곡예를 하는 로봇은 훌륭한 마케팅 트릭일 수 있지만 일반적으로 이러한 디스플레이는 고도로 안무되고 공들여 프로그래밍됩니다. 이제 연구원들은 실제 조건에서 이전에는 볼 수 없었던 복잡한 장애물 코스를 해결하기 위해 4족 보행 AI 로봇을 훈련시켰습니다.
민첩한 로봇을 만드는 것은 현실 세계의 본질적인 복잡성, 로봇이 수집할 수 있는 제한된 양의 데이터, 역동적인 움직임을 수행하기 위해 결정을 내려야 하는 속도로 인해 어렵습니다.
보스턴 다이내믹스(Boston Dynamics)와 같은 회사들은 파쿠르에서 댄스 루틴에 이르기까지 모든 것을 하는 로봇의 비디오를 정기적으로 공개했습니다. 그러나 이러한 업적이 인상적이기는 하지만, 일반적으로 인간이 모든 단계를 공들여 프로그래밍하거나 고도로 통제된 동일한 환경에서 반복해서 훈련해야 합니다.
이 프로세스는 기술을 현실 세계로 이전하는 능력을 심각하게 제한합니다. 그러나 이제 스위스 ETH 취리히의 연구원들은 기계 학습을 사용하여 로봇 개 ANYmal에게 일련의 기본 기관차 기술을 가르친 다음 함께 연결하여 최대 시속 4.5마일의 속도로 실내 및 실외 모두에서 다양한 도전적인 장애물 코스를 해결할 수 있습니다.
"제안된 접근 방식은 로봇이 전례없는 민첩성으로 움직일 수 있게 해줍니다"라고 Science Robotics의 연구에 대한 새로운 논문의 저자는 씁니다. "이제 목표 위치를 향해 사소하지 않은 경로를 선택하면서 큰 장애물을 오르고 점프해야 하는 복잡한 장면에서 진화할 수 있습니다.”
유연하면서도 유능한 시스템을 만들기 위해 연구진은 문제를 세 부분으로 나누고 각각에 신경망을 할당했습니다. 먼저, 카메라와 라이다의 입력을 받아 지형과 그 안에 있는 장애물의 그림을 만드는 인식 모듈을 만들었습니다.
그들은 이것을 점프, 기어오르기, 기어내려가기, 웅크리기 등 다양한 종류의 장애물을 통과하는 데 도움이 되도록 설계된 기술 카탈로그를 학습한 운동 모듈과 결합했습니다. 마지막으로, 그들은 일련의 장애물을 통과하는 코스를 계획하고 장애물을 제거하기 위해 호출할 기술을 결정할 수 있는 탐색 모듈과 이러한 모듈을 병합했습니다.
논문 저자 중 한 명인 엔비디아 엔지니어 니키타 루딘(Nikita Rudin)은 뉴 사이언티스트(New Scientist)와의 인터뷰에서 "우리는 대부분의 로봇의 표준 소프트웨어를 신경망으로 대체하고 있다"고 말했다. "이를 통해 로봇은 다른 방법으로는 불가능했던 동작을 달성할 수 있습니다."
이 연구에서 가장 인상적인 측면 중 하나는 로봇이 시뮬레이션 훈련을 받았다는 사실입니다. 로봇 공학의 주요 병목 현상은 로봇이 학습할 수 있는 충분한 실제 데이터를 수집하는 것입니다. 시뮬레이션은 많은 가상 로봇을 병렬로 시험하고 실제 로봇보다 훨씬 더 빠른 속도로 데이터를 수집하는 데 도움이 될 수 있습니다.
그러나 시뮬레이션에서 배운 기술을 현실 세계로 옮기는 것은 단순한 가상 세계와 매우 복잡한 물리적 세계 사이의 불가피한 차이로 인해 까다롭습니다. 실내와 실외 모두에서 보이지 않는 환경에서 자율적으로 작동할 수 있는 로봇 시스템을 훈련하는 것은 중요한 성과입니다.
훈련 과정은 인간이 시연하는 것이 아니라 순전히 강화 학습(효과적인 시행착오)에 의존했으며, 이를 통해 연구원들은 각각에 수동으로 레이블을 지정할 필요 없이 매우 많은 수의 무작위 시나리오에 대해 AI 모델을 훈련할 수 있었습니다.
또 다른 인상적인 특징은 모든 것이 외부 컴퓨터에 의존하지 않고 로봇에 설치된 칩에서 실행된다는 것입니다. 그리고 연구원들은 다양한 시나리오에 대처할 수 있을 뿐만 아니라 ANYmal이 장애물 코스를 완주하기 위해 넘어지거나 미끄러졌을 때 회복할 수 있음을 보여주었습니다.
연구진은 이 시스템의 속도와 적응성을 통해 이런 방식으로 훈련된 로봇이 언젠가는 잔해나 무너진 건물과 같은 예측할 수 없고 탐색하기 어려운 환경에서 수색 및 구조 임무에 사용될 수 있음을 시사한다고 말했습니다.
그러나 이 접근 방식에는 한계가 있습니다. 이 시스템은 크기와 구성이 다양하더라도 특정 종류의 장애물을 처리하도록 훈련되었습니다. 더 구조화되지 않은 환경에서 작동하려면 더 광범위한 기술 팔레트를 개발하기 위해 더 다양한 시나리오에서 훨씬 더 많은 교육이 필요합니다. 그리고 그 훈련은 복잡하고 시간이 많이 걸립니다.
그러나 그럼에도 불구하고 이 연구는 로봇이 복잡한 실제 환경에서 작동할 수 있는 능력이 점점 더 커지고 있음을 나타냅니다. 그것은 그들이 곧 우리 주변에서 훨씬 더 눈에 띄는 존재가 될 수 있음을 시사합니다.
이상의 기사는 2024년 3월 14일 SingularityHub에 게재된 “Watch an AI Robot Dog Rock an Agility Course It’s Never Seen Before”제목의 기사 내용을 편집하여 작성하였습니다.
* 원문 출처 : https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/
저작권자 ⓒ 창조아고라, 무단 전재 및 재배포 금지