인공지능에서 계획수립(Planning)의 본질적 의미
상태 공간에서의 연산자 시퀀스 탐색과 미래 결과의 내적 예측(Projecting)
인공지능(AI)에서 계획수립(Planning)이란, 자율 에이전트(Agent)가 현재 상태(Initial State)에서 원하는 목표 상태(Goal State)에 도달하기 위해 취해야 할 일련의 행동 연산자(Sequence of Action Operators)를 사전에 체계적으로 설계하고 결정하는 고차원적 인지·추론 과정입니다.
단순한 반응형 제어(Reactive Control)가 '현재 감각 입력에 즉각 대응하는 반사 작용'이라면, 계획수립은 "내가 지금 이 행동을 취하면 미래에 어떤 상태 변화가 일어날 것인가?"를 사전에 머릿속(내부 모델)에서 가상으로 시뮬레이션해보는 투영(Projecting) 기능을 핵심으로 합니다.
세계의 물리적·의미적 특징을 기술하는 명제들의 집합. 초기 상태(S0)와 에이전트가 달성하고자 하는 목표 명제 집합(G)으로 구성됩니다.
에이전트가 실행 가능한 조작 단위. 해당 행동을 수행하기 위해 만족되어야 할 사전조건(Preconditions)과 실행 후 세계에 가해지는 효과(Effects)를 명시합니다.
물리 세계를 손상시키지 않고, 가상 환경이나 내부 세계 모델에서 일련의 행동 결과를 시간 축을 따라 전방향으로 예측하여 위험을 사전 차단하는 연산입니다.
예기치 못한 환경 변동이나 새로운 정보가 유입되었을 때, 기존 추론을 백트래킹(Backtracking)하여 결함을 취소하고 즉시 대체 경로를 재수립하는 적응성입니다.
🏛️ 고전적 기호주의 계획수립 (STRIPS & PDDL)의 메커니즘
1971년 스탠퍼드 연구소(SRI)의 STRIPS와 이후 표준화된 PDDL(Planning Domain Definition Language)은 1차 술어 논리(First-Order Predicate Logic)를 통해 계획 문제를 정형화했습니다.
초기 상태 S0에서 시작하여 사전조건이 만족되는 행동들을 순차 적용하며 목표 상태 G에 도달할 때까지 탐색 트리를 확장하는 방식.
달성해야 할 목표 명제 G에서 출발하여, 그 목표를 달성할 수 있는 직전 행동들의 사전조건들을 역으로 추적하여 초기 상태와 접합하는 방식.
행동들의 절대적 선형 순서를 일찍 결정하지 않고, 인과 관계(Causal Links)가 필요한 최소한의 순서 제약만을 두어 조합 폭발을 완화하는 방식.
인간의 Planning vs AI의 Planning 심층 비교
생물학적 뇌의 어림셈(Heuristics)·상식과 컴퓨터의 연역적 기호 탐색의 극명한 대조
인간과 인공지능은 모두 '미래를 내다보고 목표를 달성하기 위한 행동을 조직화'하지만, 그 인지 아키텍처(Cognitive Architecture)와 연산 기전은 근본적으로 다릅니다. 인간은 불완전한 지식 속에서도 즉각적인 '만족화(Satisficing)'를 이끌어내는 반면, 전통적 AI는 엄격한 논리적 정형성에 의존해 왔습니다.
| 비교 차원 | 인간의 Planning (Human Planning) | 전통적 AI의 Planning (Symbolic AI Planning) |
|---|---|---|
| 신경 / 연산 기반 | 뇌 전두엽(Prefrontal Cortex) 중심의 분산 신경망 및 작업 기억(Working Memory). | CPU 기반 이산 기호 조작기, 상태 공간 탐색 그래프 알고리즘(A*, Graphplan). |
| 사고 기전 | 이중 프로세스(Dual Process) : 직관적 경험칙(시스템 1)으로 후보 행동을 즉각 압축하고, 복잡한 경우에만 심사숙고(시스템 2) 가동. | 연역적 전수/휴리스틱 탐색 : 논리적 사전조건을 만족하는 모든 분기를 수학적으로 평가하며 탐색 트리 순회. |
| 최적성 vs 타협성 | 제한된 합리성(Bounded Rationality) : 완벽한 최적해보다는 실행 가능한 '적당히 만족스러운 해(Satisficing)'를 찾아 즉시 착수. | 수학적 최적성(Optimality) 집착 : 비용 최소화 경로를 엄격히 증명하려 하므로 상태 수가 늘면 연산 지연 발생. |
| 상식(Commonsense) 및 물리 직관 | 중력, 마찰력, 사회적 규범, 타인의 의도(Theory of Mind)를 선천적·경험적으로 체득하여 암묵적으로 계획에 투영. | 모든 상식과 물리 법칙이 술어 논리 형태로 명시(Axiomatized)되지 않으면 사소한 맥락도 추론하지 못함 (프레임 문제). |
| 불확실성 및 예외 대응 | 계획이 틀어지면 유연하게 현장에서 임기응변(Improvisation)을 발휘하여 다른 도구를 대체 사용. | 정의되지 않은 변수가 1개라도 발생하면 계획 전체가 파탄나며, 처음부터 거대한 탐색 트리를 재계산(Re-planning 병목). |
🧠 인간 계획의 핵심 무기 : '직관적 압축과 정신적 시뮬레이션'
인간은 체스나 요리를 할 때 수백만 가지의 모든 경우의 수를 계산하지 않습니다. 과거의 풍부한 에피소드 기억(Episodic Memory)과 신체 경험을 바탕으로 2~3가지의 유력한 계획만을 떠올린 뒤, 내적 심상(Mental Imagery)을 통해 미래 결과를 검증합니다.
💻 전통 AI 계획의 한계 : '기호 접지 부재와 조합 폭발'
기호주의 AI의 연산자 Grasp(BlockA)는 실제 물리적 마찰력이나 무게 중심에 대한 이해가 없는 텍스트 토큰에 불과했습니다(Symbol Grounding Problem). 행동 수가 늘어날수록 탐색 공간이 기하급수적으로 폭발(Combinatorial Explosion)하여 공장 조립 라인 밖의 복잡한 세상으로 나오지 못했습니다.
인간의 행동 Planning vs 로봇의 Planning (TAMP) 기전 비교
체화된 감각-운동 일체형 제어와 이산 작업·연속 모션 분리(TAMP)의 구조적 격차
일상에서 "커피 한 잔을 마신다"는 단순한 행동도, 계획 관점에서는 고차원적 목표 분해부터 밀리초 단위의 근육 토크 제어까지 방대한 계층을 관통합니다. 인간과 로봇이 이 문제를 다루는 방식은 극명한 차이를 보입니다.
계층별 계획 메커니즘 비교 구조도
"목이 마르니 냉장고에서 음료를 꺼내 마시자" (동기 및 목표 수립)
손잡이의 형태를 보자마자 "어떻게 쥐어야 하는지(Grasp Affordance)"를 무의식적으로 직관 지각.
손가락 기계수용체의 촉각과 시각이 1,000Hz 이상의 고주파 피드백으로 미끄러짐을 실시간 감지하여 악력을 자동 조절.
PDDL 플래너가 기호 연산자 시퀀스 결정: [MoveTo(Fridge), Open(Door), Pick(Can)]
C-Space(Configuration Space)에서 RRT*, PRM 알고리즘으로 장애물을 회피하는 다관절 궤적 및 역기구학(IK) 계산.
계산된 웨이포인트 궤적을 PID/임피던스 제어기로 모터 드라이브에 전류 인가.
1. 기하학적 실행 불가능성
작업 플래너는 "오른손으로 잡는다"는 논리적으로 완벽한 계획을 내놓았으나, 실제 물리 환경에서 로봇 팔의 관절 가동 한계(Joint Limit)나 가림(Occlusion) 현상으로 인해 기하학적으로 집을 수 없는 모순이 빈번합니다.
2. 센서 노이즈와 모델 불일치
인간은 물체가 1cm 빗나가도 감각으로 즉시 손을 고쳐 쥐지만, 로봇은 카메라 캘리브레이션 오차나 물체의 미끄러짐 마찰력 예측 실패로 인해 개루프(Open-loop) 궤적이 허공을 가르는 파동을 겪습니다.
3. 연산 복잡도와 실시간성
7자유도 로봇 팔과 이동 베이스가 결합된 환경에서 충돌 없는 최적 궤적을 찾는 연속 공간 궤적 최적화는 수 초에서 수 분의 연산 시간을 요구하여 동적 환경에 실시간 대응하기 어렵습니다.
최신 LLM의 등장과 AI·로봇 Planning의 패러다임 대전환
사고의 사슬(CoT), 어포던스 접지(SayCan), 정책으로서의 코드(CaP) 및 종단간 VLA 파운데이션 모델
수십 년간 이산 심볼과 연속 제어의 단절로 고통받던 AI와 로보틱스 계획수립은, 인터넷 규모의 방대한 상식과 세계 모델을 사전 학습한 초대형 언어 모델(LLM) 및 시각-언어 모델(VLM)의 등장으로 역사적인 대전환을 맞이하고 있습니다.
1 자연어 지시의 원자적 하위 과업 분해 (CoT Task Decomposition)
제로샷 계획과거에는 엔지니어가 수작업으로 온톨로지와 FSM 규칙을 하드코딩해야 했습니다. 최신 LLM은 사고의 사슬(Chain-of-Thought) 추론을 통해 인간의 추상적 명령인 "엎질러진 사이다를 치워줘"를 입력받으면, 사이다가 액체라는 물리적 특성을 유추하여 [1. 흡수용 스펀지 위치 파악 ➔ 2. 스펀지 파지 ➔ 3. 오염 구역 접근 ➔ 4. 닦기 ➔ 5. 쓰레기통 폐기]라는 논리적 하위 단계로 자율 분해합니다.
2 의미론적 물리 접지 (Semantic Physical Grounding) & SayCan 프레임워크
Google DeepMindLLM이 텍스트 상에서 완벽한 계획을 세워도 로봇의 현재 위치나 하드웨어 한계로 실행할 수 없다면 이는 '물리적 할루시네이션'입니다. 구글의 SayCan은 LLM의 의미적 타당성 확률과 로봇 저수준 제어기의 물리적 실행 가능성(Affordance) 가치 함수를 직관적으로 곱하여 최종 행동을 결정합니다:
예컨대 "사과를 가져와"라는 명령에 대해 테이블 위에 사과가 없으면 불가능한 파지를 억지로 시도하지 않고, 어포던스가 높은 "냉장고 문을 연다"를 우선 선택합니다.
3 정책으로서의 코드 (Code as Policies, CaP) & 계층적 제어 루프 합성
실시간 파이썬 생성
모호한 자연어 텍스트 대신, LLM이 실시간 실행 가능한 Python 제어 코드를 직접 작성합니다. NumPy, Shapely 등 기하학 수학 라이브러리를 자율 호출하고, for, while, if/else 제어 구조를 생성하여 비전 인식 API(바운딩 박스)와 저수준 모션 제어기(웨이포인트 추종기)를 즉석에서 연결합니다. "물건들을 크기순으로 일렬 정렬하라"는 복잡한 기하학적 작업도 수십 줄의 코드로 즉시 변환되어 실행됩니다.
4 폐루프 시각 리플렉션과 환경 피드백 (Inner Monologue & Reflexion)
동적 재계획과거의 계획수립은 한번 계획이 정해지면 끝까지 맹목적으로 실행하는 개루프(Open-loop) 방식이었습니다. 최신 시스템은 VLM(시각-언어 모델)이 매 스텝마다 카메라 영상을 관측하여 "물체를 놓쳤는가?", "장애물이 나타났는가?"를 자연어로 평가하고 내부 독백(Inner Monologue)을 통해 실패 원인을 실시간 교정(Self-Correction)하는 동적 폐루프 재계획을 구현합니다.
5 종단간(End-to-End) 시각-언어-행동(VLA) 파운데이션 모델로의 수렴
RT-2 · OpenVLA · Pi-0가장 진보된 형태는 상위 계획과 하위 모션 제어를 별도 모듈로 나누지 않고, 단일 멀티모달 트랜스포머 신경망 내에서 통합하는 것입니다. Google RT-2, OpenVLA, Physical Intelligence의 π0(Pi-Zero)는 카메라 이미지와 자연어 명령을 입력받아, 관절 각도와 6자유도 그리퍼 위치를 직접 나타내는 연속 액션 토큰(Action Tokens)을 출력함으로써 전통적 TAMP 파이프라인 전체를 대체해 가고 있습니다.
원전 고전 사료 : 닐스 닐슨(Nilsson)의 통찰과 NASA 심우주 원격 에이전트
인공지능 교과서의 표준 정의와 우주 탐사선에 탑재된 최초의 자율 계획 에이전트 원전 기록
Nils J. Nilsson (1998)의 계획수립 명제
"목표까지의 경로에 있는 아크상의 연산자들을 하나의 순서(sequence)로 만든 것을 계획(plan)이라고 하며, 이러한 순서를 찾는 것을 계획수립(planning)이라고 한다. 어떤 행동 순서의 결과로 나타나는 상태의 순서를 예측하는 과정을 투영(projecting)이라고 한다 ....... 계획 시스템은 주어진 제약조건 하에서 목표를 달성하기 위한 행동을 설계한다. 예를 들어 로봇이 수행해야 할 여러 과업 계획을 세우는 것 등이다. 계획 시스템은 만일 새로운 정보가 생기면 계획되었던 일련의 과업들을 변경시킬 수 있는 유연성을 가져야 한다. 그러기 위해서는 현재까지의 추론 과정을 되돌아가고, 더 좋은 해결안을 위해 현재의 추론 결과를 취소할 수 있는 기능을 가지고 있어야 한다."
NASA Deep Space 1 : 원격 에이전트 (Remote Agent)
1999년 5월, NASA JPL의 Deep Space 1 (DS1) 우주선에 탑재된 인공지능 Remote Agent는 인류 역사상 최초로 지상 관제소의 실시간 조종 없이 스스로 우주선의 관측 계획을 세우고 실행했습니다.
지상 통제팀은 "어느 시점에 혜성을 촬영하라"는 추상적인 고수준 목표(High-level goals)만을 전송했으며, 우주선 내 탑재된 AI 플래너가 이온 엔진 점화, 자세 제어기 구동, 카메라 셔터 타이밍 등의 세부 계획을 자율 공식화했습니다. 부품 고장이 발생했을 때도 스스로 진단하고 대체 계획을 재수립함으로써 심우주 자율 탐사의 새 시대를 열었습니다.
관련 전문 용어(Terms), 학술 논문 및 지식 베이스 연계
원전 사료의 모든 내부 링크 및 권위 있는 학술 자료 100% 보존 연계