AI는 로봇이 몸 전체로 물체를 조작하도록 돕습니다.

MIT 뉴스 오피스 웹사이트에서 다운로드할 수 있는 이미지는 Creative Commons Attribution Non-Commercial No Derivatives 라이센스에 따라 비영리 단체, 언론 및 일반 대중에게 제공됩니다. 제공된 이미지를 크기에 맞게 자르는 것 외에는 변경할 수 없습니다. 이미지를 복제할 때는 크레디트 라인을 사용해야 합니다. 아래에 제공되지 않은 경우 이미지를 "MIT"로 표시하십시오.

이전 이미지 다음 이미지

크고 무거운 상자를 계단 위로 들고 싶다고 상상해 보십시오. 손가락을 펴고 양손으로 상자를 들어 올린 다음 팔뚝 위에 상자를 놓고 가슴에 균형을 맞추면서 몸 전체를 사용하여 상자를 조작할 수 있습니다.

인간은 일반적으로 전신 조작에 능숙하지만 로봇은 그러한 작업에 어려움을 겪습니다. 로봇에게는 상자가 운반자의 손가락, 팔, 몸통의 어떤 지점에 닿을 수 있는 각 지점이 로봇이 추론해야 하는 접촉 이벤트를 나타냅니다. 수십억 건의 잠재적인 접촉 이벤트로 인해 이 작업을 계획하는 것은 빠르게 어려워집니다.

이제 MIT 연구원들은 접촉이 많은 조작 계획이라고 알려진 이 프로세스를 단순화하는 방법을 찾았습니다. 그들은 많은 접촉 이벤트를 더 적은 수의 결정으로 요약하는 스무딩(Smoothing)이라는 AI 기술을 사용하여 간단한 알고리즘으로도 로봇에 대한 효과적인 조작 계획을 빠르게 식별할 수 있습니다.

아직 초기 단계이지만, 이 방법을 사용하면 손가락 끝으로만 잡을 수 있는 대형 로봇 팔 대신 ​​팔이나 몸 전체로 물체를 조작할 수 있는 더 작은 이동식 로봇을 공장에서 사용할 수 있습니다. 이는 에너지 소비를 줄이고 비용을 절감하는 데 도움이 될 수 있습니다. 또한 이 기술은 온보드 컴퓨터만 사용하여 환경에 신속하게 적응할 수 있기 때문에 화성이나 다른 태양계 탐사 임무에 파견되는 로봇에 유용할 수 있습니다.

“이것을 블랙박스 시스템으로 생각하기보다 모델을 사용해 이러한 종류의 로봇 시스템의 구조를 활용할 수 있다면 이러한 결정을 내리는 전체 절차를 가속화하고 접촉이 풍부한 솔루션을 생각해 낼 수 있는 기회가 있습니다. EECS(전기 공학 및 컴퓨터 과학) 대학원생이자 이 기술에 관한 논문의 공동 저자인 HJ Terry Suh는 말합니다.

논문에 Suh와 함께 공동 저자인 Boston Dynamics AI Institute의 로봇공학자인 Tao Pang PhD '23; EECS 대학원생 Lujie Yang; 수석 저자인 Russ Tedrake는 EECS, 항공우주학, 기계 공학의 Toyota 교수이자 CSAIL(컴퓨터 과학 및 인공 지능 연구소)의 회원입니다. 이 연구는 이번 주 IEEE Transactions on Robotics에 게재되었습니다.

학습에 대해 학습

강화 학습은 로봇과 같은 에이전트가 목표에 가까워지면 보상을 받으며 시행착오를 통해 작업을 완료하는 방법을 배우는 기계 학습 기술입니다. 연구원들은 시스템이 시행착오를 통해 세상에 대한 모든 것을 배워야 하기 때문에 이러한 유형의 학습에는 블랙박스 접근 방식이 필요하다고 말합니다.

이는 로봇이 지정된 방식으로 물체를 이동하는 최선의 방법을 학습하려는 접촉이 많은 조작 계획에 효과적으로 사용되었습니다.

그러나 손가락, 손, 팔, 몸을 사용하여 물체와 상호 작용하는 방법을 결정할 때 로봇이 추론해야 하는 잠재적인 접촉 지점이 수십억 개 있을 수 있기 때문에 이 시행착오 접근 방식에는 많은 계산이 필요합니다.

Suh는 “강화 학습이 실제로 정책을 학습하려면 수백만 년의 시뮬레이션 시간이 필요할 수 있습니다.”라고 덧붙입니다.

반면, 연구자가 시스템에 대한 지식과 로봇이 수행하기를 원하는 작업을 사용하여 물리학 기반 모델을 구체적으로 설계하는 경우 해당 모델은 이 세계에 대한 구조를 통합하여 더욱 효율적으로 만듭니다.