이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
로봇 정책 평가는 GPU 기반의 추론과 물리 시뮬레이션을 동시에 수행해야 하는 고비용의 폐루프 문제다. 수천 번의 시뮬레이션을 병렬로 실행하기 위해 Ray Core와 Ray Serve를 활용하여 정책 추론 서비스와 시뮬레이터 워크로드를 분리한다. 이를 통해 각 워크로드가 서로 다른 하드웨어 요구사항을 충족하며 독립적으로 확장 가능해진다. NVIDIA GR00T-N1.7-3B 모델을 Unitree G1 로봇에 적용한 사례는 이 아키텍처가 수백 개의 병렬 롤아웃을 효율적으로 처리함을 보여준다.
챕터별 상세
02:42
로봇 시뮬레이션의 중요성
로봇 정책은 실제 하드웨어에 적용하기 전 다양한 환경과 조건에서 검증이 필수적이다. 시뮬레이션은 이를 안전하고 반복 가능하게 수행하는 환경을 제공한다. 하지만 수천 개의 시나리오를 평가하는 과정은 GPU 기반의 추론과 물리 연산이 결합되어 복잡한 분산 컴퓨팅 인프라 문제를 야기한다.
로봇 정책 평가는 로봇이 다양한 상황에서 어떻게 행동할지 가상 환경에서 테스트하는 과정이다.
11:50
로봇 학습 인프라의 도전 과제
로봇 학습 인프라는 규모(Scale), 속도(Speed), 이기종 컴퓨팅(Heterogeneous Compute), 비용(Cost), 효율성(Efficiency)이라는 5가지 핵심 요구사항을 가진다. 시뮬레이터와 정책 추론 엔진은 서로 다른 하드웨어 자원을 선호하며, 이를 하나의 프로세스나 GPU에 강제로 통합하면 메모리 압박과 리소스 경합이 발생한다. 따라서 이 두 워크로드를 분리하여 독립적으로 확장하는 아키텍처가 필요하다.
이기종 컴퓨팅이란 서로 다른 유형의 프로세서(CPU, GPU 등)를 혼합하여 사용하는 환경을 의미한다.
16:10
Ray를 활용한 아키텍처 설계
Ray Core와 Ray Serve를 사용하여 시뮬레이션과 정책 추론을 분리한다. 시뮬레이션 워커는 Ray Core를 통해 물리 연산에 최적화된 GPU에서 실행되며, 정책 추론은 Ray Serve를 통해 모델 추론에 최적화된 GPU에서 독립적으로 수행된다. 이 구조는 시뮬레이터와 정책 서비스 간의 네트워크 병목을 액션 청킹(Action Chunking) 기법으로 완화한다.
액션 청킹은 여러 개의 액션을 한 번의 추론 응답으로 묶어 전송하여 네트워크 통신 횟수를 줄이는 기법이다.
23:22
데모: NVIDIA GR00T-N1.7-3B 배포
NVIDIA의 VLA 모델인 GR00T-N1.7-3B를 Ray Serve에 배포하여 Unitree G1 휴머노이드 로봇을 제어한다. Ray Core는 Isaac Lab 시뮬레이터를 각 GPU 워커에 할당하고, Ray Serve는 정책 추론을 담당한다. 실제 코드 구현에서는 Ray Serve의 데코레이터를 사용하여 모델을 배포하고, Ray Core의 원격 호출을 통해 시뮬레이션 롤아웃을 병렬로 실행한다.
VLA(Vision-Language-Action) 모델은 시각 정보와 언어 지시를 입력받아 로봇의 행동을 출력하는 모델이다.
46:17
Q&A 세션
Ray Serve를 사용할 때 모델 로딩과 배포 방식에 대한 질문이 다루어졌다. 모델을 배포할 때 Ray Serve의 데코레이터를 활용하면 기존 파이썬 클래스를 쉽게 서비스화할 수 있다. 또한, GPU 리소스 활용률을 높이기 위해 여러 워커를 배치하고 로드 밸런싱을 수행하는 방법이 논의되었다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 23.수집 2026. 07. 23.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
