英애스턴大, ‘시뮬레이션-현실 간극’ 좁히는 로봇 AI 훈련법 개발

▲ 영국 애스턴대 연구팀이 ‘시뮬레이션-현실간 간극’을 좁히는 로봇 AI 훈련법을 개발했다(사진=애스턴대)

영국 애스턴대(Aston University) 연구팀은 로봇이 가상 환경에서 익힌 동작을 실제 현장에서 안정적으로 구현할 수 있도록 하는 새로운 AI 기반 훈련 방법을 개발했다고 밝혔다.

​

이번 연구 성과는 국제학술지 '사이언티픽 레포츠(Scientific Reports)'에 게재됐다. (논문 제목:End-to-end example-based sim-to-real RL policy transfer based on neural stylisation with application to robotic cutting)

​

연구팀에 따르면, 로봇 산업에서는 '시뮬레이션-현실 간 간극(sim-to-real gap)'이 핵심 도전 과제로 인식돼 왔다. 시뮬레이션 상황에서 훈련받은 로봇이 실제 환경에서는 소재 특성, 물체에 가해지는 힘, 센서 노이즈 등 다양한 변수에 직면해 예상대로 작동하지 않는 경우가 비일비재하다.

​

그동안 로봇 훈련에 사용된 시뮬레이션 기법은 속도가 빠르지만, 현실 세계의 변수에 취약해 신뢰도가 떨어지는 한계가 있었다. 이에 반해 현실 세계에서 데이터를 직접 수집하는 방식은 비용이 많이 들어가고, 속도가 느리며, 물리적 상호작용이 수반되는 작업의 경우 안전 문제도 생길 수 있다.

​

알리레자 라스테가르파나(Alireza Rastegarpanah) 애스턴대 교수와 버밍엄대 '극한 로봇기술연구소(Extreme Robotics Lab)'의 제이미 해서웨이(Jamie Hathaway) 연구원이 공동 주도한 이번 연구는 AI를 활용해 조건 변이를 자동으로 생성해 로봇을 훈련시키는 방식이다.

​

이번 연구의 목표는 시뮬레이션의 효율성과 물리적 환경의 실재성(realism)을 결합해, 로봇이 방대한 양의 추가 데이터 없이도 적응할 수 있게 해주는 방법을 개발하는데 있다.

​

이 방법을 적용하면 로봇은 소량의 현실 세계 데이터만으로도 가상 환경에서 학습한 절삭·조립 등의 복잡한 작업을 실제 환경에 훨씬 안정적으로 전이할 수 있다.

​

연구팀은 "이번 연구는 순수한 시뮬레이션 기반 훈련의 한계를 넘어, 최소한의 추가 데이터로 현실 환경에서 안정적인 성능을 달성할 수 있음을 보여준다"며 "장기적으로는 시뮬레이션에서 훈련한 뒤 최소한의 재설정만으로 새로운 환경에 신속하게 배치할 수 있는 플러그앤플레이(plug-and-play) 방식의 지능형 로봇 시스템을 구현하는 것이 목표"라고 밝혔다.

​

이 기술은 불확실성이 높은 환경에서 로봇을 운용할 경우 유용할 것으로 보인다. 리튬 배터리 해체 등 재활용·순환경제 시스템, 유연 생산 제조 현장, 핵 폐기 작업장 등 위험 환경이 대표적인 적용 분야로 꼽혔다.

​

이번 연구는 영국 연구혁신청(UKRI)이 지원하는 유럽 공동연구 프로젝트 '자동화 안전 리튬 배터리 재활용 프로젝트(REBELION)'의 지원을 받아 진행됐다.

​

백승일 기자 robot3@irobotnews.com

저작권자 © 로봇신문 무단전재 및 재배포 금지