새 알고리즘으로 자기 감지 소프트 로봇 설계, 신뢰성 있는 작업 수행 가능

전통적인 로봇(딱딱하고 금속 재질)은 수행할 수 없는 작업들이 있습니다. 소프트 바디 로봇은 사람과 더 안전하게 상호작용하거나 좁은 공간에 쉽게 들어갈 수 있습니다. 하지만 로봇이 프로그래밍된 임무를 확실하게 완수하려면 자기 몸의 모든 부위 위치를 알아야 합니다. 무한한 방식으로 변형될 수 있는 소프트 로봇에게는 어려운 과제입니다.

연구자들이 엔지니어들이 소프트 로봇을 설계해 주변 환경에 대한 더 유용한 정보를 수집하도록 돕는 알고리즘을 개발했습니다. 이 딥러닝 알고리즘은 로봇 몸체 내 센서의 최적 배치를 제안해, 환경과의 상호작용을 개선하고 임무 완수 능력을 높입니다. 이 진전은 로봇 설계 자동화로 가는 한 걸음입니다. 시스템은 주어진 과제를 학습할 뿐만 아니라, 그 과제를 풀기 위해 로봇을 어떻게 최적으로 설계할지도 학습합니다.

실제 세계 과제를 수행하는 소프트 로봇을 만드는 것은 로봇공학의 난제였습니다. 강체 로봇은 본질적 이점이 있습니다: 제한된 운동 범위. 강체 로봇의 유한한 관절과 팔다리 배열은 매핑과 모션 플래닝을 제어하는 알고리즘이 처리하기 쉬운 계산을 만듭니다. 소프트 로봇은 그렇지 않습니다.

소프트 바디 로봇은 유연하고 유순합니다. 일반적으로 볼링공보다 탄력 공에 가깝습니다. 소프트 바디 로봇의 임의 지점은 이론적으로 어떤 방식으로든 변형될 수 있습니다. 이로 인해 몸체 부위 위치를 매핑하는 소프트 로봇을 설계하기가 어렵습니다. 과거에는 외부 카메라로 로봇 위치를 추적해 그 정보를 로봇 제어 프로그램에 피드백하는 방식을 썼습니다. 하지만 연구자들은 외부 도움 없이 자립적인 소프트 로봇을 만들고 싶었습니다.

그들은 센서 배치를 최적화하고 과제를 효율적으로 완수하는 법을 학습하는 새로운 신경망 아키텍처를 개발했습니다. 먼저 로봇 몸체를 '입자(particles)'라 불리는 영역들로 나눴습니다. 각 입자의 변형률이 신경망 입력으로 제공됩니다. 시행착오 과정을 통해 네트워크는 다양한 크기 물체 잡기 같은 과제를 완수하는 가장 효율적인 동작 시퀀스를 '학습'합니다. 동시에 네트워크는 가장 자주 쓰이는 입자를 추적하고, 이후 시련에서 입력 세트에서 덜 사용된 입자들을 제거합니다.

가장 중요한 입자들을 최적화함으로써 네트워크는 로봇의 어디에 센서를 배치해야 효율적 성능이 나오는지도 제안합니다. 잡는 손이 있는 시뮬레이션 로봇에서 알고리즘은 손가락 안팎에 센서가 집중돼야 한다고 제안할 수 있습니다. 환경과의 정밀한 상호작용이 물체 조작 능력에 필수적이기 때문입니다. 이는 당연해 보이지만, 알고리즘이 인간의 센서 배치 직관을 크게 능가하는 것으로 나타났습니다.

이 연구는 로봇 설계 프로세스 자동화에 도움이 될 수 있습니다. 로봇 동작 제어 알고리즘 개발뿐만 아니라, 센서를 로봇에 어디에 배치할지, 그것이 시스템 다른 구성요소와 어떻게 상호작용할지 디자이너가 고민해야 합니다. 더 나은 센서 배치는 특히 잡기 같은 정밀 작업에 로봇이 쓰이는 산업 현장에 응용될 수 있습니다.