VLA 엔드투엔드 vs Cascade: Gemini Robotics ER 1.6이 고른 로봇 제어 아키텍처

Google DeepMind가 2026년 4월 체화 추론(Embodied Reasoning) 전용 모델 Gemini Robotics ER 1.6을 공개하고, Boston Dynamics의 4족 보행 로봇 Spot과 공동 데모를 시연했다. 이 릴리스의 기술적 핵심은 센서 스트림·동작 계획·자연어 대화를 단일 엔드투엔드 모델에서 처리하는 Vision-Language-Action(VLA) 아키텍처다.

무엇을 함께 시연했나

항목	내용
모델	Gemini Robotics ER 1.6
제공자	Google DeepMind
파트너 로봇	Boston Dynamics Spot (4족)
모델 유형	Vision-Language-Action 엔드투엔드
주요 강점	체화 추론, 에이전틱 비전, 자연어 대화
공개 채널	Gemini API, Google AI Studio

Vision-Language-Action(VLA)은 시각·언어·행동 모달리티를 단일 모델에서 처리하는 패러다임이고, Embodied Reasoning은 물리 환경 내 자신의 몸과 공간을 인식하며 수행하는 추론이다. 엔드투엔드 모델은 입력 센서에서 행동 출력까지 단일 신경망으로 학습·추론하며, 로봇 제어 LLM은 자연어 지시를 로봇 기본 동작 시퀀스로 매핑하는 언어 기반 제어 계층을 뜻한다.

단일 모델이 지켜야 할 설계 원칙

이미지·깊이·언어·행동을 공통 임베딩에서 정렬하는 통합 표현 공간이 출발점이다. 자연어 지시가 행동 정책의 조건 변수로 직접 작동하는 태스크 조건화 위에서, 고수준 계획과 저수준 모터 명령을 단일 모델이 계층적으로 생성하는 다중 시간 스케일이 이어진다. 행동 이후의 관측 변화가 즉시 다음 행동을 수정하는 관측-행동 루프를 돌리고, 거부·정지·속도 제한 같은 안전 제약은 출력 분포 수준에서 학습해 내재화한다.

나눠서 처리할 것인가, 하나로 묶을 것인가

축	Cascade 파이프라인	엔드투엔드 VLA
구성	지각·계획·제어 분리 모듈	단일 모델 통합
오류 전파	각 모듈 경계에서 정보 손실	내부 표현에서 보존
지연	모듈 호출 오버헤드 누적	단일 추론 경로
학습 데이터	모듈별 수집	멀티모달·멀티태스크 통합
디버깅	모듈 단위 용이	설명 가능성 도구 필요
일반화	신규 태스크 확장 부담	자연어 지시로 즉시 확장

카메라·깊이·IMU가 하나의 표현으로 합쳐지는 곳

⤢✕

이질적인 센서를 모달리티별 인코더로 각각 임베딩한 뒤 융합한다. 공간 표현은 객체·거리·로봇 자세를 하나의 좌표계로 통합하고, IMU 같은 고주기 센서와 카메라 같은 저주기 센서는 시간 축으로 정렬된다.

계획과 제어가 같은 디코더에서 나온다

⤢✕

고수준 계획과 저수준 행동이 동일한 토크나이저 공간에서 생성되기 때문에, 태스크 그래프와 연속 제어가 같은 디코딩 단계에서 일관되게 산출된다. 실행 이후 관측된 환경 변화는 다시 VLA 입력으로 돌아가 폐루프를 완성한다.

지시가 애매하면 되묻는다

운영자가 "압력 계측기 3번 확인하고, 100 초과면 보고"처럼 자연어로 지시하면 VLA가 이를 파싱해 이동·정렬·판독·비교·보고 단계로 분해한다. 각 단계에서 센서 입력을 참조해 계획을 실시간으로 재조정하고, 지시가 모호하면 운영자에게 자연어로 확인 질문을 만들어낸다.

언어를 로봇 제어에 붙이는 방식들

언어 모델 자체를 정책 함수로 쓰는 Language-as-Policy, 언어 모델은 계획만 맡고 제어는 별도 정책에 맡기는 Language-as-Planner, 언어를 운영자-로봇 접점에 한정하고 제어·계획은 모델 내부 표현에 두는 Language-as-Interface로 나뉜다. 이 셋을 단일 모델에서 융합한 것이 Gemini Robotics ER 1.6이 채택한 VLA 엔드투엔드이고, 언어 모델이 인식·제어 API를 툴로 호출하는 Tool-Using Agent도 별도 갈래로 존재한다.

공동 데모가 보여준 것

시나리오	특징	VLA 기여
산업 설비 라운드 점검	반복·표준화된 경로	에이전틱 비전 판독 정확도
이상 상황 즉흥 대응	신규 지시·예외	자연어 조건부 분기 계획
복합 도구 조작	여러 장비 연계	멀티스텝 태스크 그래프
운영자와 협업	언어 기반 조율	자연어 대화 + 상태 공유

사전 정의 경로 중심 점검에서 지시 기반 자율 점검으로 패러다임이 옮겨갔고, 엔드투엔드 VLA 덕분에 새로운 태스크를 코드 수정 없이 자연어만으로 확장할 수 있다.

실전에 들일 때 살필 것들

실시간 제어와 클라우드 추론이 만나는 지점에서는 지연 예산과 폴백 전략이 필요하고, 모델 내재 안전만 믿지 말고 하드웨어 인터락을 함께 두는 안전 다층화가 필요하다. 조직·현장 고유 데이터로 파인튜닝할 때는 안전 회귀를 평가해야 하고, 센서·계획·행동 시퀀스는 상관 ID로 묶어 감사 로그로 저장해야 한다. 산업용 로봇 안전 규격(ISO 10218 등)과 AI 의사결정의 정합성도 검토 대상이다.

Gemini Robotics ER 1.6과 Boston Dynamics Spot의 조합은 VLA 엔드투엔드 모델이 더 이상 연구 데모가 아닌 산업 자동화의 실무 옵션이 되었음을 보여준다. 센서 스트림·동작 계획·자연어 대화를 단일 모델에 통합하는 설계는 오류 전파·지연·확장성 측면에서 Cascade 파이프라인보다 유리하며, 자연어 지시만으로 태스크를 즉시 확장할 수 있다는 점에서 운영자 경험도 크게 개선된다.