.svg)
AI 솔루션 문의하기
로봇이 공간을 이해하는 방식은 한 가지가 아닙니다. 가장 추상적 수준에서는 "방 A는 복도를 통해 방 B에 연결된다" 같은 위상적 관계(topological relationship)를 이해합니다. 이 수준에서는 정확한 거리나 각도는 중요하지 않고, 연결 구조만 중요합니다. 다음 수준에서는 "A는 B 위에 있고, C는 A 왼쪽에 있다" 같은 상대적 공간 관계(relative spatial relations)를 이해합니다. 가장 구체적 수준에서는 "A는 (x=0.5m, y=0.3m, z=1.2m)에 있다" 같은 절대 좌표(absolute coordinates)를 사용합니다.
기존의 로봇 학습 데이터는 보통 절대 좌표만을 포함했습니다. 그러나 로봇이 새로운 환경에 적응하려면 이 모든 수준의 공간 표현을 학습해야 합니다. 위상적 수준의 이해는 환경이 바뀌어도 변하지 않지만, 절대 좌표는 환경마다 다릅니다. 학습 데이터 구성 시 여러 추상화 수준의 공간 정보를 함께 포함시키면, 로봇이 새로운 환경에 유연하게 적응할 수 있습니다. 공간의 계층적 표현을 모두 포함한 학습 데이터로 로봇의 환경 일반화 능력이 크게 향상될 것으로 예상됩니다.
로봇의 공간 추론은 여러 표현을 동시에 사용합니다. 위상, 상대적 관계, 메트릭 좌표를 통합한 다층 데이터 구조로 로봇이 다양한 공간 추론 작업에 유연하게 대응할 수 있을 것으로 기대됩니다.
"A는 B 위에 있다"는 표현도 맥락에 따라 다양하게 해석됩니다. 물리적으로 정확히 B의 상단에 있을 수도 있고, B보다 높은 높이에 있으면서 약간 옆에 있을 수도 있습니다. 또한 같은 상대적 위치라도 물체의 크기에 따라 다릅니다. 손가락이 손의 위에 있는 것과 책이 책상 위에 있는 것은 물리적으로 매우 다릅니다.
학습 데이터에 상대적 위치의 다양한 예시를 포함시킵니다. "위에"라는 표현이 포함할 수 있는 모든 배치 방식(정확히 수직, 약간 기울어짐, 한쪽만 접촉 등)을 수집합니다. 또한 물체의 형태와 크기가 상대적 위치 표현에 미치는 영향도 기록합니다. 동일한 관계도 물체의 특성에 따라 다르게 표현될 수 있습니다. 상대적 위치의 다양성과 물체 특성의 상호작용을 포함한 데이터로 로봇의 공간 표현이 매우 섬세해질 것으로 기대됩니다.
로봇이 알아야 할 중요한 정보는 "어떤 배치가 가능한가"뿐 아니라 "어떤 배치가 불가능한가"입니다. 물리적 제약(물체는 벽을 통과할 수 없다), 기능적 제약(컵 안에 테이블을 넣을 수 없다), 안정성 제약(무거운 물체는 좁은 받침대 위에 놓을 수 없다)이 있습니다. 학습 데이터에 불가능한 배치 상황도 라벨링합니다. 단순히 "가능/불가능"의 이진 라벨만 아니라, "왜 불가능한가"의 이유도 명시합니다. "벽 안에 있으므로 불가능", "무게 때문에 불가능", "물리적으로 접근 불가능" 등을 구분합니다.
또한 경계 사례(boundary cases)도 포함시킵니다. "방금 안정적이지만 약간의 움직임으로 넘어질 수 있는 배치" 같은 상황을 기록하면, 로봇이 위험 상황을 감지할 수 있습니다. 공간 제약 조건과 실패 사례를 체계적으로 포함한 데이터로 로봇의 안전 예측 능력이 향상될 것입니다.
로봇이 점 A에서 점 B로 이동하려면, 중간의 공간 구조를 이해해야 합니다. 직진할 수 없으면 장애물을 피해야 하고, 복도가 좁으면 다른 경로를 찾아야 합니다. 경로 계획 데이터는 시작점, 목표점, 선택된 경로, 그 경로가 왜 선택되었는지를 포함합니다. 같은 목표점이라도 로봇의 크기, 적재량, 이동 속도 같은 조건에 따라 다른 경로가 선택될 수 있습니다.
또한 시간에 따라 환경이 변할 때의 경로 조정도 기록합니다. 처음에는 이상적인 경로를 계획했지만, 실제 이동 중에 새로운 장애물을 발견하면 경로를 다시 계획합니다. 이러한 온라인 경로 재계획(online replanning)의 과정도 중요한 학습 신호입니다. 경로 계획의 정적 계획뿐 아니라 동적 재계획 과정을 포함한 데이터로 로봇의 적응형 네비게이션 능력이 향상될 것으로 기대됩니다.
로봇이 공간을 표현하는 방식은 여러 가지입니다. 2D 지도(top-down view), 3D 포인트 클라우드, 복셀 그리드(voxel grid), 신경 방사 필드(neural radiance field) 등 다양한 표현이 있습니다. 각 표현은 다른 장점과 한계를 가집니다. 2D 지도는 네비게이션에 유용하지만 높이 정보가 없습니다. 3D 포인트 클라우드는 정밀하지만 계산 비용이 높습니다.
학습 데이터에 여러 표현을 함께 포함시키면, 로봇이 상황에 맞춰 표현을 선택할 수 있습니다. 또한 한 표현에서 다른 표현으로의 변환도 학습 신호가 됩니다. 2D 지도로부터 3D 정보를 추론하거나, 포인트 클라우드로부터 2D 경로를 계획하는 과정을 기록합니다. 다양한 공간 표현과 변환을 포함한 데이터로 로봇의 표현 학습 능력이 매우 향상될 것으로 기대됩니다.
현실에서는 공간 정보가 완벽하지 않습니다. 센서 오류로 거리가 부정확할 수 있고, 환경이 동적으로 변할 수 있습니다. 따라서 로봇은 확실한 정보뿐 아니라 불확실한 상황을 다루는 방법을 배워야 합니다. 학습 데이터에 불확실성을 포함시킵니다. 같은 장면도 센서 오류에 따라 약간씩 다르게 측정되는 상황을 기록합니다.
또한 같은 공간 정보도 여러 가지로 해석될 수 있습니다. "A는 B 근처에 있다"는 표현이 1m 떨어진 것일 수도, 10m 떨어진 것일 수도 있습니다. 이러한 모호성을 데이터에 반영합니다. 로봇이 확률적 공간 추론(probabilistic spatial reasoning)을 학습하면, 불확실한 상황에서도 합리적인 결정을 내릴 수 있습니다. 불확실성과 모호성을 포함한 공간 추론 데이터로 로봇의 강건성이 매우 향상될 것으로 예상됩니다.
로봇이 공간을 이해하는 방식은 맥락에 따라 달라집니다. 같은 거리라도 사람이 있을 때와 없을 때 의미가 다릅니다. "1m 거리에 있다"는 표현이 사람이 있으면 "사람에게 접근하는 것" 같은 의미이지만, 사람이 없으면 단순한 거리 표현입니다. 또한 작업의 종류에 따라 공간 이해가 달라집니다. 물체를 집을 때는 세밀한 메트릭 좌표가 필요하지만, 다른 방으로 이동할 때는 위상적 이해만으로 충분합니다.
학습 데이터에 작업의 종류와 환경의 맥락을 라벨링합니다. 같은 공간 정보도 맥락에 따라 다르게 처리되어야 함을 명시합니다. 맥락 의존적인 공간 추론 규칙을 포함한 데이터로 로봇의 지능적 공간 이해가 매우 향상될 것입니다.
.svg)
.svg)
