[UR 2022] 기조강연①~ ⑤

 

‘2022 제19회 유비쿼터스로봇 국제컨퍼런스(2022 The 19th International Conference on Ubiquitous Robots(UR 2022))’가 개막한 4일 제주 라마다 플라자 호텔에서는 첫날 오후부터 5명의 기조강연자가 발표를 시작했다.

 

 

 

▲미국 시카고 일리노이즈대 김명희 교수

 

먼저 미국 시카고 일리노이즈대 김명희 교수는 ‘인간-웨어러블 로봇 상호 적응(Human-Wearable robot Co-adaptation)’을 주제로 발표했다.

 

김 교수는 현대 사회에서 이동성 감소는 심각한 사회적 문제라면서 2010년에 3060만명의 성인이 보행 제한이 있었고, 미국에서만 2390만명의 개인이 1/4마일(약 402.336m)을 걷는 것이 어렵다는 것을 발견했다고 연구 배경을 설명했다.

 

김 교수는 이러한 이동성 감소는 의학적 문제 증가와 관련이 있으며 사회 경제적으로 악영향을 미칠 수 있으며, 더 큰 문제는 인구 고령화와 함께 증가할 것이라는 점이라고 말했다.

 

 

 

▲미국 시카고 일리노이즈대 김명희 교수

 

그녀는 인간의 보행 보조를 위한 효과적인 전략을 발견하려는 노력은 인간이 착용할 수 있는 로봇에 대한 조사로 이어졌으며, 이에 김 교수 연구는 개별 사용자에게 반응할 수 있는 웨어러블 로봇에 초점을 맞춰 이 분야를 발전시키기 위해 노력하고 있으며, 그 결과 로봇이 인간의 착용자에게 적응하는 스마트 지원 전략이 나오게 되었다고 했다.

 

또한 자신의 연구에는 인간 사용자가 개인화 된 로봇의 이점을 최적화하기 위해 움직임 패턴을 조정하는 방법에 대한 지침을 받는 공동 적응의 개념이 포함되어 있다고 설명했다.

 

김 교수는 이날 강연을 통해 사용자에게 로봇 적응 방법, HIL(Human-in-the-Loop) 최적화, 로봇 사용을 용이하게 하는 사용자 안내 방법을 소개했다. HIL 최적화는 바이오 피드백을 사용한 머신 러닝 접근 방식으로, 사용자가 힙 및 발목 소프트 엑소슈트, 발목-발 보조기, 발목-발 의수와 같은 다양한 웨어러블 로봇을 착용할 때 걷기 및 쪼그리고 앉는 노력을 크게 줄였으며, 또한 시각적 피드백을 통한 사용자 안내가 좋지 않은 조건에서도 웨어러블 로봇 사용을 개선할 수 있음을 발견했다고 소개했다.

 

 

 

▲KAIST 박형순 교수

 

두번째 기조강연에 나선 KAIST 박형순 교수는 ‘신경 재활을 위한 로봇의 가장 좋은 용도는 무엇일까?(What would be the best use of robots for neuro-rehabilitation?)’를 주제로 강연했다.

 

박 교수는 1990년대 후반부터 재활 로봇은 재활 작업의 고유한 특성이 현재 사용 가능한 로봇 기술과 잘 맞아 의료 로봇의 훌륭한 모델이 되었다며, 상지, 하지 재활에서 치료, 보조 작업을 위해 다양한 외골격 및 엔드 이펙터 유형 재활 로봇이 개발되었다고 설명했다.

 

 

 

▲KAIST 박형순 교수

 

박 교수는 로봇 장치는 인적 자원을 줄이고 더 집중적이고 긴 운동을 가능하게 하기 때문에 정형 외과 재활에 효과적임에는 의심의 여지가 없다고 강조하면서, 신경계 손상 후 근골격 조절 회복을 목표로 하는 신경 재활과 관련하여 최근 연구에 따르면 재활 로봇이 기존의 물리 치료보다 반드시 우수한 것은 아니라고 말했다.

 

박 교수는 신경 재활의 핵심 메커니즘은 신경학의 주요 관심사였던 신경 가소성으로 대표될 수 있다며, 이날 강연에서는 로봇 공학 기술이 신경 가소성을 촉진하기 위한 최선의 방법이 무엇인지 논의하고 KAIST RENEW(Rehabilitation Engineering for Neurological Disorders Worldwide) 프로젝트의 최근 연구 진행 상황을 소개했다.

 

 

 

▲전북대 이덕진 교수

 

세번째 기조 강연에 나선 전북대 이덕진 교수는 ‘로봇 제어를 위한 모델 기반 대 비모델 기반 강화학습(Model-free vs Model-based Reinforcement Learning to Control for Robotics)’을 주제로 강연했다.

 

이 교수는 2016년 대한민국 서울에서 열린 구글 딥마인드 챌린지 매치의 놀라운 4-1 승리로 알려진 알파고 대 이세돌 이후, 강화 학습(RL)이라는 주제는 인공지능의 새로운 차원의 혁신을 이끌면서 이러한 돌파구로 큰 주목을 받았다고 설명했다.

 

 

 

▲전북대 이덕진 교수

 

그는 일반적으로 강화 학습 방법은 모델 기반 방법과 비모델 기반 방법(Model-Free) 두 가지 범주로 나뉘며 각각 고유한 장점을 보여주고 있다고 했다. 이 교수는 비모델 기반 심층 강화학습(DRL:Deep Reinforcement Learning)의 풍부한 이론적 토대와 다양한 적용 작업에도 불구하고 RL은 우수한 성능을 실현하기 위한 최적의 정책을 찾고 불안정한 안전 문제의 대상이 될 수 있는 모든 가능한 조치를 탐색하기 위해 많은 데이터 샘플을 필요로 한다고 했다. 반면 모델 기반 RL은 다소 제한된 역학 클래스에서 모델을 학습하여 거의 최적의 제어를 빠르게 얻을 수 있으나 대부분의 모델 기반 알고리즘은 단순 함수 근사기에 의존하여 여러 샘플에 과적합되는 로컬 모델을 학습한다는 단점이 있다고 비교했다.

 

이날 강연에서 이 교수는 모델 기반 및 비모델 기반 접근 방식 모두에서 사용하는 RL 알고리즘을 드론 안정화 및 4족 보행 로봇 제어와 같은 현실적인 로봇 제어 응용 프로그램과 비교하여 RL 에이전트가 실제 자율 로봇에 일반화하는 방법을 제시하였다. 또한 모델 기반 및 비모델 기반 RL을 통합하는 새로운 하이브리드 접근 방식을 로봇 제어 어플리케이션의 하나로 논의해 볼 수 있을 것이라고 제안했다.

 

 

 

▲미국 사우던 메쏘디스트대 김민준 교수

 

네번째 기조 강연에 나선 미국 사우던 메쏘디스트대 김민준 교수는 ‘자가 조립 및 적층 제조를 위한 자기 구동 모듈러 로봇(Magnetically Actuated Modular Robots for Self-Assembling and Additive Manufacturing)’을 주제로 강연했다.

 

김 교수는 자기 구동 모듈러 로봇은 외부 자기장에 의해 원격으로 제어될 수 있어 생물 의학 및 엔지니어링 응용 분야에 응용 가능성이 높다고 말하면서, 이날 강연에서는 명령에 따라 능동적으로 조립 및 분해할 수 있는 소형 구성 요소를 제어하는 ​​혁신적인 재구성 가능한 모듈러 로봇 시스템을 소개했다. 그는 이러한 유형의 시스템은 소규모 적층 제조의 강인성과 제어 불안정성을 잠재적으로 개선할 수 있다고 말했다.

 

 

 

▲미국 사우던 메쏘디스트대 김민준 교수

 

김 교수는 기본 구성 요소는 영구 자석을 포함하는 미니어처 큐브로 3축 헬름홀츠(Helmholtz) 코일 시스템을 통해 생성된 외부 자기장을 사용하여 작동된다며, 큐브는 피벗 워킹, 탭핑, 텀블링과 같은 다양한 모션 패턴을 달성할 수 있다고 했다.

 

그는 자신의 프로젝트는 3D 프린팅을 사용하여 확장 가능한 모듈식 서브유닛을 설계하고 제작하는 것과 관련이 있다며, 큐브에 대한 일련의 디자인 규칙이 정의되었다고 말했다. 김 교수는 지금까지 자기 서브 유닛을 제어하는 ​​알고리즘을 연구해 왔다면서, 이날 강연에서 다루는 문제는 소규모 로봇 공학, 제어 이론, 재료 과학 및 생명 공학의 인터페이스에 있으며 다양한 응용 가능성이 있는 기초 연구에 대한 흥미로운 전망을 가지고 있다고 말했다.

 

 

 

▲일본 오사카대 켄슈케 하라다(Kensuke Harada) 교수

 

다섯번째 첫 날 마지막 강연자로 나선 일본 오사카대 켄슈케 하라다(Kensuke Harada) 교수는 ‘산업용 응용을 목표로 한 로봇 매니퓰레이션 연구(Robotic Manipulation Research Aiming for Industrial Applications)’ 를 주제로 기조강연을 했다.

 

 

 

▲일본 오사카대 켄슈케 하라다(Kensuke Harada) 교수

 

이날 강연에서 하라다 교수는 산업용 애플리케이션을 목표로 하는 로봇 조작 연구에 대한 최근 진행 상황을 소개하면서, 다품종(high-mix) 및 소량 생산(low-volume)의 자동화가 어려운 이유를 설명했다. 하라다 교수는 그 이유로 복잡한 듀얼 암 모션, 파지의 어려움(부품 자동정열공급기(Parts Feeder)사용), 조립의 어려움(툴 체인저 사용), 작업의 어려움(자동화로는 한계), 구조화된 생산시스템의 잦은 변동 등을 예로 들었다.

 

하라다 교수는 이를 해결하기 위해 연구실에서 주로 수행하고 있는 작업/모션 계획, 모션 제어, 기계 학습 및 그리퍼 설계 등의 몇가지 방법을 소개했다.

 

조규남 전문기자 ceo@irobotnews.com

<저작권자 © 로봇신문사 무단전재 및 재배포금지>