로봇 제어 효율 극대화한 TurboVLA 모델, 1GB 미만 VRAM으로 초당 32회 추론 성공

팩트화중과학기술대학(Huazhong University of Science and Technology)을 포함한 공동 연구진이 로봇 제어 효율을 획기적으로 개선한 'TurboVLA' 모델을 발표했습니다.

주장기존의 비전-언어-행동(VLA) 모델은 거대 언어 모델(LLM)을 중심으로 시각 정보를 처리하는 방식을 택해 왔습니다. 이 과정에서 발생하는 과도한 연산 비용과 메모리 점유율은 로봇 실시간 제어의 큰 걸림돌이었습니다.

팩트TurboVLA는 기존의 '시각-언어-행동(V \to L \to A)' 경로를 '시각+언어-행동(V+L \to A)'이라는 직접 매핑 방식으로 재설계했습니다. 거대 언어 모델을 거치지 않고 시각 정보와 언어 지시를 독립적으로 인코딩합니다.

팩트연구진은 경량화된 양방향 비전-언어 상호작용(Lightweight Bidirectional Interaction) 기술을 도입했습니다. 이를 통해 잠재 공간(Latent Space, 데이터의 핵심 특징을 압축하여 표현하는 다차원 공간) 내에서 정보를 직접 교환합니다.

팩트해당 모델은 0.2B(2억 개) 파라미터 규모의 소형 모델임에도 불구하고, LIBERO 벤치마크에서 97.7%의 평균 성공률을 기록했습니다. 이는 기존의 거대 모델들과 대등하거나 더 우수한 성능입니다.

팩트하드웨어 효율성 측면에서 TurboVLA는 엔비디아 RTX 4090 환경에서 1GB 미만의 비디오 메모리(VRAM)만을 사용합니다. 추론 지연 시간은 31.2ms로, 초당 32회(32 Hz)의 실시간 제어가 가능합니다.

주장이번 연구는 로봇 제어 분야에서 거대 언어 모델 의존도를 낮추고, 가볍고 빠른 모델이 실질적인 대안이 될 수 있음을 입증했습니다.

교차검증본 연구는 아카이브(arxiv)에 공개된 선공개 논문으로, 아직 학계의 공식적인 동료 평가(Peer Review) 과정을 거치지 않았습니다.

교차검증TurboVLA의 성능은 특정 벤치마크 환경인 LIBERO에서 검증되었습니다. 실제 복잡하고 예측 불가능한 현실 환경에서의 일반화(Generalizability) 성능이나 데이터셋 편향 문제는 추가적인 검증이 필요합니다.

팩트연구진은 코드 저장소를 공개하여 누구나 해당 모델의 구조를 확인하고 재현할 수 있도록 지원합니다.

주장로봇 공학계는 이번 성과를 통해 자원이 제한된 임베디드 환경에서도 고성능 인공지능 로봇을 운용할 수 있는 새로운 가능성을 확인했습니다.

출처arxiv의 선공개 논문(https://arxiv.org/abs/2607.27205)을 참고했습니다.