 효율적인 저장과 처리를 가능하게 했습니다. 특히, 데이터의 크기를 줄이면서도 정보의 손실을 최소화하는 데 성공했습니다.

2. Generalist-IDM
이 기술의 핵심은 타임스탬프 기반의 이벤트 예측을 통해 인터넷 규모의 가짜 레이블링을 가능하게 하는 것입니다. 이를 위해 다양한 게임 환경에서의 상호작용 데이터를 활용했으며, 이는 데이터 수집 비용을 획기적으로 줄이는 데 기여했습니다. 실제 적용 사례로는 여러 게임에서의 상호작용을 통해 얻은 데이터를 로봇의 학습에 활용한 것이 있습니다.

3. VAPT
마지막으로 주목할 만한 점은 데스크톱에서 사전 학습된 표현을 물리적 조작 및 내비게이션 작업으로 전이하는 기술입니다. 이를 통해 데스크톱 환경에서의 학습이 실제 로봇 작업에 효과적으로 적용될 수 있음을 입증했습니다. 이는 특히 물리적 환경에서의 조작 및 내비게이션 작업에서 큰 장점을 제공합니다.

✅ 실험 결과와 성능 분석

D2E의 성능은 다음과 같은 실험을 통해 검증되었습니다.

1. LIBERO 조작 벤치마크에 대한 성능
LIBERO 환경에서 진행된 평가에서 96.6%의 성공률을 달성했습니다. 이는 기존의 방법들과 비교했을 때 상당한 향상을 보여줍니다. 특히, 다양한 조작 작업에서의 높은 성공률이 인상적입니다.

2. CANVAS 내비게이션에서의 결과
CANVAS 환경에서는 83.3%의 성공률을 기록했습니다. 이전의 접근 방식들과 비교하여 내비게이션 작업에서의 성능이 크게 향상되었으며, 특히 복잡한 경로 탐색에서 강점을 보였습니다.

3. 실제 응용 시나리오에서의 평가
실제 로봇 조작 및 내비게이션 환경에서 진행된 테스트에서는 데스크톱 상호작용을 통해 학습된 모델이 실제 작업에서도 높은 성능을 보였습니다. 실용적 관점에서의 장점과 함께, 현실적인 제한사항이나 고려사항도 명확히 드러났습니다.

이러한 실험 결과들은 D2E가 로봇 구현 AI 작업에서의 주요 목표를 효과적으로 해결할 수 있음을 보여줍니다. 특히, 데스크톱 상호작용을 통한 사전 학습이 물리적 작업으로의 전이에 효과적임을 입증했습니다.

✅ 성능은 어떨까요?

D2E는 LIBERO와 CANVAS라는 첨단 벤치마크에서 각각 96.6%, 83.3%이라는 점수를 기록했습니다. 이는 기존의 구현 AI 모델 수준의 성능입니다.

실제로 게임 환경에서의 상호작용을 통해 학습된 모델이 로봇의 물리적 조작 및 내비게이션 작업에서도 꽤 자연스러운 반응을 보입니다.
물론 아직 "복잡한 물리적 환경"에서 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

✅ 어디에 쓸 수 있을까요?

D2E는 단지 새로운 모델이 아니라, "데스크톱 상호작용을 통한 구현 AI 사전 학습"이라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 로봇 조작 및 내비게이션 작업, 예를 들면 산업용 로봇의 조작, 자율 주행 차량의 내비게이션까지 인식하게 될 가능성이 큽니다.

산업 자동화: 데스크톱 환경에서의 상호작용을 통해 학습된 모델을 산업용 로봇의 조작에 적용하여 효율성을 높일 수 있습니다.
자율 주행: 게임 환경에서의 내비게이션 데이터를 활용하여 자율 주행 차량의 경로 탐색 성능을 향상시킬 수 있습니다.
교육 및 훈련: 가상 환경에서의 상호작용을 통해 로봇 조작 및 내비게이션 기술을 학습할 수 있는 교육 플랫폼으로 활용할 수 있습니다.

이러한 미래가 D2E로 인해 조금 더 가까워졌습니다.

✅ 개발자가 지금 할 수 있는 일은?

D2E에 입문하려면, 기본적인 데스크톱 환경에서의 상호작용 데이터 처리와 로봇 조작 및 내비게이션 기술에 대한 이해가 필요합니다.
다행히도 https://worv-ai.github.io/d2e/에 예제 코드가 잘 정리되어 있어, 이를 통해 학습할 수 있습니다.

실무에 적용하고 싶다면?
필요한 데이터와 리소스를 확보하고, 다양한 로봇 조작 및 내비게이션 작업을 테스트하면서 모델을 적용하는 것이 핵심입니다. 또한, 추가적인 데이터 수집 및 모델 튜닝 작업도 병행되어야 합니다.