Adaptive Human-Robot Collaborative Painting Combining Preference-Based Optimization and Dynamic Motion Primitives

로봇이 단순히 엄격한 스크립트를 따르는 경직된 기계가 아니라, 당신이 무엇을 필요로 하는지 실제로 '느낄' 수 있는 유능한 파트너가 되는 세상을 상상해 보십시오. 이것이 바로 인간-로봇 협업(Human-Robot Collaboration, HRC)이라 불리는 분야의 핵심입니다. 이것을 하나의 춤이라고 생각해 보십시오. 과거에는 로봇이 리드하고 인간이 그 스텝을 완벽하게 따라야 했습니다. 하지만 이 새로운 스타일에서는 인간이 리드하고 로봇이 뒤따르며, 춤을 더 쉽고 편안하게 만들기 위해 실시간으로 움직임을 조절합니다. 이를 위해 과학자들은 두 가지 주요 기술을 사용합니다. 첫째, '동적 운동 프리미티브(Dynamic Movement Primitives)'를 사용하는데, 이는 로봇의 내부 근육 기억과 같아서 단 한 번의 시연만으로도 매끄러운 경로를 학습하고 이를 실시간으로 적응할 수 있게 해줍니다. 둘째, '선호도 기반 최적화(Preference-Based Optimization)'를 사용하며, 이는 기본적으로 로봇이 당신에게 "이전보다 나았나요, 아니면 나빴나요?"라고 물어봄으로써 당신이 무엇을 좋아하는지 배우고 그 답변에 따라 행동을 미세 조정하는 방식입니다. 이것이 왜 중요할까요? 자동차 부품이나 가구를 도색하는 것과 같은 많은 작업에서, 인간은 어색한 자세를 유지하느라 피로를 느끼거나 통증을 겪기 때문입니다. 만약 로봇이 무거운 물체를 들고 있으면서도, 인간이 너무 높이 손을 뻗거나 너무 낮게 몸을 굽힐 필요가 없도록 딱 알맞은 각도로 비틀어 줄 수 있다면, 작업은 훨씬 더 안전하고 빠르며 덜 고될 것입니다.

이 논문은 이러한 꿈을 실현하기 위해 설계된 영리한 시스템을 소개합니다. 연구진은 인간이 스프레이 캔을 들고 크고 곡선이 있는 물체를 칠하는 동안, 로봇 팔이 그 물체 자체를 잡고 있는 실험 설정을 구축했습니다. 목표는 무엇일까요? 인간의 손이 구석구석을 칠하기 위해 몸 전체를 비틀 필요 없이, 인간의 손이 편안하고 이완된 자세를 유지할 수 있도록 로봇이 실시간으로 물체를 회전시키는 것입니다.

이를 구현하기 위해 연구팀은 로봇의 '근육 기억'(동적 운동 프리미티브)과 학습 루프(선호도 기반 최적화)를 결합했습니다. 작동 방식은 다음과 같습니다. 로봇은 단순히 고정된 경로를 복사하는 것이 아닙니다. 대신, 로봇은 인간의 손을 관찰합니다. 만약 인간이 새로운 지점을 칠하기 위해 손을 약간 회전시키면, 로봇은 그 작은 움직임을 더 큰 물체 회전으로 증폭시킵니다. 즉, 인간은 아주 작고 쉬운 손목 움직임만으로도 넓은 표면을 칠할 수 있게 됩니다. 하지만 여기서 핵심은 모든 사람은 서로 다르다는 점입니다. 어떤 사람은 로로봇이 빠르게 움직이기를 원하고, 어떤 사람은 느리고 꾸준하게 움직이기를 원합니다. 어떤 사람은 로봇이 더 공격적으로 회전하기를 원하는 반면, 다른 이들은 더 미세한 움직임을 원하기도 합니다. 이를 해결하기 위해 시스템은 GLISp라는 알고리즘을 사용합니다. 이 알고리즘은 인간이 다양한 설정을 시도해보는 일련의 페인팅 테스트를 실행합니다. 각 시도가 끝날 때마다 인간은 단순히 "이것이 더 나았다", "이것이 더 나빴다", 또는 "이것은 이전과 같았다"라고 말합니다. 로봇은 이러한 단순한 선호도를 사용하여 수학적으로 해당 개인에게 완벽한 설정을 찾아냅니다.

연구진은 키와 체격이 다양한 15명의 사람을 대상으로, 실제 페인트 대신 무독성 식용 색소를 사용하여 약 1제곱미터 크기의 크고 곡선이 있는 패널을 칠하게 하여 테스트를 진행했습니다. 그들은 이 새로운 적응형 로봇을 물체를 가만히 들고 있는 '정적(static)' 버전과 비교했습니다. 결과는 유망했습니다. 적응형 시스템은 인간이 손을 움직여야 하는 양을 성공적으로 줄였습니다. 좌우 움직임의 경우, 일부 참가자에게서는 동작 범위가 최대 73%까지 줄어들었으며, 평균적으로 수직 움직임 범위는 약 31% 감소했습니다. 즉, 로봇이 물체를 돌리는 힘든 일을 대신 수행하는 동안, 인간의 팔은 훨씬 더 작고 편안한 영역 안에서 머물 수 있었습니다.

또한 연구는 로봇이 개인의 요구에 적응하는 법을 배웠다는 것을 발견했습니다. 키가 큰 참가자와 키가 작은 참가자는 서로 다른 '최적' 설정을 갖게 되었는데, 이는 일률적인 접근 방식이 통하지 않음을 입증합니다. 시스템은 또한 속도와 반응성의 균형을 맞추는 법도 배웠습니다. 어떤 이들은 로봇이 자신의 손에 즉각적으로 반응하기를 원했고, 어떤 이들은 약간의 지연이 있기를 원했습니다. 참가자들은 시스템이 자신의 선호도를 학습함에 따라 더 편안함과 만족감을 느꼈으며, 로봇이 그들이 원하는 것을 더 잘 예측할수록 그들의 평점도 높아졌습니다.

하지만 논문은 이것이 아직 만능 해결책은 아니라는 점을 주의 깊게 언급합니다. 이 시스템은 인간이 피드백을 제공하는 것에 의존하며, 몇몇 사례에서는 로봇이 너무 빠르게 움직여 인간이 해당 설정을 거부하기도 했습니다. 연구진은 향후 버전에서는 피로도를 자동으로 조절하거나, 작업의 아주 초기 단계까지 다룰 수 있는 더 많은 변수를 포함할 수 있다고 제안합니다. 그러나 핵심적인 발견은 명확합니다. 로봇이 인간의 피드백으로부터 배우고 작은 손의 움직임을 큰 물체 회전으로 증폭하게 함으로써, 우리는 산업용 도색 작업을 훨씬 덜 육체적으로 힘들게 만들 수 있으며, 이를 통해 고된 작업을 훨씬 더 인체공학적인 파트너십으로 바꿀 수 있습니다.