새 시뮬레이션 방법으로 로봇이 물체 속성 정확하게 감지 가능

자체 센서만으로 물체 들어올려 흔들며 무게·부드러움 등 물리적 특성 파악

다락방에서 잡동사니를 치우는 사람은 상자를 들어 흔들기만 해도 안에 무엇이 있는지 추측할 수 있습니다. MIT, 아마존 로보틱스, 브리티시컬럼비아 대학교 연구자들이 로봇에게도 비슷한 능력을 가르쳤습니다.

외부 도구 없이 고유수용감각만으로 물체 특성 추정

연구자들은 로봇이 내부 센서만 사용해 물체를 들어올리고 부드럽게 흔듦으로써 무게, 부드러움, 내용물 등을 학습할 수 있는 기술을 개발했습니다. 외부 측정 도구나 카메라가 필요하지 않으며, 로봇은 단 몇 초 만에 물체 질량 같은 매개변수를 정확하게 추측할 수 있습니다.

이 저비용 기술은 카메라가 덜 효과적인 애플리케이션(어두운 지하실에서 물체 분류, 지진으로 부분 붕괴된 건물 내 잔해 치우기 등)에서 특히 유용할 수 있습니다.

시뮬레이션 기반 접근법의 핵심

접근법의 핵심은 로봇과 물체 모델을 통합해 로봇이 물체와 상호작용할 때 그 특성을 신속히 식별하는 시뮬레이션 프로세스입니다.

연구팀의 기술은 컴퓨터 비전을 포함하는 더 복잡하고 비싼 방법만큼 물체 질량 추측에 능숙합니다. 또한 데이터 효율적인 접근법으로 많은 미지의 시나리오를 처리할 만큼 견고합니다.

"이 아이디어는 일반적이며, 우리는 로봇이 이런 방식으로 무엇을 배울 수 있는지 이제 막 표면을 긁고 있다고 생각합니다. 제 꿈은 로봇이 세상에 나가 주변의 것들을 만지고 움직이며, 상호작용하는 모든 것의 특성을 스스로 파악하는 것입니다."라고 MIT 박사후연구원이자 이 기술 논문의 제1저자인 피터 이첸 첸(Peter Yichen Chen)은 말했습니다.

고유수용감각(proprioception) 활용

연구팀의 방법은 고유수용감각을 활용합니다. 이는 인간이나 로봇이 공간에서 자신의 움직임이나 위치를 감지하는 능력입니다. 예를 들어 체육관에서 덤벨을 들면 손에 쥐고 있어도 손목과 이두근에서 덤벨의 무게를 느낄 수 있습니다. 같은 방식으로 로봇은 팔의 여러 관절을 통해 물체의 무거움을 '느낄' 수 있습니다.

"인간은 손가락 관절 각도나 물체에 가하는 토크의 정확한 양에 대한 초정밀 측정값을 가지지 않지만, 로봇은 가집니다. 우리는 이러한 능력을 활용합니다."라고 공동 저자 차오 리우(Chao Liu) MIT 박사후연구원은 말했습니다.

미분 가능 시뮬레이션으로 역추적

로봇이 물체를 들어올리면 연구진 시스템은 로봇 관절 인코더(움직임 중 관절 회전 위치와 속도를 감지하는 센서)에서 신호를 수집합니다. 대부분의 로봇은 이동 부품을 구동하는 모터 내에 관절 인코더를 가지고 있어, 촉각 센서나 비전 추적 시스템 같은 추가 구성요소가 필요하지 않아 더 비용 효율적입니다.

로봇-물체 상호작용 중 물체 특성을 추정하기 위해 시스템은 두 모델에 의존합니다: 로봇과 그 움직임을 시뮬레이션하는 모델과 물체 역학을 시뮬레이션하는 모델입니다. "정확한 현실 세계의 디지털 트윈을 갖는 것이 우리 방법 성공에 정말 중요합니다."라고 첸은 덧붙였습니다.

알고리즘은 물리적 상호작용 중 로봇과 물체 움직임을 '관찰'하고 관절 인코더 데이터를 사용해 역으로 물체 특성을 식별합니다. 예를 들어 로봇이 같은 힘을 가하면 더 무거운 물체는 가벼운 물체보다 더 느리게 움직입니다.

미분 가능 시뮬레이션(differentiable simulation) 기법을 활용해 알고리즘은 물체 특성(질량, 부드러움 등)의 작은 변화가 로봇의 최종 관절 위치에 미치는 영향을 예측합니다. 연구자들은 엔비디아의 Warp 라이브러리(미분 가능 시뮬레이션을 지원하는 오픈소스 개발자 도구)를 사용해 시뮬레이션을 구축했습니다.

미분 가능 시뮬레이션이 로봇의 실제 움직임과 일치하면 시스템은 올바른 특성을 식별한 것입니다. 알고리즘은 몇 초 만에 이 작업을 수행하며, 로봇의 실제 움직임 궤적 하나만 보면 계산을 수행할 수 있습니다.

"기술적으로, 물체 모델과 로봇이 그 물체에 힘을 가하는 방식을 알면 원하는 매개변수를 파악할 수 있어야 합니다."라고 리우는 말했습니다. 연구자들은 이 방법으로 물체 질량과 부드러움을 학습했지만, 이 기술은 관성 모멘이나 용기 안 유체의 점성 같은 특성도 결정할 수 있습니다.

또한 알고리즘이 컴퓨터 비전이나 외부 센서에 의존하는 일부 방법처럼 광범위한 훈련 데이터셋을 필요로 하지 않기 때문에, 미지의 환경이나 새로운 물체에 직면했을 때 실패할 가능성이 적습니다.

미래 방향: 멀티모달 센싱으로 확장

향후 연구진은 컴퓨터 비전과 결합해 더 강력한 멀티모달 센싱 기술을 만들고 싶습니다. "이 작업은 컴퓨터 비전을 대체하려는 것이 아닙니다. 두 방법 모두 장단점이 있습니다. 하지만 여기서는 카메라 없이도 이러한 특성 중 일부를 이미 파악할 수 있음을 보였습니다."라고 첸은 말했습니다.

더 복잡한 로봇 시스템(소프트 로봇 등)과 더 복잡한 물체(슬로싱 액체, 모래 같은 입상 매체) 적용도 탐구하고 싶습니다. 장기적으로는 이 기술을 로봇 학습 개선에 적용해 미래 로봇이 새로운 조작 기술을 빠르게 개발하고 환경 변화에 적응할 수 있게 하길 희망합니다.

자세한 정보: 멜라니 그라도스(Melanie Grados), 이메일: [보호된 이메일], 전화: 617-253-1682