VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain

로봇에게 운전을 가르친다고 상상해 보세요. 비디오 게임이나 평평한 주차장처럼 매끄럽고 예측 가능한 세상에서는 이 일이 쉽습니다. 로봇에게 "왼쪽으로 돌아"라고 말하면, 로봇은 바퀴가 지면을 어떻게 움켜쥐고 차가 어떻게 움직일지 정확히 알 수 있습니다. 하지만 똑같은 로봇을 거칠고, 울퉁불퉁하며, 진흙투성이에 경사가 가파른 오프로드의 세계에 던져놓는다면 모든 것이 변합니다. 지면은 단순히 평평한 표면이 아닙니다. 그것은 언덕, 웅덩이, 진흙, 그리고 타이어 아래에서 움직이는 바위들이 존재하는, 살아 움직이는 장애물 코스입니다. 이것이 바로 **키노다이내믹스(kinodynamics)**의 세계입니다. 이는 차량의 물리적 본체(질량, 서스펜션, 바퀴)가 지면과 어떻게 상호작용하여 움직임을 만들어내는지 이해하는 것을 뜻하는 멋진 용어입니다.

로봇이 이 혼돈 속을 안전하게 항해하려면, 다음에 어떤 일이 일어날지를 정확히 예측하는 '수정구슬'이 필요합니다. 만약 로봇이 잘못 예측한다면, 뒤집히거나, 끼이거나, 충돌할 수도 있습니다. 큰 과제는 모든 로봇이 서로 다르게 만들어졌다는 점입니다(어떤 것은 바퀴가 4개이고, 어떤 것은 궤도가 있으며, 어떤 것은 무겁고, 어떤 것은 가볍습니다). 또한 모든 지면 역시 제각각입니다. 전통적으로, 새로운 로봇이 새로운 산에서 운전하게 하려면, 로봇이 요령을 터득할 때까지 데이터를 수집하며 몇 주 동안 처음부터 다시 가르쳐야 했습니다. 하지만 다른 로봇의 경험을 '다운로드'하여 새로운 로봇에 즉시 적용할 수 있다면 어떨까요? 그것이 바로 **교차 차량 적응(cross-vehicle adaptation)**의 꿈입니다. 서로 다른 기계들 사이에 운전 노하우를 공유하여, 한 번도 가본 적 없는 지형에서도 즉각적으로 학습하게 만드는 것입니다.

여기서 VertiAKD라는 논문이 영리한 해결책을 제시합니다. 조지 메이슨 대학교의 팀과 함께 연구한 연구진은 로봇들은 서로 다르지만, 울퉁불퉁한 지면 위에서 고군분별하거나 미끄러지는 방식의 물리학에는 숨겨진 패턴이 존재한다는 사실을 깨달았습니다. 그들은 오프로드 운전을 위한 '만능 번역기' 역할을 하는 시스템을 구축했습니다. 새로운 로봇에게 모든 것을 처음부터 다시 배우게 하는 대신, VertiAKD는 다양한 로봇으로부터 얻은 과거의 운전 경험 라이브러리를 살펴봅니다. 마치 특정 종류의 밀가루와 오븐에 맞는 레시피를 찾는 것처럼, 현재의 새로운 로봇 상황에 딱 맞는 '운전 이야기'를 찾아내는 것입니다.

이 시스템은 세 가지 마법 같은 단계로 작동합니다. 첫째, 지면의 경사가 얼마나 가파른지, 혹은 지면이 암석 지대인지 모래 지대인지와 같은 특성을 인코딩하여 다양한 차량이 서로 다른 지형을 어떻게 다루는지 저장하는 공유 '메모리 뱅크'를 만듭니다. 둘째, 아주 적은 양의 새로운 데이터(길어야 1분 정도의 주행 데이터)만을 가진 새로운 로봇이 도착하면, 시스템은 메모리 뱅크를 스캔하여 가장 관련 있는 과거의 경험들을 찾아냅니다. 단순히 복사하는 것이 아니라, 마치 DJ가 여러 노래에서 최고의 비트를 샘플링하여 완벽한 새로운 트랙을 만드는 것처럼, 이 경험들을 하나로 혼합합니다. 이를 통해 새로운 로봇은 어떻게 움직여야 할지에 대한 '도움닫기' 또는 스마트한 추측을 얻게 됩니다.

하지만 진짜 마법은 그다음 단계에서 일어납니다. 시스템은 새로운 산에서는 어떤 추측도 완벽할 수 없다는 것을 알고 있습니다. 그래서 **재귀적 최소제곱법(Recursive Least Squares, RLS)**이라는 수학적 기법을 사용하여 로봇이 주행하는 동안 실시간으로 예측치를 끊임없이 미세 조정합니다. 이는 마치 부조종사가 "이봐, 생각보다 더 미끄러지고 있어, 조향을 조절해"라고 계속해서 속삭이며, 전체 책을 멈추고 다시 배울 필요 없이 매 초마다 로봇의 이해도를 정교하게 다듬어주는 것과 같습니다.

연구진은 두 가지 방식으로 이 아이디어를 테스트했습니다. Verti-Bench라는 첨단 컴퓨터 시뮬레이터와 실제 물리적인 로봇 자동차를 이용한 테스트 경기장에서의 실험입니다. 그들은 VertiAKD를 처음부터 학습하거나 기존 데이터를 단순히 복사해서 붙여넣는 방식 등 다른 방법들과 맞붙였습니다. 결과는 놀라웠습니다. 단 1분의 새로운 데이터만 주어졌을 때, VertiAKD는 기존 데이터를 단순히 복사했을 때보다 예측 오차를 최대 34.52% 줄였으며, 다른 선도적인 방법들과 비교했을 때는 무려 **94.43%**나 줄였습니다. 실제 환경에서 이는 VertiAKD가 다른 방법들이 완전히 실패했던 까다롭고 미지의 지형을 성공적으로 통과할 수 있었음을 의미합니다.

하지만 저자들은 자신들의 '수정구슬'에도 한계가 있음을 주의 깊게 언급했습니다. 이 시스템은 지형의 형태가 가장 중요한 딱딱하고 바위가 많거나 풀이 난 지면에서는 매우 잘 작동합니다. 하지만 지면이 부드럽고 질척이는 진흙이거나, 바퀴가 빠지면서 모양이 변하는 깊은 눈인 경우, 현재의 시스템은 바퀴가 가라앉고 미끄러지는 복잡한 물리학을 아직 이해하지 못하기 때문에 어려움을 겪습니다. 현재로서는 VertiAKD가 거칠고 변화무쌍한 지면 위에서 빠르고 안전하게 주행해야 하는 로봇들을 위한 거대한 도약이며, 적절한 공유 메모리가 있다면 로봇이 눈 깜짝할 사이에 전문가처럼 운전하는 법을 배울 수 있음을 증명하고 있습니다.