건물들이 붕괴하고 계단이 울퉁불퉁한 잔해로 변해버린, 도시 탐색 및 구조 현장의 혼란스럽고 파괴된 풍경 속에서, 로봇은 단순히 앞을 보는 것을 넘어 길을 '느껴야' 합니다. 이것이 바로 관절형 궤도 로봇(articulated tracked robots)의 영역입니다. 이 기계들은 탱크와 같은 연속된 궤도를 갖추고 있으면서도, 계단이나 잔해를 붙잡을 수 있도록 추가적인 가동식 플리퍼(flipper)가 장착되어 있습니다. 이 기계들은 인간에게는 너무 위험하고 일반적인 바퀴형 차량에게는 너무 복잡한 환경을 탐색하도록 설계되었습니다. 하지만 이러한 로봇을 안정적으로 움직이게 만드는 것은 매우 심오한 도전 과제입니다. 로봇이 통과하는 지면은 매끄러운 도로가 아니라, 로봇의 금속 궤도와 플리퍼가 지면과 접촉하고 떨어지기를 반복하는 변화무쌍하고 불규칙한 표면입니다. 플리퍼가 계단에 닿거나 궤도가 느슨한 돌 위에서 미끄러질 때마다, 로봇의 움직임에 대한 물리 법칙은 즉각적으로 변화합니다. 기존의 컴퓨터 프로그램은 모든 형태의 굴곡이나 각도를 고려할 수 없는 미리 작성된 규칙에 의존하기 때문에 이러한 상황에서 어려움을 겪으며, 최신 학습 기반 시스템들은 이론적으로는 부드럽지만 실제로는 위험할 정도로 급격하거나 불안정한 방식으로 움직이는 경향이 있습니다.

이를 해결하기 위해 연구진은 ASTRIL-MPC라는 새로운 프레임워크를 개발했습니다. 이는 구조 로봇이 장애물을 타고 올라갈 때 실시간으로 생각하고 조정할 수 있게 해주는 시스템입니다. 이 시스템의 핵심은 세 가지 뚜의 서로 다른 능력을 결합한 하이브리드 접근 방식입니다. 첫째, 이는 학습된 모델, 즉 수천 번의 시뮬레이션 등반을 통해 훈련된 디지털 뇌를 사용하여 전방 지면의 형상에 따라 로봇이 향후 몇 초 동안 어떻게 움직일지를 정확히 예측합니다. 둘째, 수학적 플래너(planner)를 사용하여 이러한 예측을 엄격한 안전 규칙과 끊임없이 대조함으로써, 로봇이 절대 뒤집어지거나 벽에 부딪히지 않도록 보장합니다. 셋째, 가장 혁신적인 점은 대규모 언어 모델(LLM)을 고차원적인 감독관으로 채용했다는 것입니다. 이 감독관은 로봇에게 정확히 어떤 모터를 돌려야 하는지 지시하는 대신, "조심스럽게 이동해" 또는 "더 빨리 가"와 같은 간단한 인간의 명령을 듣고 이를 로봇의 내부 설정에 대한 정밀한 조정으로 변환합니다. 이를 통해 로봇은 처음부터 다시 프로그래밍하거나 재학습할 필요 없이, 다양한 지형과 운영자의 선호도에 맞춰 자신의 행동을 적응시킬 수 있습니다.

연구진은 재난 지역의 어려운 조건을 모사한 시뮬레이션 환경에서 이 프레임워크를 테스트했습니다. 여기에는 가파른 계단과 복잡한 내부 구조가 포함되었습니다. 그들은 이 새로운 시스템을 두 가지 일반적인 접근 방식, 즉 새로운 상황에 적응하지 못하는 표준 계획 시스템과 시행착오를 통해 훈련된 학습 기반 시스템과 비교했습니다. 결과에 따르면, 새로운 언어 유도형 시스템이 다른 방식들보다 성능이 현저히 뛰어났습니다. 계단을 오르내리는 테스트에서, 이 적응형 시스템은 비적응형 플래너에 비해 전체 주행 품질을 최대 71% 개선했으며, 학습 기반 베이스라인에 비해서는 67% 개선했습니다. 결정적으로, 이 새로운 시스템은 로봇이 계단을 내려갈 때 발생하는 측정 가능한 충돌 영향을 제거했는데, 이는 로봇이 계단에 부딪히거나 균형을 잃기 쉬운 흔한 실패 지점입니다. 시스템은 속도와 안정성 사이의 내부 균형을 지속적으로 미세 조정함으로써 이 성과를 달ей했습니다. 이를 통해 지형이 변하더라도 로봇의 본체가 수평을 유지하고 움직임이 부드럽게 유지되도록 보장했습니다.

이 성과가 특히 주목할 만한 이유는 시스템이 로봇의 움직임의 복잡성을 다루는 방식 때문입니다. 연구진은 로봇의 궤도와 지면 사이의 가능한 모든 물리적 상호작용을 실시간으로 기술하는 것이 너무 어렵다는 것을 발견했습니다. 대신, 그들은 신경망을 훈련시켜 데이터로부터 이러한 상호작용을 학습하게 함으로써, 0.1초 미만의 짧은 시간 내에 로봇의 미래 위치를 높은 정확도로 예측할 수 있게 했습니다. 이 속도는 로봇이 직립 상태를 유지하기 위해 초당 수백 번의 결정을 내려야 하기 때문에 필수적입니다. 그런 다음 시스템은 이 예측을 계획 루프(planning loop)에 삽입하여, 궤도가 회전할 수 있는 최대 속도나 로봇이 넘어질 수 있는 각도와 같은 엄격한 한계치를 준수하면서 최적의 경로를 계산합니다. 이러한 안전 제약 조건을 엄격하게 유지함으로써, 시스템은 로봇이 새로운 명령에 적응할 때에도 넘어지지 않게 하는 물리 법칙을 결과적으로 위반하지 않도록 보장합니다.

이 과정에서 언어 모델의 역할은 인간의 의도와 기계의 실행 사이를 잇는 가교 역할을 하는 것입니다. 운영자가 새로운 명령을 제공하면, 시스템은 단순히 로봇의 목적지를 바꾸는 것이 아니라, 로봇의 행동을 규정하는 가중치와 제한치를 미세하게 재조정합니다. 예를 들어, 운영자가 더 신중한 접근을 요청하면, 시스템은 자동으로 로봇의 속도 제한을 낮추고 갑작스러운 움직임에 대한 페널티를 높여서, 로봇이 더 느리고 신중하게 움직이도록 만듭니다. 반대로, 빠르게 이동하라는 명령이 내려지면, 시스템은 안정성을 유지하면서도 더 빠른 속도를 허용하도록 파라미터를 조정합니다. 이러한 조정은 언어 모델이 너무 극단적이거나 모순적인 변경을 하지 못하도록 하는 안전 게이트(safety gate) 내에서 이루어지며, 이를 통해 어떤 명령을 받더라도 로봇이 안전하게 유지되도록 합니다. 연구진은 이 방법이 로봇이 새로운 학습 데이터 없이도 다른 높이의 계단과 같은 미지의 장애물에 자신의 기술을 일반화할 수 있음을 입증했습니다.

실험 과정에서 연구진은 시스템이 다양한 도전적인 시나리오 전반에 걸쳐 일관되고 안정적인 자세를 유지하는 것을 관찰했습니다. 단일 대형 블록을 건너거나 계단을 통과할 때, 로봇은 계단을 잡기 위해 플리퍼를 확장하거나 장애물을 피하기 위해 수축시키는 등 적절한 구성(configuration)을 자율적으로 선택했습니다. 이전에는 각 환경에 대한 전문가의 튜닝이 필요했던 이러한 수준의 협응이 시스템에 의해 동적으로 달성되었습니다. 데이터에 따르면, 적응형 컨트롤러는 로봇 본체의 떨림과 충격을 줄여 더 부드러운 움직임을 구현하고 기계 부품에 가해지는 스트레스를 줄였습니다. 계단을 내려갈 때 충돌 영향을 제거한 능력은 특히 중요한데, 이는 로봇이 자신이나 주변의 잔해를 손상시키지 않고 가파르고 불안정한 경사로를 안전하게 내려갈 수 있음을 시사합니다.

이 프레임워크의 성공은 복잡하고 구조화되지 않은 환경에서의 자율 로봇을 위한 새로운 길을 제시합니다. 학습된 모델의 예측 능력과 수학적 계획의 엄격한 안전성, 그리고 언어 유도형 적응의 유연성을 결합함으로써, 연구진은 견고하면서도 반응성이 뛰어난 시스템을 만들어냈습니다. 연구 결과는 이 접근 방식이 지면이 순식간에 단단한 곳에서 미끄러운 곳으로, 혹은 평평한 곳에서 가파른 곳으로 변하는 로봇-지형 간의 하이브리드적이고 불연속적인 상호작용을 처리할 수 있음을 보여줍니다. 현재 작업은 시뮬레이션에서 수행되었으나, 제어 루프의 속도와 결과의 명확성은 이 시스템이 향후 실제 배치에 대한 유망한 가능성을 가지고 있음을 시사합니다. 연구진은 이 작업을 확장하여 변형 가능한 물체를 다루고, 로봇의 의사결정에 에너지 효율성을 포함하며, 장기 구조 임무의 효율성을 더욱 높이기 위해 추가적인 실제 플랫폼에서 이 프레임워크를 검증할 계획입니다. 궁극적으로 이 연구는 학습과 안전의 올바른 조합이 있다면, 로봇이 지구상에서 가장 어렵고 위험한 장소를 탐색하는 데 신뢰받을 수 있음을 보여줍니다.