기계공학과 황보제민 교수 연구팀 / 사진. 카이스트
한국과학기술원(KAIST) 기계공학과 황보제민 교수 연구팀이 모래사장처럼 변형하는 지형에서도 민첩하게 보행할 수 있는 사족 로봇 제어기술을 개발했다고 26일(목) 밝혔다.
연구팀은 모래처럼 아주 작은 입자로 된 입상 물질로 이뤄진 지반에서 로봇 보행체가 받는 힘을 모델링하고, 이를 사족 로봇에 시뮬레이션하는 기술을 개발했다. 연구팀이 도입한 인공신경망 구조는 사전 정보 없이도 다양한 지반 종류에 스스로 적응하며 보행하기에 적합하다.
학습된 신경망 제어기를 단 사족 로봇은 해변 모래사장에서 고속 이동하고, 에어매트리스 위에서 회전을 선보이는 등 변화하는 지형에서 민첩하고 견고하게 움직였다. 연구팀이 직접 제작한 로봇 라이보는 발이 완전히 모래에 잠기는 해변 모래사장에서 최대 초속 3.03ｍ로 고속 보행을 선보였다.
또한 이 로봇은 추가 작업 없이 풀밭·육상 트랙·단단한 지면에서도 지반 특성에 적응해 안정적으로 주행했다. 이로써 에어매트리스에서 초당 약 90도에 이르는 회전을 안정적으로 수행했고, 갑작스럽게 지형이 부드러워지는 환경도 극복하며 빠른 적응력을 입증했다고 연구팀은 설명했다.
최수영 연구원은 “다양한 지반에서 우수한 성능을 보였을 뿐만 아니라 지형에 대한 사전 정보 없이 적용될 수 있다”라며 “이번에 개발한 시뮬레이션과 학습 방법론은 다양한 보행 로봇이 극복할 수 있는 지형 범위를 넓혀 로봇이 실제 임무를 수행하는 데 이바지할 수 있을 것”이라고 말했다.
강화학습은 임의의 상황에서 여러 행동이 초래하는 결과들의 데이터를 수집하고 이를 사용해 임무를 수행하는 기계를 만드는 학습 방법이다. 이때 필요한 데이터의 양이 많아 실제 환경의 물리 현상을 근사하는 시뮬레이션으로 빠르게 데이터를 모으는 방법이 널리 사용되고 있다.
특히 보행 로봇 분야에서 학습 기반 제어기들은 시뮬레이션에서 수집한 데이터를 통해서 학습된 이후 실제 환경에 적용돼 다양한 지형에서 보행 제어를 성공적으로 수행해 온 바 있다.
다만 학습한 시뮬레이션 환경과 실제 마주친 환경이 다른 경우 학습 기반 제어기의 성능은 급격히 감소하기 때문에, 데이터 수집 단계에서 실제와 유사한 환경을 구현하는 것이 중요하다. 따라서, 변형하는 지형을 극복하는 학습 기반 제어기를 만들기 위해서는 시뮬레이터는 유사한 접촉 경험을 제공해야 한다.
연구팀은 기존 연구에서 밝혀진 입상 매체의 추가 질량 효과를 고려하는 지반 반력 모델을 기반으로 보행체의 운동 역학으로부터 접촉에서 발생하는 힘을 예측하는 접촉 모델을 정의했으며, 나아가 시간 단계마다 하나 혹은 여러 개의 접촉에서 발생하는 힘을 풀이함으로써 효율적으로 변형하는 지형을 시뮬레이션했다.
뿐만 아니라 연구팀은 또한 로봇의 센서에서 나오는 시계열 데이터를 분석하는 순환 신경망을 사용함으로써 암시적으로 지반 특성을 예측하는 인공신경망 구조를 도입했다.
학습이 완료된 제어기는 연구팀이 직접 제작한 로봇인 라이보에 탑재돼 로봇의 발이 완전히 모래에 잠기는 해변 모래사장에서 최대 3.03 m/s의 고속 보행을 선보였으며, 추가 작업 없이 풀밭, 육상 트랙, 단단한 땅에 적용됐을 때도 지반 특성에 적응해 안정하게 주행할 수 있었다.
제1 저자인 최수영 박사과정은 "학습 기반 제어기에 실제의 변형하는 지반과 가까운 접촉 경험을 제공하는 것이 변형하는 지형에 적용하는 데 필수적이라는 것을 보였다ˮ 라며 "제시된 제어기는 지형에 대한 사전 정보 없이 기용될 수 있어 다양한 로봇 보행 연구에 접목될 수 있다ˮ 라고 말했다.
