.svg)
AI 솔루션 문의하기
로봇이 특정 작업을 수행하려면 주변 환경의 특성을 파악하고 이에 맞는 행동을 결정해야 하는데 사람이 손으로 물건을 집을 때 무의식적으로 그 물건의 위치와 크기, 무게, 경도 같은 특성을 판단하면서 행동하는 것처럼 로봇도 유사한 판단 능력을 갖출 수 있어야 합니다. 카메라로부터 받은 영상 정보와 힘 센서로부터 얻은 물리적 정보를 종합하여 행동 방식을 결정하는 과정을 거칩니다.
로봇이 이러한 판단 능력을 발전시키기 위해서는 학습 과정이 필수적이며 다양한 상황에서 많은 경험을 축적하면서 패턴을 인식하고 문제 해결 능력을 키우게 됩니다. 이렇게 얻어진 경험은 데이터 형태로 저장되고 머신러닝 모델을 훈련하는 데 활용됩니다.
로봇 AI 학습 데이터는 로봇이 실제로 수행한 작업의 기록이며 환경과의 상호작용 과정을 담고 있습니다. 이는 숫자 데이터를 넘어 공간-시간 정보와 힘, 토크, 촉각 정보, 시각 정보를 종합적으로 포함하는 다층적인 특성을 가집니다.
로봇으로부터 학습에 필요한 데이터를 수집하는 방식은 상황과 목표에 따라 여러 가지 접근 방법이 있을 수 있습니다. 가장 직접적인 방식은 로봇이 실제 환경에서 작업을 수행하면서 센서로부터 데이터를 기록하는 것이지만 로봇 운영에 드는 비용과 안전상의 제약이 있어서 모든 상황에서 이 방법을 적용하기는 어렵습니다.
인간 지연이라 불리는 방식에서는 숙련된 사람이 로봇을 직접 조종하여 특정 작업을 수행하고 그 과정의 데이터를 기록합니다. 사람의 손 움직임을 추적 센서로 포착하여 이를 로봇 팔의 움직임으로 변환할 때 로봇이 학습할 수 있는 높은 품질의 데이터를 얻을 가능성이 높습니다. 다만 인간 지연으로 수집된 데이터는 사람의 능력 범위 내로 제한될 수 있으며 사람이 시도하지 않은 움직임이나 극단적인 조건의 상황은 데이터에 포함되기 어려울 수 있으므로 여러 사람으로부터 다양한 수행 방식의 데이터를 수집하는 것이 데이터의 다양성을 높이는 데 도움이 될 수 있습니다.
강화 학습을 활용하는 접근에서는 로봇이 환경과의 상호작용을 통해 스스로 데이터를 생성하며 보상 신호를 받으면서 시행착오를 거쳐 학습합니다. 이 방식은 다양한 상황을 탐색할 수 있다는 잠재적 장점이 있지만 수렴 속도가 상대적으로 느리고 학습에 많은 시간과 계산 자원이 필요할 수 있습니다.
로봇이 장착하는 다양한 종류의 센서들은 각각 서로 다른 정보를 제공할 수 있습니다. 카메라와 깊이 센서는 환경의 시각적 특징을 포착하고 3차원 거리 정보를 제공하며 관성 측정 장치와 토크 센서, 접촉 센서 등이 함께 작동하면서 로봇의 움직임과 물리적 상호작용을 추적합니다.
카메라와 깊이 센서를 결합했을 때 환경의 3차원 구조를 파악할 가능성이 높아지며 시각 정보만으로는 파악하기 어려운 물건의 재질, 경도, 마찰력 같은 특성을 접촉 센서로부터 얻을 수 있습니다. 부드러운 물체와 단단한 물체를 구분할 수 있을 뿐만 아니라 접촉이 일어난 위치로부터 물체의 위치와 방향을 추정할 수 있을 것으로 예상됩니다.
여러 센서로부터 받은 데이터를 효과적으로 활용하려면 시간 축을 정확하게 정렬하고 데이터 형식을 통일하며 누락된 정보를 처리하고 센서 간의 지연 시간을 보정하는 과정이 필요합니다. 이러한 전처리 작업을 통해 멀티모달 데이터를 통합적으로 분석할 수 있게 됩니다.
로봇 팔은 여러 관절로 구성되어 있으며 각 관절의 위치 각도와 속도, 가속도에 관한 정보는 로봇의 행동을 이해하는 데 중요한 역할을 할 수 있습니다. 이러한 정보들은 로봇에 내장된 엔코더나 속도 센서로부터 직접 얻을 수 있으며 정운동학이라 불리는 계산 과정을 통해 각 관절의 각도로부터 로봇 팔 끝단의 위치와 방향을 계산할 수 있습니다.
역운동학은 정운동학의 반대 방향 계산으로 원하는 목표 위치와 방향이 주어졌을 때 필요한 관절 각도를 역산하는 과정을 말합니다. 이 계산은 수학적으로 복잡할 수 있으며 여러 개의 해가 존재할 수 있기 때문에 머신러닝을 활용하여 이 관계를 학습하는 것이 효율적일 수 있습니다.
로봇에 가해지는 힘과 토크의 관계를 다루는 동역학 데이터는 각 관절의 토크가 시간에 따라 어떻게 변화하는지를 기록합니다. 같은 위치에 도달하더라도 움직임의 속도와 부드러움에 따라 토크 프로필이 달라질 수 있으므로 이러한 차이를 포착했을 때 로봇의 행동 특성을 더욱 깊이 있게 이해할 수 있을 것으로 기대됩니다.
로봇이 물체를 조작하기 위해서는 먼저 물체를 인식하고 분류해야 하며 카메라 영상으로부터 물체를 검출하고 3차원 깊이 정보로부터 물체의 기하학적 형태를 파악하는 과정을 거칩니다.
로봇 학습 데이터에는 물체의 특성을 나타내는 정보가 포함되어야 하며 영상 데이터에 물체의 위치와 범위를 표시하고 깊이 정보로부터 물체의 3차원 포인트 클라우드를 추출할 수 있습니다. 같은 형태라도 무거운 물체와 가벼운 물체는 다른 방식으로 다루어져야 하고 표면이 미끄러운 물체와 거친 물체도 서로 다른 접근 방식을 요구할 수 있으므로 이러한 물체의 속성 정보도 데이터에 포함되는 것이 중요합니다.
작업 맥락에 관한 정보도 기록될 필요가 있습니다. 물체를 집는 것과 밀기, 비틀기 같은 작업들은 서로 다른 행동 패턴을 요구하며 각 작업에 대해 로봇이 수행한 움직임과 그 결과를 구분하여 기록했을 때 로봇이 상황에 맞는 행동을 학습할 수 있게 됩니다.
효과적인 로봇 학습을 위해서는 성공한 작업의 사례뿐만 아니라 실패한 작업의 사례도 중요하게 포함될 필요가 있습니다. 로봇이 물체를 떨어뜨리거나 목표를 달성하지 못한 경우를 기록했을 때 로봇은 무엇이 성공을 방해하는지를 학습할 수 있으며 이러한 실패 경험으로부터의 학습이 로봇의 능력을 더욱 견고하게 만들 수 있습니다.
작업이 실패할 가능성이 높은 경계 조건의 상황들도 포함될 필요가 있습니다. 물체가 테이블 모서리 근처에 있어서 떨어질 위험이 있거나 물체가 다른 물체에 걸려 있는 상황 같은 조건들을 기록했을 때 로봇은 어려운 상황을 인식하고 더욱 주의 깊게 행동하도록 훈련될 수 있습니다.
센서 오류가 발생하거나 예상하지 못한 상황이 나타나는 경우에 대한 데이터도 로봇의 견고성을 높이는 데 도움이 될 수 있습니다. 실제 환경에서는 센서 오류가 발생할 수 있고 예기치 않은 상황이 일어날 수 있으므로 이러한 시나리오를 포함한 훈련을 통해 로봇이 다양한 조건에서도 안전하게 작동할 가능성을 높일 수 있습니다.
로봇 데이터에는 작업의 성공 여부와 작업의 진행 단계, 중요한 이벤트 발생 같은 정보를 명시하는 라벨이 필요할 수 있습니다. 자동 라벨링 방식에서는 로봇의 성공 신호나 센서 데이터로부터 일부 정보를 자동으로 추출할 수 있으며 힘 센서로부터 물체 접촉을 감지하거나 위치 센서로부터 목표 위치 도달을 파악할 수 있을 것으로 예상됩니다.
그러나 복잡한 판단이 필요한 경우에는 사람이 비디오를 검토하면서 각 프레임의 상황을 수동으로 표시해야 할 수 있습니다. 라벨링의 정확성을 보장하기 위해 여러 사람이 독립적으로 작업을 수행하고 의견이 일치하지 않는 부분을 함께 검토하여 합의에 도달하는 과정을 거쳤을 때 라벨링 품질을 높일 수 있습니다.
로봇이 다양한 상황에 대응할 수 있도록 하려면 충분한 규모의 학습 데이터가 필요할 수 있으며 너무 제한된 데이터로는 모델이 특정 상황에만 최적화될 가능성이 높습니다. 다양성도 마찬가지로 중요한 요소로서 같은 작업이라도 여러 조건에서 수집한 데이터를 포함해야 하며 다양한 크기와 형태의 물체, 다양한 환경 조명 조건, 다양한 로봇 초기 위치에서의 데이터가 로봇의 일반화 능력을 높일 수 있습니다.
대규모 데이터셋을 구축하려면 많은 수의 로봇과 상당한 시간이 필요할 수 있으므로 여러 로봇이 병렬로 작업을 수행하고 데이터를 수집하는 방식이 효율성을 높일 수 있으며 시뮬레이션으로 생성한 데이터와 실제 환경에서 수집한 데이터를 조합하는 방법도 활용될 수 있습니다.
로봇 연구 커뮤니티에서 공개적으로 공유하는 로보넷 같은 대규모 데이터셋들이 있으며 여러 연구팀이 공동으로 구축한 이러한 데이터셋들은 다양한 환경과 로봇으로부터의 정보를 포함하여 연구 효율성을 높일 수 있을 것으로 기대됩니다.
실제 로봇 환경에서의 데이터를 수집하는 것이 상당한 비용을 요구하므로 시뮬레이션 환경에서 데이터를 생성하는 방법이 활용될 수 있습니다. 물리 엔진을 사용하여 로봇과 환경을 모의할 때 비용이 저렴하고 처리 속도가 빠르며 극단적인 상황도 안전하게 테스트할 수 있다는 잠재적 장점이 있습니다.
다만 시뮬레이션으로 생성한 데이터와 실제 환경의 데이터 간에는 격차가 존재할 수 있습니다. 물리 엔진이 현실의 모든 측면을 완벽하게 모의할 수는 없으며 마찰력, 변형성, 센서 노이즈 같은 요소들이 시뮬레이션과 현실에서 다르게 작동할 수 있기 때문입니다.
도메인 무작위화라는 방법을 적용했을 때 시뮬레이션과 현실 간의 격차를 줄이는 데 도움이 될 수 있습니다. 시뮬레이션 환경에서 물리 파라미터를 무작위로 변화시켜 마찰계수와 질량, 형상 등을 다양하게 변경하면 이렇게 훈련한 모델이 실제 환경의 다양한 조건에도 대응할 가능성을 높일 수 있습니다.
로봇을 실제 환경에 배포한 후에도 계속 개선하는 것이 가능할 수 있습니다. 사용자로부터 받은 피드백은 로봇의 행동을 평가하고 개선하는 데 활용될 수 있으며 "동작이 빠르다" 또는 "물체를 집을 때 흔들린다" 같은 의견들이 구체적인 개선 방향을 제시할 수 있습니다.
사용자 피드백을 학습 신호로 활용할 수 있으며 사용자가 올바른 행동을 시연했을 때 로봇이 이를 추가로 학습할 수 있고 부적절한 행동이 지적되었을 때 로봇은 이를 피하도록 조정될 수 있습니다. 역강화 학습이라는 기법을 적용했을 때 사용자의 선호도로부터 보상 함수를 추론할 수 있으며 사용자가 어떤 행동을 선택하는지를 관찰함으로써 그 행동에 내재된 가치 기준을 역산할 수 있을 것으로 예상됩니다.
로봇이 가정이나 사무실 같은 개인 공간에서 작동할 때 개인정보 보호의 필요성이 발생합니다. 카메라 데이터에는 사람의 얼굴이나 신원 정보, 개인 물품 같은 민감한 정보가 포함될 수 있기 때문입니다.
학습 데이터 수집 시 개인정보를 보호하기 위해 영상에서 얼굴을 흐리게 처리하거나 제거할 수 있으며 민감한 정보가 포함된 데이터는 수집 단계에서 제외하거나 사후에 제거할 수 있습니다. 로봇의 움직임 정보로부터 환경의 구조를 파악할 가능성이 있고 카메라 데이터로부터 환경 이미지를 재구성할 수 있으므로 로봇 데이터에 접근할 수 있는 권한을 적절히 제한하는 것이 중요할 수 있습니다.
데이터 소유권도 명확히 정의되어야 하며 누가 데이터를 소유하고 어떻게 사용할 수 있는지에 대해 명확한 정책을 수립했을 때 향후 분쟁을 방지할 수 있습니다. 데이터 협력을 하는 경우 참여자들 간의 명확한 계약을 통해 권리와 의무를 정의하는 것이 바람직할 수 있습니다.
로봇을 실제 환경에 배포한 후에도 지속적으로 데이터를 수집하고 학습할 수 있을 것으로 예상됩니다. 새로운 환경에서 로봇이 수행한 작업의 데이터를 기록했을 때 모델을 계속 개선하고 로봇의 능력을 확장할 수 있을 가능성이 있습니다.
온라인 학습은 새로운 데이터가 들어오면서 모델을 실시간으로 업데이트하는 방식으로 진행될 수 있으며 초기 배포 시에는 훈련 데이터가 제한되어 있었다면 시간이 지나면서 더욱 강력한 능력을 갖출 수 있을 것으로 기대됩니다. 다만 온라인 학습에서는 유해한 데이터로부터의 보호가 필요할 수 있으며 로봇의 실수로부터 생성된 데이터가 실수 행동을 강화할 가능성이 있으므로 새로운 데이터를 필터링하고 검증하는 과정이 중요할 수 있습니다.
또한 사용자 피드백을 학습 신호로 활용할 수 있으며 사용자가 로봇의 행동이 부적절하다고 지적했을 때 이를 개선 신호로 활용하여 로봇의 행동을 지속적으로 조정할 수 있을 것으로 예상됩니다.
로봇이 인간과 상호작용할 때 데이터 수집의 윤리적 측면을 고려해야 할 필요가 있습니다. 로봇이 사람의 행동을 학습하는 경우 사람의 동의를 얻는 것이 적절할 수 있습니다. 학습된 모델이 공정하게 작동하는지 확인하는 것도 중요합니다. 특정 그룹의 사람이나 특정 환경에만 우수하게 작동하고 다른 경우에는 성능이 떨어진다면 공정성 문제가 발생할 수 있기 때문입니다.
로봇의 행동이 안전한지도 검토해야 할 필요가 있습니다. 훈련 데이터에 위험한 상황이 포함되었다면 로봇이 그 행동을 반복할 가능성이 있으므로 로봇이 안전한 행동만 수행하도록 훈련하는 것이 중요할 수 있습니다. 마지막으로 투명성도 중요한 요소입니다. 로봇이 어떤 데이터로 훈련되었고 어떤 능력과 한계를 가지고 있는지를 사용자에게 명확히 알렸을 때 사용자가 로봇을 적절하게 활용할 수 있을 것으로 예상됩니다.
.svg)
.svg)
