로봇은 세상을 움직이는 능력이 점점 더 향상되고 있지만, 로봇에게 무엇을 할지에 대한 지침 목록을 주는 것은 병원, 창고, 혹은 먼 행성과 같은 무질서한 현실에는 너무 경직된 방식인 경우가 많습니다. 단순한 목록은 "여기로 갔다가, 저기로 가라"고 말할 수는 있지만, 실제 삶을 정의하는 "만약 ~한다면 어떻게 할 것인가?"라는 질문에는 어려움을 겪습니다. 만약 로봇이 흘린 액체를 발견하고 이를 청소해야 한다면 어떻게 될까요? 만약 두 가지 작업이 반드시 특정 시간 안에 일어나야 하지만, 반드시 정해진 순서대로 일어날 필요는 없다면 어떻게 될까요? 수년 동안 연구자들은 이 문제를 해결하기 위해 '시간이 지정된 부분 순서(timed partial orders)'라고 불리는 방법을 사용해 왔습니다. 이것은 화살표가 어떤 작업이 다른 작업보다 먼저 일어나야 하는지를 보여주고, 시계가 그 작업들이 특정 시간 제한 내에 일어나도록 보장하는 플로우차트라고 생각하면 됩니다. 이 접근 방식은 인간에게 명확하고 컴퓨터가 처리하기 쉽지만, 한 가지 약점이 있습니다. 서로 관련 없는 작업들 사이의 복잡한 타이밍 규칙을 다루기 어렵고, "특정 환경 조건이 충족되었을 때만 다음 단계를 수행하라"와 같은 명령을 내리기가 쉽지 않습니다.

콜로라도 대학교 볼더 캠퍼스의 연구팀은 이 간극을 메울 수 있는 새로운 방법인 '조건부 시간이 지정된 부분 순서(Conditional Timed Partial Orders)' 체계를 개발했습니다. 이 프레임워크를 통해 엔지니어들은 훨씬 더 유연하고 현실적인 로봇 미션을 작성할 수 있습니다. 이 새로운 시스템은 "이 두 작업은 어느 것이 먼저 오든 상관없이 20분 이내에 서로 일어나야 한다"라거나, "로봇이 특정 구역 근처를 지나가게 되면 즉시 새로운 일련의 작업을 수행해야 한다"와 같은 규칙을 강제할 수 있습니다. 연구진은 이러한 복잡하고 조건적인 미션을 컴퓨터가 가장 빠른 경로를 찾기 위해 해결할 수 있는 수학적 문제로 변환할 수 있음을 증명했습니다. 그러나 그들은 미션이 더 복잡해질수록 컴퓨터의 계산 시간이 폭발적으로 증가하여 유용하지 않을 정도로 느려질 수 있다는 사실도 발견했습니다. 이를 해결하기 위해 그들은 거대하고 복잡한 미션을 작고 독립적인 덩어리로 나누는 방법을 고안했습니다. 각 작은 덩어리를 별도로 해결한 다음 그 답들을 하나로 엮어내는 방식입니다. 그들의 테스트 결과, 이 접근 방식은 전체 미션을 한꺼번에 해결하려고 할 때보다 계획 수립 과정을 최대 만 배 더 빠르게 만들 수 있었습니다.

이 연구의 핵심은 로봇에게 전달하는 언어를 확장하는 방식에 있습니다. 이전의 작업에서 로봇의 미션은 정적인 이벤트 지도였습니다. 만약 지도에 작업이 있다면 로봇은 그것을 수행해야 했습니다. 만약 타이밍 규칙이 존재한다면, 그것은 미션 전체에 적용되었습니다. 새로운 시스템은 세상에 반응하는 논리 계층을 도입합니다. 병원에서 혈액 샘 샘플을 수집하고 결과를 전달하는 임무를 맡은 병원 로봇을 상상해 보십시오. 기존 시스템에서 로봇은 고정된 일정을 따랐을 것입니다. 새로운 시스템에서 로로봇은 "만약 심장학 부근을 지나가게 된다면, 심전도 보고서를 반드시 챙겨서 15분 이내에 전달해야 한다"라는 명령을 받을 수 있습니다. 로봇은 심장학 부근이 어디인지 미리 알 필요가 없습니다. 그저 경로를 따라가다가 조건이 충족되면, 추가 작업과 그 엄격한 타이밍 규칙이 자동으로 활성화됩니다. 이는 로봇의 지침을 실제 현장에서 일어나는 상황에 적응하는 인간 관리자의 명령 방식에 훨씬 더 가깝게 만듭니다.

이를 실현하기 위해 연구진은 어려운 수학적 퍼즐을 풀어야 했습니다. 그들은 조건부 규칙이 있는 로봇의 최적 경로를 찾는 것이 특정 시간대를 가진 일련의 장소들을 방문하는 가장 효율적인 방법을 찾는 것과 유사한 복잡한 라우팅 문제를 해결하는 것과 같다는 것을 보여주었습니다. 그들은 이를 컴퓨터가 '혼합 정수 선형 계획법(mixed-integer linear programming)'이라는 기술을 사용하여 해결할 수 있는 형식으로 변환했습니다. 이 방법은 로봇이 모든 규칙을 만족하는 경로를 찾는 것을 보장하지만, 단점이 있습니다. 작업과 조건의 수가 늘어남에 따라 수학적 문제의 크기가 너무 커져서 강력한 컴퓨터조차 답을 찾는 데 몇 시간 또는 며칠이 걸릴 수 있습니다. 이는 로봇 공학의 흔한 병목 현상입니다. 지침이 유연해질수록 컴퓨터가 계획을 세우기는 더 어려워집니다.

연구진의 해결책은 문제를 한꺼번에 해결하려고 노력하는 것을 멈추는 것이었습니다. 그들은 많은 미션이 서로 밀접하게 연결되어 있지만 나머지 미션과는 느슨하게 연결된, 작고 독립적인 작업 그룹들로 구성되어 있다는 점을 깨달았습니다. 예를 들어, 유출물에 의해 트리거된 일련의 청소 작업은 로봇이 유출 구역에 진입할 때 시작되어 구역을 떠날 때 끝나는 독립적인 단위가 될 수 있습니다. 연구진은 거대한 미션 내에서 이러한 그룹, 즉 '하위 작업(sub-tasks)'을 자동으로 찾아내는 알고리즘을 개발했습니다. 그런 다음 각 작은 그룹의 타이밍과 경로를 독립적으로 해결했습니다. 각 작은 그룹에 대한 최적의 경로를 찾은 후, 각 그룹을 전체 미션의 하나의 단계로 취급하여 해당 그룹을 완료하는 데 걸린 시간을 대입했습니다. 이는 하나의 거대하고 풀기 불가능한 퍼즐을 일련의 작고 쉬운 퍼즐들로 바꾸어 놓았습니다.

이 접근 방식의 결과는 놀라웠습니다. 연구진은 테스트에서 자신들의 새로운 방법을 전체 미션을 한꺼번에 해결하는 기존 방식과 비교했습니다. 단순한 미션의 경우 두 방법 모두 빨랐습니다. 그러나 미션이 더 복잡해지고 조건과 엄격한 타이밍 규칙이 많아질수록 기존 방식은 급격히 느려져 때로는 몇 분 또는 몇 시간까지 걸렸습니다. 반면, 새로운 분해 방법은 여전히 빨랐으며, 종종 동일한 문제를 1초 미만에 해결했습니다. 가장 어려운 경우에도 새로운 방법은 최대 만 배 더 빨랐습니다. 결정적으로, 연구진은 이러한 속도가 품질의 희생을 통해서 얻어진 것이 아님을 수학적으로 증명했습니다. 미션을 조각으로 나누어 생성된 계획은 전체를 한꺼번에 해결하여 생성된 계획만큼이나 우수했습니다. 그들은 동일한 최적 경로를 찾아냈으며 동일한 모든 타이밍 제약을 충족했습니다.

연구진은 이를 두 가지 실제 시나리오로 입증했습니다. 첫 번째 시나리오에서 창고의 로봇은 세 개의 선반을 방문한 후 도크로 돌아와야 했습니다. 만약 로봇이 경로 중에 기름 유출 구역을 가로지르게 된다면, 특정 구역 세 곳을 청소한 후에 계속 진행해야 합니다. 시스템은 가능하다면 유출 구역을 피하는 경로를 계획했지만, 만약 최단 경로가 유출 구역을 가로지르는 것이라면, 로봇이 자동으로 청소 시퀀스를 계획에 삽착하여 요구되는 시간 제한 내에 청소를 마칠 수 있도록 했습니다. 두 번째 시나리오에서는 화성 탐사선이 토양 샘플을 분석해야 했습니다. 만약 탐사선이 특정 암석 지형을 지나가게 된다면, 엄격한 시간 범위 내에 새로운 위치로 이동하여 샘-플을 채취해야 합니다. 시스템은 가능한 경우 암석 지형을 피하는 경로를 계획했지만, 지형 때문에 탐사선이 그곳을 지나가야 할 때는 계획이 자연스럽게 추가 샘플링 작업을 포함하도록 적응했습니다.

이 연구는 로봇을 더욱 자율적이고 적응 가능하게 만드는 데 있어 중요한 진전을 의미합니다. 미션 명세가 조건부이면서 동시에 시간적으로 복잡할 수 있도록 함으로써, 연구진은 엔지니어들에게 더 자연스럽고 덜 경직된 지침을 작성할 수 있는 도구를 제공했습니다. 복잡한 지침을 관리 가능한 조각으로 나눌 수 있다는 것은, 이제 로봇이 이전에 계획하기에 계산 비용이 너무 많이 들었던 미션들도 처리할 수 있음을 의미합니다. 연구진은 현재의 작업이 단일 로봇에 초점을 맞추고 있지만, 다음 단계는 함께 작동하는 로봇 그룹으로 이 프레임워크를 확장하는 것이라고 언급했습니다. 현재로서는, 이 방법은 변화하는 세상 속에서 복잡한 일을 하라는 명령을 받았을 때 로봇이 정확하고 빠르게 그 방법을 찾아낼 수 있게 하는 견고한 수단으로 자리 잡고 있습니다.