새로운 AI 시스템, 로봇의 실세계 환경 적응을 혁신적으로 변화시키다

로봇공학 분야는 오랫동안 로봇을 동적이고 실세계 환경에서 효과적으로 작동하도록 훈련시키는 어려움에 직면해 왔습니다. 로봇은 구조화된 환경에서 잘 작동하지만, 가정과 공공 장소와 같은 예측할 수 없는 실세계 환경에서 로봇을 훈련시키는 것은 어려운任务로 판명되었습니다. 주요 장애물은 이러한 기계를 훈련하는 데 필요한 다양한 실세계 데이터의 부족입니다.

워싱턴 대학교의 새로운 연구에서, 연구자들은 로봇을 복잡한 실세계 시나리오에 훈련시키는 데 잠재적으로 변혁적인 두 가지 혁신적인 AI 시스템을 공개했습니다. 이러한 시스템은 로봇 훈련을 위한 현실적인 시뮬레이션을 생성하기 위해 비디오 및 사진 데이터의 힘을 활용합니다.

RialTo: 로봇 훈련을 위한 디지털 트윈 생성

첫 번째 시스템인 RialTo는 로봇을 위한 훈련 환경을 생성하는 새로운 접근 방식을 도입합니다. RialTo를 사용하면 스마트폰만으로 물리적 공간의 “디지털 트윈”을 생성할 수 있습니다.

워싱턴 대학교의 폴 G. 앨런 컴퓨터 과학 및 엔지니어링 학교의 조교수이자 연구의 공동 선임 저자인 Abhishek Gupta 박사는 다음과 같이 설명합니다. “사용자는 스마트폰으로 공간을 빠르게 스캔하여 기하학적 구조를 기록할 수 있습니다. RialTo는 그러면 공간의 ‘디지털 트윈’ 시뮬레이션을 생성합니다.”

이 디지털 트윈은 정적 3D 모델이 아닙니다. 사용자는 시뮬레이션과 상호 작용하여 공간 내의 다양한 객체가 어떻게 작동하는지 정의할 수 있습니다. 예를 들어, 그들은 서랍이 어떻게 열리고 가전제품이 작동하는지 보여줄 수 있습니다. 이 상호 작용은 로봇 훈련에 중요합니다.

디지털 트윈을 생성한 후에, 가상 로봇은 반복적으로 시뮬레이션된 환경에서 작업을 연습할 수 있습니다. 강화 학습이라는 프로세스를 통해 로봇은 작업을 효과적으로 수행하는 법을 배우며, 환경의 잠재적인 중단이나 변경도 고려할 수 있습니다.

RialTo의 아름다움은 가상 학습을 물리적 세계로 전환할 수 있는 능력에 있습니다. Gupta는 다음과 같이 말합니다. “로봇은 그러면 물리적 환경에서 거의 동일한 정확도로 학습을 전환할 수 있습니다.”

URDFormer: 인터넷 이미지에서 시뮬레이션 생성

RialTo가 특정 환경의 고도로 정확한 시뮬레이션을 생성하는 데 중점을 둔 반면, 두 번째 시스템인 URDFormer는 보다 광범위한 접근 방식을 취합니다. URDFormer는 빠르고 비용 효율적으로 다수의 제네릭 시뮬레이션을 생성하는 것을 목표로 합니다.

워싱턴 대학교의 박사 과정 학생이자 URDFormer 연구의 첫 저자인 Zoey Chen은 다음과 같이 시스템의 고유한 접근 방식을 설명합니다. “URDFormer는 인터넷에서 이미지들을 스캔하고, 예를 들어, 주방 서랍과 캐비닛이 어떻게 움직일지에 대한 기존 모델과 이를 짝지어줍니다. 그러면 초기 실제 이미지에서 시뮬레이션을 예측합니다.”

이 방법을 통해 연구자들은 수백 개의 다양한 시뮬레이션 환경을 신속하게 생성할 수 있습니다. 이러한 시뮬레이션이 RialTo에 의해 생성된 것만큼 정밀하지 않을 수 있지만, 중요한 이점을 제공합니다. 로봇을 다양한 시나리오에 훈련시킬 수 있는 능력은 다양한 실제 상황에 대한 그들의 적응성을 크게 향상시킬 수 있습니다.

Chen은 특히 가정 환경에서 이 접근 방식의 중요성을 강조합니다. “집은 고유하고 끊임없이 변화합니다. 다양한 물건, 작업, 평면도, 그리고 사람들의 움직임이 있습니다. 이것이 로봇공학에서 AI가真正로 유용해지는 곳입니다.”

인터넷 이미지로 이러한 시뮬레이션을 생성함으로써, URDFormer는 훈련 환경을 생성하는 데 필요한 시간과 비용을 크게 줄일 수 있습니다. 이것은 다양한 실제 환경에서 작동할 수 있는 로봇의 개발을 가속화할 수 있습니다.

로봇 훈련의 민주화

RialTo와 URDFormer의 도입은 로봇 훈련의 민주화를 위한 중요한 단계를 나타냅니다. 이러한 시스템은 실제 환경에서 로봇을 준비하는 데 관련된 비용을 크게 줄일 수 있으며, 기술을 연구자, 개발자, 그리고 잠재적으로는 최종 사용자에게 더 접근하기 쉽게 만들 수 있습니다.

Gupta는 이러한 기술의 민주화 잠재력을 강조합니다. “만약 당신이 스마트폰으로 집을 스캔하여 로봇을 작동시킬 수 있다면, 그것은 기술을 민주화합니다.” 이것은 가정 로봇의 개발과 채택을 가속화할 수 있으며, 궁극적으로는 스마트폰만큼 일반적인 가전 로봇이 있는 미래를 가져올 수 있습니다.

가정 로봇에 대한 영향은 특히 흥미롭습니다. 집은 로봇에게 가장 어려운 환경 중 하나입니다. 이러한 새로운 훈련 방법은 로봇이 개인의 집 레이아웃과 루틴에 적응하고 다양한 작업을 수행할 수 있는真正한 도움을 줄 수 있는 새로운 세대의 가전 로봇을 가능하게 할 수 있습니다.

보완적 접근 방식: 사전 훈련 및 특정 배치

RialTo와 URDFormer는 로봇 훈련의 도전에 대해 서로 다른 각도에서 접근하지만, 서로 배타적이지 않습니다. 실제로, 이러한 시스템은 보다 포괄적인 로봇 훈련 레지먼을 제공하기 위해 함께 작동할 수 있습니다.

“두 가지 접근 방식은 서로 보완할 수 있습니다.” Gupta는 설명합니다. “URDFormer는 수백 개의 시나리오에 대한 사전 훈련에真正로 유용합니다. RialTo는 로봇을 사전 훈련한 후에 특정 집에서 배치하고 95%의 성공률을 달성하고자 할 때 특히 유용합니다.”

이 보완적 접근 방식은 로봇을 위한 2단계 훈련 프로세스를 허용합니다. 첫 번째 단계에서는 로봇을 URDFormer의 신속하게 생성된 시뮬레이션을 통해 다양한 시나리오에 노출시킵니다. 이것은 로봇이 다양한 환경과 작업에 대한 일반적인 이해를 개발하는 데 도움이 됩니다. 두 번째 단계에서는 로봇을 특정 배치 환경에서 작동하도록 세부적으로 훈련시키기 위해 RialTo를 사용하여 정확한 시뮬레이션을 생성할 수 있습니다.

미래를 내다보면, 연구자들은 이러한 훈련 방법을 더욱 향상시키는 방법을 탐색하고 있습니다. Gupta는 다음과 같이 말합니다. “앞으로 RialTo 팀은 시스템을 사람들의 집에서 배치하는 것을 목표로 하고 있습니다(현재는 주로 실험실에서 테스트되었습니다).” 이것은 시스템을 다듬고 다양한 가정 환경에서 그 효과를 보장하는 데 중요한 역할을 할 것입니다.

도전과 미래 전망

앞으로 나아가면서도, 로봇 훈련 분야에는 여전히 도전이 남아 있습니다. 연구자들이 직면한 주요 문제 중 하나는 실제 환경과 시뮬레이션 데이터를 어떻게 효과적으로 결합할 수 있는지입니다.

Gupta는 다음과 같이 말합니다. “우리는 여전히 실제 환경에서 수집된 데이터(비용이 많이 들지만 정확함)와 시뮬레이션에서 수집된 데이터(저렴하지만 약간 잘못됨)를 어떻게 최선으로 결합할 수 있는지 알아내야 합니다.” 목표는 시뮬레이션의 비용 효율성을 활용하면서 실제 데이터가 제공하는 정확성을 유지하는 최적의 균형을 찾는 것입니다.

로봇공학 산업에 대한 잠재적 영향은 상당합니다. 이러한 새로운 훈련 방법은 더 능력 있고 적응성이 뛰어난 로봇의 개발을 가속화할 수 있으며, 궁극적으로는 가정 지원부터 의료까지 다양한 분야에서 돌파구를 가져올 수 있습니다.

또한, 이러한 훈련 방법이 더 정교해지고 접근성이 향상되면, 로봇공학 산업에서 변화를 볼 수 있을 것입니다. 더 작은 회사와 심지어 개인 개발자들도 정교한 로봇을 훈련시키는 도구를 가지게 되어, 혁신적인 로봇 응용 프로그램의 붐을 가져올 수 있습니다.

미래의 전망은 흥미롭습니다. 잠재적 응용 분야는 현재의 사용 사례를 훨씬 넘어섭니다. 로봇이 실제 환경에서 더 잘 탐색하고 상호 작용할 수 있게 되면, 집, 사무실, 병원, 공공 장소에서 점점 더 복잡한 작업을 수행할 수 있을 것입니다.