Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

모바일 로봇은 택배 배송, 인프라 점검, 또는 도움이 필요한 사람들에게 이동성 지원을 제공하는 등 우리의 일상생활 속으로 점점 더 깊숙이 들어오고 있습니다. 이러한 기계들이 붐비고 울퉁불퉁한 도시의 보도를 안전하게 이동하기 위해서는 인간과 마찬가지로 주변 환경을 관찰하고 다음에 어디로 갈지 결정하는 법을 배워야 합니다. 로봇에게 이 기술을 가르치는 가장 효과적인 방법은 성공적인 여정의 사례 수천 가지를 보여주는 것이며, 이 과정을 '내비게이션 데이터 수집'이라고 합니다. 전통적으로 이러한 데이터를 모으는 것은 연구자들이 로봇을 직접 들고 동네 곳판을 누비며 모든 회전과 장애물을 세심하게 기록해야 하는 느리고 비용이 많이 드는 작업이었습니다. 이 방식은 데이터 수집량을 제한하며, 무겁고 특수한 장비를 매번 새로운 장소로 옮기는 것이 비현실적이기 때문에 로봇이 학습할 수 있는 환경의 다양성을 제한합니다.

핵심 과제는 로봇 자체를 사용하지 않고 로봇에게 움직이는 법을 가르칠 방법을 찾는 것입니다. 만약 인간이 단순히 길을 걷고 그 경로가 기록될 수 있다면, 이러한 기계를 훈련하는 데 필요한 방대한 정보를 모으기가 훨씬 쉬울 것입니다. 하지만 단순한 인간의 보행은 완벽한 대체물이 될 수 없습니다. 사람은 쉽게 턱을 넘거나 계단을 오르거나 좁은 틈 사이를 비집고 지나갈 수 있지만, 바퀴 달린 로봇은 결코 할 수 없는 일입니다. 만약 로봇이 계단을 올라간 사람으로부터 학습한다면, 로봇은 똑같이 시도하다가 충돌할 수도 있습니다. 해결책은 인간의 움직임을 포착하되, 불가능한 경로의 수집을 물리적으로 차단하여 데이터가 실제 바퀴가 할 수 있는 경로를 반영하도록 하는 방법을 필요로 합니다.

노스이스트 대학교(Northeastern University)의 연구진은 네 바퀴 달린 워커(rollator walker)라는 흔한 장비를 사용하여 이 문제를 해결하는 '유니버설 내비게이션 인터페이스(Universal Navigation Interface, UNI)'라는 새로운 접근 방식을 도입했습니다. 이 장치는 보행 시 안정감이 필요한 사람들이 사용하는 도구로, 데이터의 물리적 필터 역할을 합니다. 사람이 워커를 밀면 자연스럽게 바퀴에 적합한 경로로 유도됩니다. 워커는 계단을 오를 수 없고, 끊기지 않은 연석을 넘을 수 없으며, 너무 좁은 틈 사이를 통과할 수 없습니다. 이러한 물리적 제약은 운영자가 경사로, 연석 턱, 그리고 넓은 통로를 선택하도록 강제하여, 인간의 시연이 바퀴 달린 로봇이 실행 가능한 경로 쪽으로 편향되도록 만듭니다. 이 시스템은 매우 단순하고 저렴하며, 워커 자체와 핸들바에 장착된 표준 스마트폰으로 구성됩니다. 스마트폰은 컬러 이미지, 깊이 정보, 움직임 센서를 포함한 시각적 및 공간적 데이터의 동기화된 스트림을 기록하여 여정에 대한 풍부한 기록을 생성합니다.

이 설정을 사용하여 연구팀은 세 개의 서로 다른 도시에서 37km 이상의 내비게이션 데이터를 수집했습니다. 그들은 젖은 노면과 공사 구역부터 붐비는 횡단보도와 엘리베이터 탑승에 이르기까지 다양한 도시 환경을 통과했습니다. 워커가 운영자로 하여 ป계단을 오르거나 끊긴 연석을 건너는 것을 물리적으로 막았기 때문에, 결과적으로 생성된 데이터셋은 기존의 인간 수집 데이터에서 흔히 발생하는 불가능한 기동들을 자연스럽게 배제하게 되었습니다. 연구진은 이 녹화본을 처리하여 정밀한 미터법 궤적, 즉 장치가 실제 거리상에서 정확히 어디로 이동했는지에 대한 지도를 추출했습니다. 또한 스마트폰 센서의 깊이 정보를 사용하여 움직임 데이터를 물리적 세계에 고정함으로써, 거리가 단순히 상대적인 추측이 아닌 실제 물리적 거리로서 정확하도록 보장했습니다.

이 방법의 진정한 시험대는 이 데이터가 실제로 로봇을 더 잘 주행하도록 가르칠 수 있는지 여부였습니다. 연구진은 로봇이 움직일 수 있게 하는 소프트웨어 두뇌인 기존의 내비게이션 모델들을 가져와, 새로 수집된 워커 데이터를 사용하여 미세 조정(fine-tuning)했습니다. 결과는 상당했습니다. 모델들을 보지 못한 경로에서 테스트했을 때, 경로를 예측하는 능력이 이전 성능보다 거의 25% 향상되었습니다. 이러한 개선은 세 가지 유형의 내비게이션 모델 모두에서 나타났으며, 이는 이 방법이 견고하고 널리 적용 가능하다는 것을 시사합니다. 더욱이, 캡처된 데이터에는 횡단보도에서 기다리거나 보행자에게 양보하는 것과 같은 자연스러운 멈춤 동작이 포함되어 있었는데, 이는 다른 데이터셋에서는 종종 걸러지지만 안전한 로봇 행동을 위해 매우 중요한 요소입니다. 모델이 이러한 정지 순간을 인식하도록 훈련되었을 때, 멈춰야 할 때를 예측하는 능력은 극적으로 향상되어 해당 상황에서의 오류를 60% 이상 줄였습니다.

이 지식이 단순한 워커에서 더 복잡한 기계로 전이될 수 있는지 증명하기 위해, 팀은 훈련된 모델을 전동 휠체어에 테스트했습니다. 일련의 폐쇄 루프 실험에서 휠체어는 끊기지 않은 연석이나 계단 같은 장애물에 접근하는 과제를 수행했습니다. 워커 데이터로 훈련되지 않은 버전의 소프트웨어는 장애물을 인식하지 못하고 계속 전진하여 인간의 개입 없이는 충돌했을 것입니다. 반면, UNI로 훈련된 소프트웨어를 탑로한 휠체어는 거의 모든 실험에서 장애물 전에 성공적으로 멈추었습니다. 또한 안전한 연석 턱을 망설임 없이 식별하고 통과했습니다. 이는 단순한 인간용 워커로부터 배운 교훈이, 비록 수집 장치와 대상 로봇이 서로 다름에도 불구하고 다른 복잡한 바퀴 플랫폼에 직접 적용될 수 있음을 입증했습니다.

본 연구는 저렴한 물리적 대리물(proxy)이 로봇 내비게이션 데이터를 수집하기 위한 값비싼 로봇 플랫폼을 효과적으로 대체할 수 있다고 결론짓습니다. 워커를 사용하여 인간의 시연을 제한함으로써, 연구진은 바퀴 달린 로봇에게 물리적으로 현실적인 대규모 데이터셋을 구축했습니다. 이 접근 방식은 데이터 수집 단계에서 로봇을 운용해야 하는 필요성을 제거하여, 이전보다 훨씬 더 많은 장소와 다양한 조건에서 다양한 내비게이션 사례를 수집할 수 있게 해줍니다. 이 방법이 로봇 내비게이션의 모든 과제를 해결하는 것은 아니지만, 인간의 직관과 기계의 역량 사이의 간극을 메우며 로봇이 세상 속을 움직이는 법을 가르치는 실용적이고 확장 가능한 방법을 제공합니다.