SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

로봇은 사람처럼, 무언가를 완수하기 위해 자신이 어디에 있고 어떻게 움직이고 있는지 알 필요가 있습니다. 오도메트리(odometry)라고 알려진 이 능력은 기계가 지점 A에서 지점 B까지 항해할 수 있게 해주는 위치와 방향에 대한 지속적인 내부 계산입니다. 수십 년 동안 엔지니어들은 이러한 세계의 모습을 구축하기 위해 외부 센서에 의존해 왔습니다. 카메라는 모서리나 질감 같은 시각적 특징을 포착하는 눈의 역할을 하고, 레이저 스캐너는 벽과 장애물의 기하학적 구조를 매핑합니다. 이러한 도구들은 명확하고 밝으며 구조화된 환경에서는 훌륭하게 작동합니다. 하지만 현실 세계는 종종 무질서합니다. 짙은 연기, 눈을 멀게 하는 눈보라, 칠흑 같은 터널, 또는 갑작스러운 빛의 손실는 카메라를 눈멀게 하고 레이저 빔을 흩뜨릴 수 있습니다. 이러한 외부 감각이 실패할 때, 로봇은 경로를 이탈하거나 완전히 멈춰 서며 빠르게 길을 잃을 수 있습니다. 이러한 취약성은 재난 지역이나 깊은 지하 광산과 같이 가장 위험하거나 예측 불가능한 장소로 자율 주행 기계를 보내는 데 있어 오랫동안 장벽이 되어 왔습니다.

카네기 멜런 대학교와 버팔로 대학교의 연구진은 이 문제를 해결하기 위해 '슈퍼 오도메트리(Super Odometry)'라고 불리는 새로운 시스템을 개발했습니다. 외부 센서에만 의 Relying(의존)하여 환경에 쉽게 속을 수 있는 대신, 이들의 시스템은 마치 사람이 어두운 방에서 자신의 발걸음을 느끼며 길을 찾는 것처럼 로봇의 내부 운동 감각을 신뢰하도록 학습합니다. 연구진은 단순히 센서를 켜고 끄는 것이 아니라, 상황이 얼마나 나쁜지에 따라 전체 전략을 동적으로 조정하는 프레임워크를 구축했습니다. 그들은 비행 드론, 바퀴 달린 차량, 다리가 달린 기계 등 다양한 로봇 함대를 통해 이 시스템을 테스트했으며, 도전적인 지형에서 200km 이상을 주행했습니다. 결과에 따르면, 이 시스템은 카메라와 레이저가 전혀 쓸모없는 상황, 즉 짙은 연기나 완전한 어둠 속에서도 내부 운동 센서의 데이터에 크게 의존함으로써 정확한 항해를 유지할 수 있었습니다.

이 새로운 접근 방식의 핵심은 상황이 악화됨에 따라 작동하는 계층적 적응 구조에 있습니다. 일반적인 환경에서 로봇은 카메라와 레이저 스캐너를 사용하여 경로를 추적합니다. 하지만 공기에 연기가 가득 차거나 빛이 희미해지면, 시스템은 당황하지 않고 단순히 초점을 변경합니다. 첫 번째 단계는 어떤 시각적 세부 사항을 신뢰할지 더 선택적으로 변하여, 흐릿하거나 혼란스러운 부분을 무시하는 것입니다. 만약 환경이 기하학적으로 혼란스러워져서(예: 벽들이 똑같이 보이는 긴 빈 복도) 경로를 파악하기 어려워지면, 시스템은 신뢰할 수 있는 정보를 찾을 수 있는 방향으로 주의를 돌리고, 길을 잃은 방향은 무시합니다. 만약 일부 센서는 작동하지만 다른 센서는 어려움을 겪는 식의 복합적인 저하가 발생하면, 시스템은 신뢰도를 동적으로 재가중하여 여전히 잘 작동하는 센서에 더 많이 의존합니다.

가장 중요한 혁신은 모든 외부 센서가 완전히 실패할 때 일어납니다. 짙은 연기가 가득 찬 방이나 눈보라처럼 눈과 레이저가 아무것도 볼 수 없는 시나리오에서, 시스템은 학습된 내부 모델로 눈을 돌립니다. 이 모델은 로봇 내부의 가속도와 회전을 측정하는 작은 칩인 관성 측정 장치(IMU)를 기반으로 합니다. 역사적으로 이 칩들은 카메라의 데이터를 보정하는 보조 도구로만 취급되어 왔습니다. 그러나 연구진은 100시간 이상의 다양한 로봇 데이터를 사용하여 딥러닝 네트워크를 훈련시켰으며, 이를 통해 순수하게 내부 운동 데이터로부터 움직임을 예측하도록 가르쳤습니다. 이를 통해 로봇은 단 하나도 볼 수 없는 상황에서도 위치를 추정할 수 있게 되었습니다. 시스템은 외부 센서가 작동할 때 이 내부 모델을 지속적으로 가르치고 정교하게 다듬도록 설계되었습니다. 하지만 외부 세계가 보이지 않게 되면, 내부 모델이 주도권을 잡아 로봇이 계속 움직일 수 있도록 신뢰할 수 있는 백업 역할을 수행합니다.

이 개념을 증명하기 위해 연구진은 엄격한 일련의 테스트를 거쳤습니다. 그들은 대학 캠퍼스 내에서 13가지 이상의 다양한 어려운 조건이 포함된 단일 연속 경로를 통해 다리가 달린 로봇을 운전했습니다. 로봇은 특징 없는 어두운 복도, 가파른 계단, 그리고 렌즈 플레어나 흰 벽과 같은 강렬한 시각적 노이즈가 있는 구역을 통과했습니다. 마지막으로 로봇은 시야와 레이저 센서를 완전히 가려버리는 짙은 연기가 가득한 구역에 진입했습니다. 2,961미터의 여정 내내 시스템은 한 번도 실패하지 않았습니다. 최종 위치 오차는 단 0.2미터(20cm)에 불과했으며, 이는 0.006%라는 놀랍도록 낮은 드리프트율을 기록했습니다. 이러한 성능은 복잡한 백엔드 기술을 사용하거나 사후에 실수를 수정하기 위해 기다리는 방식 없이, 이동하는 동안 실시간으로 스스로를 수정하며 달성되었습니다.

연구진은 또한 갑작스러운 센서 고장을 처리하는 능력을 테스트했습니다. 한 실험에서는 로봇의 센서를 판지로 물리적으로 가렸는데, 처음에는 측면을, 그다음에는 전면을, 결국 카메라와 레이저 스캐너의 모든 시야를 차단했습니다. 시스템은 이러한 차단을 즉각적으로 감지하고 남은 센서에 대한 의존도를 조정했습니다. 카메라가 가려졌을 때는 레이저 스캐너에 의존했고, 레이저가 가려졌을 때는 카메라에 의존했습니다. 두 가지 모두 가려졌을 때는 학습된 내부 운동 모델이 주도권을 잡았습니다. 로봇은 주변 환경을 매핑하고 경로를 높은 정확도로 추적하며 계속 나아갔으며, 이는 시스템이 외부 인지 능력을 완전히 상실한 상태에서도 생존할 수 있음을 보여주었습니다.

추가적인 검증은 자동차, 드론부터 4족 보행 로봇, 핸드헬드 장치에 이르기까지 다양한 유형의 로봇에 시스템을 적용함으로써 이루어졌습니다. 연구진은 훈련된 내부 운동 모델이 매우 높은 일반화 능력을 갖추고 있음을 발견했습니다. 다양한 유형의 로봇으로부터 얻은 데이터로 훈련된 모델이 특정 유형만을 위해 훈련된 모델보다 더 우수한 성능을 보였습니다. 이는 새로운 로봇에 시스템을 배치할 때 처음부터 다시 훈련할 필요가 없음을 의미합니다. 더욱 인상적인 것은, 시스템이 실시간으로 완전히 새로운 로봇에 적응할 수 있다는 점이었습니다. 대형 전지형 차량을 이용한 테스트에서 시스템은 단 60초간의 데이터만으로 새로운 차량의 특정 움직임 패턴을 학습하여 내부 모델을 조정하고 즉시 정확도를 향상시켰습니다.

연구진은 기존 분야의 최고 기술들과 이 방법을 비교했습니다. 기하학적 및 복합적 저하가 발생하는 표준 테스트에서, 이들의 시스템은 두 번째로 우수한 방법보다 평균 오차율이 54% 더 낮았습니다. 더 중요한 점은, 짙은 연기 테스트와 같은 가장 극단적인 조건에서 다른 시스템들은 완전히 실패한 반면, 슈퍼 오도메트리는 계속해서 작동했다는 것입니다. 연구는 단순히 더 많은 센서를 추가하거나 데이터를 평균화하는 것만으로는 이러한 문제를 해결할 수 없다는 점을 명시적으로 입증했습니다. 대신, 그들은 경직된 접근 방식은 환경이 변할 때 실패하며, 안전과 기능을 유지하기 위해서는 유연하고 계층적인 전략이 필요하다는 것을 보여주었습니다.

이 연구는 로봇이 실제 세계에서 진정으로 자율적으로 작동할 수 있게 만드는 중요한 진전입니다. 내부 운동 센서를 주요 역할로 격상시키고, 환경의 심각도에 따라 서로 다른 전략 사이를 매끄럽게 전환할 수 있는 시스템을 구축함으로써, 연구진은 로봇이 어떤 조건에서도 안전하게 작동할 수 있는 토대를 마련했습니다. 연기로 가득 찬 건물 속을 나는 구조용 드론이든, 어두운 동굴을 탐사하는 로버든, 혹은 눈보라 속을 달리는 차량이든, 이 시스템은 로봇이 결코 길을 잃지 않도록 보장합니다. 6년간의 개발 기간 동안 800시간 이상의 운영을 통해 수집된 결과는, 환경에 의존하며 쉽게 무너지는 로봇의 시대가 끝나고, 어디에 보내지더라도 적응하고 살아남을 수 있는 기계의 시대가 오고 있음을 시사합니다.