UC Berkeley의 변환기 기반 로봇 제어 시스템, 미지의 환경에 원활하게 적응하다

캘리포니아 대학교 버클리 캠퍼스의 연구자들은 다양한 지형과 장애물을 능숙하게 탐색하는 휴머노이드 로봇을 위한 혁신적인 제어 시스템을 개발했습니다. 이 AI 기반 시스템은 대규모 언어 모델을 혁신한 딥러닝 프레임워크에서 영감을 받았습니다. 그 핵심 원리는 간단합니다: 최근 관찰을 분석하여 AI가 미래의 상태와 행동을 예측할 수 있도록 합니다.

완전히 시뮬레이션에서 훈련된 이 시스템은 예측 불가능한 실제 환경에서도 뛰어난 성능을 보입니다. 이전 상호작용을 평가함으로써, 새로운 시나리오에 맞춰 동적으로 행동을 조정할 수 있습니다.

모든 지형을 위한 로봇

인간을 닮은 디자인의 휴머노이드 로봇은 다양한 신체적 및 인지적 작업을 수행할 수 있는 귀중한 보조자가 될 잠재력을 지니고 있습니다. 그러나 다재다능한 휴머노이드 로봇을 만드는 데는 유연한 제어 시스템 개발 등 상당한 도전 과제가 존재합니다.

전통적인 로봇 제어 시스템은 특정 작업에 맞춰 설계되어 있으며, 실제 지형과 시각적 조건의 예측 불가능성을 처리하는 데 어려움을 겪습니다. 이러한 경직성은 로봇의 활용을 제한된 환경으로 한정시킵니다.

따라서 로봇 제어를 위한 학습 기반 방법에 대한 관심이 높아지고 있습니다. 이러한 시스템은 시뮬레이션이나 직접 환경 상호작용에서 수집된 데이터를 바탕으로 행동을 조정할 수 있습니다.

U.C. 버클리의 제어 시스템은 다양한 시나리오를 통해 휴머노이드 로봇을 능숙하게 안내할 수 있습니다. 이 시스템은 전천후 역할을 담당하는 전신형 휴머노이드 로봇 디지털에 배포되어 있으며, 보행로, 인도, 트랙, 개활지와 같은 일반적인 인간 환경을 안정적으로 탐색합니다. 이 로봇은 콘크리트, 고무, 잔디 등 다양한 표면을 넘어 떨어지지 않고 안정적으로 이동합니다.

연구자들은 "우리의 제어 시스템이 테스트된 모든 지형에서 안정적으로 걷는 것을 확인했으며, 안전 gantry 없이 배포하는 데 문제가 없었습니다. 일주일 간의 야외 테스트 동안 우리는 어떤 낙하도 관찰하지 못했습니다."라고 보고했습니다.

더욱이 이 로봇은 외부 방해에 대한 저항성도 갖추고 있습니다. 예기치 않은 발걸음, 경로의 임의 물체 및 투사체를 효과적으로 관리하며 밀거나 당길 때도 안정성을 유지합니다.

변환기를 이용한 로봇 제어

여러 휴머노이드 로봇이 인상적인 능력을 보여주고 있지만, 이 새로운 시스템은 훈련과 배포 방법론에서 두드러집니다.

AI 제어 모델은 순수하게 시뮬레이션에서 훈련되었으며, Isaac Gym이라는 고성능 물리 시뮬레이션 환경 내에서 수천 개의 도메인과 수십억 개의 시나리오를 활용했습니다. 이러한 광범위한 시뮬레이션 경험은 추가적인 미세 조정 없이도 실제 응용으로 원활하게 전이됩니다. 특히 이 시스템은 훈련 중에 명시적으로 다루어지지 않은 계단을 탐색하는 등 실제 환경에서 자발적인 능력을 발휘하였습니다.

이 시스템의 핵심은 "인과 변환기"라는 딥러닝 모델로, 과거의 고유 감각 관찰과 행동을 처리합니다. 이 변환기는 로봇의 관찰과 관련된 특정 정보(예: 보행 패턴 및 접촉 상태)의 중요성을 효과적으로 식별합니다.

변환기는 대규모 언어 모델에서 성공적으로 활용되는 것으로 알려져 있으며, 광범위한 데이터 시퀀스의 다음 요소를 예측하는 데 특히 능숙합니다. 로봇에 사용되는 인과 변환기는 관찰과 행동 시퀀스에서 학습하여 자신의 행동의 결과를 예측하고, 낯선 지형에서도 동적으로 적응할 수 있도록 합니다.

연구자들은 "우리는 관찰 및 행동의 역사에서 강력한 변환기 모델이 세계에 대한 정보를 암묵적으로 인코딩하여 테스트 시점에서 동적으로 행동을 적용할 수 있다고 가정합니다."라고 말했습니다. 이 개념은 "상황 내 적응"이라고 불리며, 언어 모델이 맥락 정보를 활용하여 새로운 작업을 배우고 추론 과정에서 출력을 개선하는 방법과 유사합니다.

변환기는 시간적 합성곱 네트워크(TCN)나 장기 단기 메모리 네트워크(LSTM)와 같은 다른 순차 모델보다 우수한 성능을 보였습니다. 그 구조는 추가 데이터 및 계산 자원에 대한 확장성을 지원하며, 다양한 입력 방식 통합을 통해 강화될 수 있습니다.

지난 1년간 변환기는 로봇 커뮤니티 내에서 유용한 도구로 자리잡으며, 여러 모델이 그 다재다능함을 활용해 로봇의 능력을 향상시키고 있습니다. 변환기는 다양한 입력 방식의 인코딩 개선과 고수준 자연어 지시를 로봇의 특정 계획 단계로 변환하는 등의 상당한 이점을 제공합니다.

연구자들은 "비전 및 언어와 같은 분야와 유사하게, 변환기가 실제 휴머노이드 보행을 위한 학습 접근 방식을 확장하는 데 기여할 것으로 믿습니다."라고 결론지었습니다.