Neuro Inspired Robotics: What Robot Learning Can Borrow from the Sensorimotor Brain
이 서베이는 현재 로봇 학습의 한계가 데이터 부족보다는 설계상의 결함에서 기인한다고 주장하며, 로봇이 자율적으로 행동하고 재귀적으로 개선될 수 있도록 순응성, 병렬 고속 시각, 소뇌 예측, 그리고 운동 피질 구성을 통합하는 신경 모사 프레임워크를 제안한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
아이가 처음으로 서랍을 여는 법을 배우는 모습을 상상해 보라. 아이에게는 매뉴얼도, 수백만 번의 연습 시도도, 근육을 조절하기 위한 엔지니어 팀도 필요하지 않다. 아이는 그저 손잡이를 잡고, 당기며, 물체가 미끄러지거나 각도가 잘못되면 즉각적으로 움켜쥐는 힘을 조절한다. 단 몇 년 만에 복잡한 신체적 기술을 습득하는 이 능력은 현대 로봇과 극명한 대조를 이룬다. 수십 대의 서로 다른 로보트로부터 기록된 수백만 개의 움직임 라이브러리로 학습된 가장 진보된 기계들조차, 종종 이와 같은 단순한 작업에서 실패하곤 한다. 그들은 한 번도 잡아본 적 없는 물체에 고전하고, 동작 도중에 장면이 바뀌면 멈춰버리며, 배치된 이후에는 스스로 개선하지 못한다. 인간의 손재주와 로봇의 성능 사이의 간극은 데이터 양의 문제가 아니라 설계의 문제이다. 인간의 신경계는 이러한 문제들을 해결하기 위해 수억 년 동안 진화해 왔으며, 새로운 조사 결과는 차세대 로봇이 그 설계도를 빌려와야 한다고 제안한다.
"신경 모사 로보틱스(Neuro Inspired Robotics)"라는 제목의 이 논문은 현재의 로봇들이 실패하는 이유가 인간의 뇌와 근본적으로 다른 구조로 구축되었기 때문이라고 주장한다. 오늘날의 로봇은 일반적으로 시각 정보를 처리한 다음 모터에 정확히 어디로 움직여야 하는지 알려주는 정밀한 좌표 목록을 보내는 중앙 컴퓨터에 의존한다. 이러한 방식은 완벽한 정밀도를 요구하며, 로봇이 물리적 힘에 부딪히기 전까지는 자신이 마주한 힘을 인지하지 못하게 만든다. 반면, 인체는 순응성(compliance)과 예측의 원리에 따라 작동한다. 뇌는 경직된 위치를 명령하는 대신 노력(effort)과 강성(stiffness)을 명령하며, 이를 통해 신체가 필요할 때 환경에 순응하고 필요할 때만 강하게 압박할 수 있게 한다. 또한, 뇌는 미끄러지는 움켜쥠을 수정하기 위해 느린 시각 처리를 기다리는 것이 아니라, 빠른 반사 체계와 예측 모델을 사용하여 오류가 완전히 인지되기도 전에 동작을 조정한다. 저자들은 로봇이 이러한 생물학적 전략, 즉 뇌가 촉각, 시각, 예측을 다루는 방식을 모방함으로써, 취약하고 미리 프로그래밍된 기계에서 적응력 있고 스스로 개선하는 에이전트로 나아갈 수 있다고 제안한다.
이 조사는 움직임의 가장 기본적인 요소인 근육으로 전달되는 명령을 검토하는 것으로 시작한다. 표준적인 로봇에서 정책(policy)은 목표 위치를 출력하고, 별도의 고정된 제어기가 모터를 해당 지점으로 강제로 이동시키려 한다. 만약 로봇이 예상치 못한 장애물을 만나면, 경직된 제어기는 장애물과 싸우게 되며, 이는 종종 손상이나 실패를 초래한다. 인간의 운동 시스템은 다르게 작동한다. 이는 원하는 위치뿐만 아니라 사지의 강성까지 조절하는 신호를 보낸다. 이를 통해 신체는 스마트한 스프링처럼 작동할 수 있다. 인간이 곡선형 홈에 막대를 밀어 넣을 때, 홈의 정확한 곡선을 계산할 필요가 없다. 대신, 홈의 방향을 따라서는 높은 강성을 유지하고, 홈의 가로 방향으로는 낮은 강성을 유지하며 밀어 넣는다. 홈의 벽이 자연스럽게 막대를 위치시키도록 유도하며, 손은 접촉력에 따라 유연하게 반응한다. 논문은 로봇도 이와 동일한 전략을 채택해야 한다고 제안한다. 주 제어 정책 아래에 순응성 계층을 추가함으로써, 로봇은 계산해야 할 세부 사항을 물리적 세계가 직접 제공하도록 하여 예상치 못한 변화에 훨씬 더 견고하게 대응할 수 있다.
촉각 또한 생물학이 우월한 설계를 제공하는 분야다. 현재의 로봇들은 흔히 시각에 크게 의존하며 촉각을 부차적이거나 선택적인 입력으로 취급한다. 그러나 인간은 눈을 감은 상태에서도 문손잡이를 찾아 열 수 있다. 논문은 시각은 움직임과 형태만을 보지만, 촉각은 상호작용에 수반되는 힘을 직접 측정한다는 점을 강조한다. 인간이 물체를 잡을 때, 피부의 특수 센서는 약 75밀리초 이내에 미끄러짐을 감지하여, 뇌가 물체의 움직임을 의식적으로 인지하기도 전에 움켜쥐는 힘을 조절하는 자동 반사를 일으킨다. 이 반사 루프는 시각적 교정보다 훨씬 빠르다. 저자들은 로봇이 촉각을 일차적인 입력으로 취급하여, 이를 순응 제어를 구동하는 힘의 장(force field)으로 표현해야 한다고 제안한다. 로봇이 자신의 행동에 따른 촉각적 결과를 예측하도록 훈련시킨다면, 인간처럼 시각적으로 장면을 재평가하기 위해 멈출 필요 없이 물체가 미끄러질 때 즉각적으로 움켜쥐는 힘을 조절하는 법을 배울 수 있을 것이다.
시각 역시 새로운 접근 방식이 필요하다. 현재의 로봇 시각 시스템은 종종 얼굴을 인식하는 것과 유사하게 사물을 인식하는 데 최적화되어 있어 속도가 느리다. 그러나 움직이는 손을 제어하려면 움직임과 위치를 고속으로 추적하는 다른 종류의 시각이 필요하다. 인간의 뇌는 시각을 두 가지 스트림으로 나누어 이 문제를 해결한다. 하나는 '복측(ventral)' 스트림으로, 느리지만 사물이 무엇인지 인식하는 데 특화되어 있다. 다른 하나는 '배측(dorsal)' 스트림으로, 빠르며 동작을 안내하는 데 특화되어 있어 손과 관련된 사물의 위치를 끊임없이 업데이트한다. 논문은 로보트가 이와 유사한 이중 시스템을 구축해야 한다고 주장한다. 단일하고 느린 비전 인코더에 의리는 대신, 카메라의 프레임 속도에 맞춰 실행되는 전용의 빠른 인코더를 두어 움직임과 접촉에 대한 즉각적인 데이터를 반응형 정책 헤드에 전달해야 한다. 이를 통해 로봇은 장면의 상세한 분석을 기다리는 대신, 미끄러지는 물체나 움직이는 목표물에 실시간으로 반응할 수 있다.
아마도 가장 심오한 통찰은 뇌에서 '예측기'로 자주 묘사되는 소뇌에서 나올 것이다. 소례는 모든 운동 명령의 복사본을 가져가서, 그 결과로 신체가 무엇을 느끼고 보게 될지를 불과 몇 밀리초 만에 예측한다. 만약 실제 감각이 예측과 다르다면, 소뇌는 즉시 움직임을 재조정한다. 덕분에 인간은 공을 잡거나 무거운 물체를 잡을 때 감각 피드백 루프가 정상적으로 작동하기 전에도 미리 대응할 수 있다. 논문은 로봇이 메인 정책과 병행하여 실행되는 유사한 "세계 모델(world model)" 또는 예측기를 포함해야 한다고 제안한다. 이 예측기는 모든 명령의 결과를 예측하고, 예측과 현실 사이의 오차를 사용하여 로봇의 행동을 즉각적으로 조정할 것이다. 현재 모델들이 학습과 처리에 수 초가 걸리는 것과 달리, 이 예측기는 얕고 빨라서 새로운 도구나 더 무거운 물체에 단 한 번의 시도만으로도 적응할 수 있으며, 효과적으로 실시간 학습과 개선을 가능하게 할 것이다.
마지막으로, 논문은 이 로봇들이 인간의 연습과 공고화 과정을 본떠 어떻게 시간이 흐름에 따라 학습하고 개선할 것인지에 대한 비전을 제시한다. 현재 로봇의 기술은 배치된 후에는 고정되며, 인간의 개입 없이는 자신의 실수로부터 배울 수 없다. 제안된 설계는 로봇이 도달, 방향 설정, 잡기와 같이 복잡한 과업을 작고 검증 가능한 단위로 분해하는 시스템을 포함한다. 로봇은 이러한 단위들을 연습하며, "공고화 에이전트(consolidation agent)"는 성공적인 시도를 검토하여 명시적이고 느린 코드를 로봇의 신경 가중치에 저장된 빠르고 암묵적인 기술로 전환한다. 시간이 지나면서 로봇은 모든 각도와 힘을 세밀하게 측정하는 단계에서 벗어나, 숙련된 인간처럼 과업을 단순히 "눈대중"으로 보고 행동하게 될 것이다. 약점을 연습하고, 성공을 판단하며, 지식을 공고화하는 이 순환 과정은 재귀적인 자기 개선을 가능하게 하여, 로봇이 수행하는 모든 과업마다 더욱 유능하고 정교해지도록 할 것이다.
저자들은 이러한 아이디어들이 검증된 해결책이 아니라 테스트되어야 할 가설임을 주의 깊게 명시하고 있다. 그들이 인용하는 신경과학은 복잡하고 때로는 논쟁의 여지가 있으며, 생물학적 뇌와 실리콘 기계 사이의 유추에는 한계가 있다. 그러나 이 논문은 앞으로의 길이 단순히 데이터나 컴퓨팅 파워를 확장하는 것이 아니라, 기계의 근본적인 구조를 재고하는 데 있다는 강력한 논거를 제시한다. 순응성, 빠른 감각 루프, 예측 모델링, 그리고 능동적 연습이라는 신경계의 원리를 차용함으로써, 차세대 로봇은 마침내 오랫동안 갈구해 온 유연하고 적응력 있는 지능을 달성할 수 있을 것이다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.