KAIST ‘라이보’ 로봇, 해변을 거침없이 달리다
상태바
KAIST ‘라이보’ 로봇, 해변을 거침없이 달리다
  • 송윤영 기자
  • yaho1130@hanmail.net
  • 승인 2023.01.26 16:29
  • 댓글 0
이 기사를 공유합니다

기계공학과 황보제민 교수 연구팀, 해변 모래사장 최대 3.03m/s 고속 보행 가능 사족보행 로봇 개발
풀밭, 육상 트랙 등 단단한 땅에서도 지반 특성에 적응하여 안정적으로 보행 가능
사족로봇 보행의 적용 범위 넓힐 것으로 기대
사진 2. KAIST 기계공학과 황보제민 교수 연구실 단체사진(뒷줄 두번째 황보제민 교수)
KAIST 기계공학과 황보제민 교수 연구실 단체사진(뒷줄 두번째 황보제민 교수)
사진 1. KAIST 기계공학과 황보제민 교수
(사진제공=KAIST) 기계공학과 황보제민 교수

(댜전-새종충청뉴스) 송윤영 기자 = KAIST(총장 이광형)는 기계공학과 황보제민 교수 연구팀이 모래와 같이 변형하는 지형에서도 민첩하고 견고하게 보행할 수 있는 사족 로봇 제어기술을 개발했다고 26일 밝혔다.

황보 교수 연구팀은 모래와 같은 입상 물질로 이뤄진 지반에서 로봇 보행체가 받는 힘을 모델링하고, 이를 사족 로봇에 시뮬레이션하는 기술을 개발했다. 또한, 사전 정보 없이도 다양한 지반 종류에 스스로 적응해가며 보행하기에 적합한 인공신경망 구조를 도입해 강화학습에 적용했다. 학습된 신경망 제어기는 해변 모래사장에서의 고속 이동과 에어 매트리스 위에서의 회전을 선보이는 등 변화하는 지형에서의 견고성을 입증해 사족 보행 로봇이 적용될 수 있는 영역을 넓힐 것으로 기대된다.

KAIST 기계공학과 최수영 박사과정이 제1 저자로 참여한 이번 연구는 국제 학술지 `사이언스 로보틱스(Science Robotics)' 1월 8권 74호에 출판됐다. (논문명 : Learning quadrupedal locomotion on deformable terrain).

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 정의했다.

나아가 시간 단계마다 하나 혹은 여러 개의 접촉에서 발생하는 힘을 풀이함으로써 효율적으로 변형하는 지형을 시뮬레이션했다.

연구팀은 또한 로봇의 센서에서 나오는 시계열 데이터를 분석하는 순환 신경망을 사용함으로써 암시적으로 지반 특성을 예측하는 인공신경망 구조를 도입했다.

학습이 완료된 제어기는 연구팀이 직접 제작한 로봇 `라이보'에 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.

또한, 에어 매트리스에서 1.54 rad/s(초당 약 90°)의 회전을 안정적으로 수행했으며 갑작스럽게 지형이 부드러워지는 환경도 극복하며 빠른 적응력을 입증했다.

연구팀은 지면을 강체로 간주한 제어기와의 비교를 통해 학습 간 적합한 접촉 경험을 제공하는 것의 중요성을 드러냈으며, 제안한 순환 신경망이 지반 성질에 따라 제어기의 보행 방식을 수정한다는 것을 입증했다.

연구팀이 개발한 시뮬레이션과 학습 방법론은 다양한 보행 로봇이 극복할 수 있는 지형의 범위를 넓힘으로써 로봇이 실제적 임무를 수행하는 데에 이바지할 수 있을 것으로 기대된다.

제1 저자인 최수영 연구원은 "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.

한편 이번 연구는 삼성전자 미래기술육성센터의 지원을 받아 수행됐다.

붙임 : 그림설명

그림 1. 제시된 제어기의 다양한 지반 환경에 대한 적응력
그림 1. 제시된 제어기의 다양한 지반 환경에 대한 적응력
그림 2. 입상 매체 시뮬레이션을 위한 접촉 모델 정의
그림 2. 입상 매체 시뮬레이션을 위한 접촉 모델 정의

□ 연구개요

배경

모래, 눈, 풀밭과 같은 변형하는 지형은 지구 표면을 상당 부분 차지하고 있는데, 로봇 보행 기술은 바퀴와 달리 빠짐이나 미끄러짐으로부터 비교적 자유로워서 기동성 측면에서 이러한 지형에서 유리하다. 기존 제어 방법은 지반의 변형을 고려하기 위해서 수치화된 지반 특성이 필요한데, 이는 날씨나 장소 등에 의해 쉽게 변화되기 때문에 실시간으로 추정되어야 하여 외부 환경에서의 실현을 어렵게 만든다. 반면, 모델프리(Model-free) 강화학습을 기반으로 하는 사족 제어기는 명시적으로 지반 반력 모델을 가지고 있지 않기 때문에 지반 특성에 대한 정확한 추정에 의존하지 않는다. 이 방법론의 실현에는 많은 데이터가 필요하므로 주로 시뮬레이션에서 수집한 데이터로 학습하고 이후 실제 환경에 적용되는 식으로 적용되었는데, 학습된 환경이 실제 적용된 환경과 다르면 성능이 크게 떨어진다는 문제점을 안고 있다. 따라서, 본 연구에서는 학습 기반 제어기를 학습시킬 수 있는 변형하는 지반에 대한 효율적인 시뮬레이션을 개발하고 이러한 지형을 극복하는 데 적합한 인공신경망 구조를 개발하고자 하였다.

2. 연구 내용

강화학습에는 많은 데이터가 필요하므로 변형하는 지형에 적합한 학습 기반 제어기를 실현하기 위해서는 효율적으로 유사한 접촉 경험을 만들어 내는 시뮬레이션 방법이 필수적이다. 본 연구는 자연 발생하는 변형하는 지형을 모사하기 위해서 지반을 입상 매체로 가정하고 빠른 시뮬레이션을 위해 지반과의 접촉면을 점으로 간주하였다. 나아가 보행체의 운동 역학으로부터 지면의 추가 질량 효과를 고려한 반력 수직 성분을 예측하는 입상 원뿔 모델을 사용하고, 수평 성분 합력을 쿨롱 마찰력(Coulomb friction)으로 모사하는 접촉 모델을 정의하였다. 본 연구는 정의된 접촉 모델에 맞게 보행 로봇에 발생한 다중 접촉으로부터 발생하는 힘을 풀이하는 솔버를 개발함으로써 효율적인 시뮬레이션을 구성했다. 지반의 특성마다 적합한 보행의 특성이 다르므로 제어기는 서로 다른 지반 특성을 구분해야 한다. 본 연구는 제어기에 순환 신경망을 사용해 센서 데이터들로부터 지반의 특성을 암시적으로 인지할 수 있도록 하였다. 시뮬레이션을 넓은 범위에서 무작위화하고 적합한 구조의 인공신경망을 강화학습에 적용한 결과, 제어기는 해변의 마른 모래와 풀밭, 육상 트랙, 단단한 땅, 에어 매트리스에서 비교군에 비해 빠른 최대속도와 안정성, 에너지 효율성을 보였다. 또한, 벽돌 길에서 매트리스로의 갑작스러운 지형 변화에도 즉각 적응해 보행하여 안정성을 입증했다.

3. 기대 효과

제시된 방법론은 다양한 지반에서 우수한 성능을 보였을 뿐 아니라, 지형에 대한 사전 정보 없이 적용될 수 있다는 강점이 있다. 야외 환경에서는 뚜렷한 시각적 특징 없이도 지반 특성의 차이가 존재할 수 있어, 실제 접촉 이전에 특성을 구분하는 것은 고도로 발전한 시각 지능으로도 어려운 작업이다. 본 연구에서 학습된 제어기는 시각 정보 없이도 변형하는 지형에의 적응력을 입증하여 이러한 제한점을 극복할 수 있음을 보였다. 제시된 시뮬레이션 및 강화학습 방법론은 비슷한 물리적 특성을 가지는 보행 로봇 전반에 적용될 수 있으므로 제어기 제작에 활발히 응용되어 이들이 적용될 수 있는 지형의 범위를 넓힐 것이라 기대한다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.
주요기사
이슈포토