MIT CSAIL, 가전용 로봇의 작업 계획 가속화를 위한 AI 개발

MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 연구원들은 가전용 로봇의 문제 해결 능력을 향상시키기 위해 설계된 AI 시스템인 PIGINet 개발로 중요한 돌파구를 이루었다. 머신러닝과 트랜스포머 인코더를 사용하여 PIGINet은 다양한 시나리오에서 계획 시간을 50%에서 80%까지 단축하여 작업 계획 프로세스를 간소화한다. 이동식 장애물이 있는 복잡한 환경을 효율적으로 탐색할 수 있는 모델의 능력은 가전용 작업에 대해 실용적이고 적응력 있는 솔루션을 제공한다.

가전용 로봇의 작업 계획 과제

가전용 로봇은 작업을 수행할 때 잠재적으로 취할 수 있는 수많은 행동에 직면하여 비효율적이고 시간이 많이 소요되는 계획 프로세스에 직면한다. 전통적인 접근 방식은 실행 가능한 솔루션이 발견될 때까지 작업 계획을 반복적으로 정교화하는 것이다. 그러나 이 방법은 이동식 및 관절형 장애물이 있는 상황에서 점점 더 번거로워진다. MIT CSAIL은 PIGINet 개발을 통해 이 프로세스를 혁신하고자 했다.

PIGINet은 가전용 로봇의 작업 계획 효율성을 향상시키기 위해 설계된 신경망이다. 데이터 시퀀스에서 작동하는 다재다능한 모델인 트랜스포머 인코더를 사용하여 작업 계획, 환경 이미지, 초기 및 원하는 상태의 기호 인코딩에 대한 정보를 처리한다. PIGINet은 작업 계획이 실행 가능한 운동 계획으로 이어질 확률을 예측하여 계획 시간을 극적으로 단축한다.

작업 계획 간소화

연구자들은 카운터, 냉장고, 캐비닛, 싱크대, 요리 냄비 사이에서 물건을 재배치하는 특정 작업이 포함된 서로 다른 레이아웃의 수백 개의 시뮬레이션 환경을 생성했다. PIGINet은 이전 방법들과 비교하여 테스트되었으며, 결과는 인상적이었다. 단순한 시나리오에서는 계획 시간을 80% 단축했고, 더 복잡한 상황에서는 20%에서 50% 단축했으며, 더 긴 계획 시퀀스와 더 적은 훈련 데이터가 필요했다.

다중 모드 임베딩을 통한 유연한 문제 해결

PIGINet의 입력 시퀀스에서 다중 모드 임베딩의 사용은 복잡한 기하학적 관계를 더 잘 이해할 수 있게 했다. 모델은 정확한 충돌 검사를 위해 3D 객체 메시지에 의존하지 않고 이미지 데이터로 공간 배열과 객체 구성을 파악했다. 이는 다양한 환경에서 빠른 의사 결정을 가능하게 했다.

데이터 과제 해결

PIGINet 개발 동안 주요 과제 중 하나는 좋은 훈련 데이터의 부족이었다. 실행 가능하고 실행 불가능한 계획은 전통적인 계획자에 의해 생성되어야 했는데, 이는 느린 과정이었다. 연구자들은 사전 훈련된 비전 언어 모델과 데이터 증강 기술을 사용하여 이 장애물을 극복했다. 모델은 이전에 보지 못한 객체가 있는 시나리오에서도 인상적인 계획 시간 감소를 보였다.

팀의 가전용 로봇에 대한 비전은 단순한 레시피 추종자가 아닌 적응력 있는 문제 해결사를 갖는 것이다. PIGINet의 범용 작업 계획자는 후보 작업 계획을 생성하고, 딥러닝 모델은 가장 유망한 것들을 선택한다. 그 결과는 복잡하고 동적인 환경을 재치 있게 탐색할 수 있는 더 효율적이고 실용적인 가전용 로봇이다.

미래 목표 및 가전용 로봇을 넘어

연구자들은 실행 불가능한 행동을 식별한 후 대체 작업 계획을 제안하도록 PIGINet을 정교하여, 대규모 데이터셋 없이도 실행 가능한 작업 계획 생성을 더욱 가속화할 계획이다. 이 혁신적인 로봇 훈련 및 적용 접근 방식은 가전용 로봇을 넘어 다양한 분야에서 새로운 가능성을 열어줄 수 있다.

PIGINet의 개발을 통해 MIT CSAIL은 계획 시간을 크게 단축하고 복잡한 환경에서의 적응력을 향상시켜 가전용 로봇의 능력을 발전시켰다. 머신러닝과 다중 모드 임베딩을 사용하여 PIGINet은 많은 문제에 대해 효율적이고 신뢰할 수 있는 솔루션을 제공한다. 로봇 훈련과 배포를 혁신할 잠재력은 이를 범용 로봇 공학의 핵심 혁신으로 만든다.