.svg)
AI 솔루션 문의하기
휴머노이드 로봇이 물건을 옮기거나 조립하고 사람과 협업하는 환경에서는 작업을 성공했는지 실패했는지만으로 데이터 품질을 판단하기 어렵습니다. 같은 작업 결과라도 어떤 경로와 행동을 거쳐 목표를 달성했는지에 따라 학습에 활용할 가치가 달라질 수 있기 때문입니다. 반대로 최종적으로 작업에 실패했더라도 실패 직전의 판단과 행동이 정확하게 기록돼 있다면 이후 모델을 개선하는 데 활용할 수 있습니다. 따라서 성공·실패 데이터의 품질 평가는 결과값과 함께 행동 과정, 작업 조건, 센서 정보가 서로 맞게 연결됐는지를 살펴보는 방향으로 구성할 필요가 있습니다.
먼저 데이터에 기록된 성공과 실패의 기준이 실제 작업 목표와 일치하는지 확인해야 합니다. 예를 들어 물체를 집어 올리는 작업이라면 단순히 그립 동작이 실행됐다는 사실만으로 성공으로 처리하기 어렵습니다. 목표한 물체를 정확하게 잡고 지정된 위치까지 이동했는지처럼 작업의 완료 조건을 구체적으로 정의해야 합니다. 여러 단계로 구성된 작업에서는 중간 단계까지 수행한 사례와 최종 완료 사례를 구분하는 것도 중요합니다. 이러한 기준이 명확해야 데이터셋 안에서 동일한 결과를 일관된 방식으로 분류할 수 있습니다.
최종 결과와 작업 과정에 대한 정보가 함께 존재하는지 확인하는 것이 성공·실패 데이터 품질 평가의 기본이 됩니다.
휴머노이드는 두 팔과 손, 다리 등을 동시에 움직이면서 하나의 작업을 수행할 수 있습니다. 따라서 작업 결과만 저장하면 어느 행동이 성공에 기여했는지 파악하기 어렵습니다. 로봇의 자세와 관절 움직임, 이동 경로, 물체와의 상호작용을 작업 결과와 시간순으로 연결하는 방식이 필요합니다. 특히 여러 동작이 동시에 발생하는 구간에서는 영상과 센서 기록의 시간이 어긋나지 않았는지 확인해야 합니다. 행동 데이터와 결과 데이터의 시점이 맞지 않으면 실제로는 성공한 행동이 실패 행동처럼 기록되는 등 학습 과정에 혼선을 줄 수 있습니다.
실패 사례는 하나의 범주로 묶기보다 원인을 구분해 품질을 평가해야 합니다. 물체를 잘못 인식한 경우와 움직임을 제대로 제어하지 못한 경우, 주변 장애물 때문에 작업이 중단된 경우는 서로 다른 데이터입니다. 실패 원인이 실제 상황과 맞게 기록됐는지 확인하는 작업이 필요합니다. 센서 오류나 통신 지연처럼 로봇의 행동과 직접 관련이 없는 문제가 발생한 사례도 별도로 표시해야 합니다. 이런 구분이 없으면 시스템 자체의 문제와 로봇 행동의 문제를 동일한 학습사례로 취급하게 됩니다.
휴머노이드가 수행하는 작업은 물체의 크기와 무게, 배치, 주변 공간에 따라 결과가 달라질 수 있습니다. 한 가지 환경에서 성공한 사례가 많다고 해서 다양한 조건에서도 동일한 행동이 적합하다고 판단하기는 어렵습니다. 작업 장소와 대상 물체, 조명, 장애물 등의 조건이 데이터에 얼마나 다양하게 포함됐는지 확인하는 과정이 필요합니다. 특정 물체나 특정 자세의 성공 사례만 지나치게 많으면 데이터셋이 한정된 상황에 편중될 수 있습니다. 성공 데이터와 실패 데이터의 비율뿐 아니라 각각 어떤 조건에서 발생했는지를 함께 살펴야 합니다.
휴머노이드는 제조현장이나 서비스 환경에서 사람과 같은 공간을 사용할 수 있습니다. 이 경우 작업 성공 여부뿐 아니라 사람이 로봇의 움직임에 개입했는지, 로봇이 사람의 움직임을 인식하고 행동을 변경했는지도 데이터 품질에 영향을 줍니다. 사람의 접근이나 물체 전달처럼 외부 개입이 있었던 상황을 별도로 기록하는 것이 필요합니다. 사람의 도움으로 작업이 완료된 사례를 로봇이 독립적으로 성공한 사례와 동일하게 처리하면 실제 로봇의 작업 능력을 평가할 때 데이터가 왜곡될 수 있습니다.
휴머노이드 작업 데이터는 카메라 영상뿐 아니라 관절 각도, 힘과 접촉 정보, 위치정보 등 여러 데이터가 함께 사용될 수 있습니다. 이때 일부 센서값이 누락되거나 영상이 끊기면 작업 과정을 정확하게 재구성하기 어렵습니다. 각 데이터의 결측 여부와 시간 동기화 상태를 확인하고 실제 행동 구간과 기록 구간이 맞는지 검토해야 합니다. 영상은 정상적으로 저장됐더라도 센서 기록이 중간에 빠져 있다면 해당 데이터의 활용 범위를 별도로 표시할 필요가 있습니다.
동일한 작업을 여러 번 수행한 데이터에서는 라벨 기준이 일정하게 적용됐는지도 살펴봐야 합니다. 같은 수준의 작업 결과인데 어떤 기록은 성공으로, 다른 기록은 부분 성공이나 실패로 분류됐다면 데이터의 일관성이 떨어집니다. 동일한 작업 조건에서 비슷한 결과가 같은 기준으로 평가되는지 반복 사례를 비교하는 과정이 필요합니다. 라벨러마다 성공 판정 기준이 다를 경우에는 판단이 엇갈린 사례를 모아 기준을 조정하고 재검수하는 절차도 활용할 수 있습니다.
품질 평가가 끝난 뒤에는 모든 성공·실패 데이터를 동일한 비중으로 학습에 투입하기보다 활용 목적에 따라 구분할 수 있습니다. 반복적으로 발생하는 실패와 대표적인 성공 행동, 판단이 어려웠던 경계 사례를 별도로 분류하면 재학습 과정에서 필요한 데이터를 선택하기 쉬워집니다. 특히 실패 원인이 명확하고 작업 과정이 온전히 기록된 데이터는 행동 수정에 활용할 수 있는 사례가 됩니다. 반대로 센서 오류나 촬영 누락으로 결과를 정확히 판단하기 어려운 데이터는 검토 대상으로 남기거나 학습 대상에서 제외할 수 있습니다.
휴머노이드 작업 데이터의 품질은 성공 사례가 얼마나 많은지보다 각각의 데이터가 실제 작업 과정을 얼마나 정확하게 설명하는지를 기준으로 살펴볼 필요가 있습니다. 성공과 실패의 판정 기준을 명확히 하고 행동 과정과 센서 기록을 연결한 뒤, 환경조건과 사람의 개입 여부까지 함께 확인해야 데이터의 활용 범위를 판단할 수 있습니다. 이후 품질이 확인된 사례를 성공 행동, 실패 행동, 경계 사례 등으로 나누어 관리하면 모델 재학습이나 로봇 행동 개선에 필요한 데이터를 선택하는 과정도 보다 체계적으로 운영할 수 있습니다.
.svg)
.svg)
