MIT의 돌파구: 로봇이 물체 조작에 전신을 활용

매사추세츠 공과대학교(MIT) 연구진들이 로봇 조작 능력을 크게 개선했습니다. '스무딩(Smoothing)'이라는 새로운 AI 기술을 통해 로봇은 이제 손끝뿐만 아니라 전신을 사용하여 작업을 수행할 수 있게 되었습니다. 이 혁신은 공장, 우주 탐사 등 다양한 분야에서 로봇이 활용되는 방식을 근본적으로 바꿀 잠재력을 가지고 있습니다.

접촉이 빈번한 조작 계획의 과제

전신을 사용하여 물체를 조작하는 것은 로봇에게 거대한 도전입니다. 로봇은 손가락, 손, 팔, 몸통으로 물체에 닿을 때마다 수십억 개의 잠재적 접촉 지점을 고려해야 합니다. 이를 '접촉이 빈번한 조작 계획(Contact-rich manipulation planning)'이라고 부르며, 이는 계산 비용이 많이 들고 실제 적용에 있어 병목 현상이 되어 왔습니다. 인간은 이러한 작업을 직관적으로 처리하지만, 로봇에게는 압도적으로 복잡해집니다.

해결책

문제를 단순화하기 위해 MIT 연구진은 '스무딩'을 기반으로 한 새로운 AI 기술을 개발했습니다. 이 기술은 수많은 접촉 이벤트를 더 작고 관리하기 쉬운 의사결정 세트로 압축합니다. 이 혁신을 통해 기본 알고리즘조차도 로봇을 위한 효과적인 조작 계획을 효율적으로 수립할 수 있게 되었습니다. 

'스무딩은 중요하지 않은 중간 단계의 많은 결정을 평균화하여, 몇 가지 중요한 결정만 남깁니다.'라고 IEEE Transactions on Robotics에 게재된 논문의 공동 저자이자 MIT 대학원생인 H.J. Terry Suh는 말했습니다.

강화 학습 vs 스무딩

강화 학습(Reinforcement learning)은 로봇이 복잡한 작업을 수행하는 데 효과적이지만, 막대한 컴퓨팅 파워와 시간이 필요합니다. Suh에 따르면, 강화 학습은 시행착오를 통한 '블랙박스' 시스템을 통해 학습하며, 효과적이 되기까지 시뮬레이션 시간으로 '수백만 년'이 걸리기도 합니다. 

반면, 스무딩은 대안을 제공합니다. 연구진은 모델과 문제를 신중하게 이해함으로써 프로세스의 효율성을 높일 수 있었습니다. 스무딩을 통해 로봇은 물체와의 핵심 상호작용에 집중할 수 있게 되어, 더 빠르고 효과적인 작업 계획을 수립할 수 있습니다.

효율성 달성 및 결합된 접근 방식

스무딩을 통한 발전에도 불구하고, 줄어든 의사결정 범위 내에서도 탐색하는 것은 여전히 어려웠습니다. 연구진은 스무딩 모델과 탐색 알고리즘을 결합하여, 일반 노트북에서 계산 시간을 약 1분으로 줄였습니다.

연구팀은 시뮬레이션과 실제 로봇 팔 모두에서 이 접근 방식을 테스트했으며, 강화 학습과 비교할 만한 성능을 훨씬 짧은 시간 내에 달성했습니다.

응용 및 전망

이 연구의 함의는 지대합니다. 산업 현장에서는 공장이 대형 로봇 팔을 더 작고 이동성이 뛰어난 로봇으로 대체할 수 있으며, 이러한 로봇은 전신을 사용하여 조작 작업을 수행함으로써 에너지 소비와 비용을 절감할 수 있습니다. 

또한, 이 기술은 새로운 환경에 빠르게 적응해야 하는 화성이나 기타 천체로 보내지는 탐사 로봇들에게 귀중한 자원이 될 수 있습니다.

다만, 연구진은 로봇이 물체를 쓰레기통에 던지는 것과 같은 동적 작업을 처리하는 데 한계가 있음을 인정합니다. 연구진은 이러한 도전에 대처하기 위해 접근 방식을 더욱 정교하게 다듬을 계획입니다.

Suh는 이를 '블랙박스' 시스템으로 생각하는 대신, 모델을 사용하여 이러한 로봇 시스템의 구조를 활용하면 전체 절차를 가속화할 수 있는 기회가 있다고 강조했습니다. 

이 작업은 아마존, MIT 링컨 연구소, 미국 국가과학재단(National Science Foundation), 그리고 오카도 그룹(Ocado Group)의 부분적인 지원을 받았습니다. MIT의 로봇 조작 기술이 계속 진화함에 따라 다양한 부문의 로봇 기술에 새로운 가능성을 열어주며, 문제에 대한 깊은 이해가 혁신적인 솔루션으로 이어질 수 있음을 입증하고 있습니다.

이러한 발전과 함께, 인간처럼 직관적으로 물체를 조작하는 로봇이 현실이 되는 것도 멀지 않았습니다.