MIT의 새 제어 시스템, 사족보행 로봇 Mini Cheetah의 기동성 향상
빠른 치타가 언덕진 들판을 달리며 갑자기 나타나는 틈을 뛰어넘습니다. 밖에서 보면 쉬워 보이지만, 로봇에게 이런 움직임을 가르치는 것은 전혀 다른 과제입니다.
최근 몇 년간 치타와 다른 동물의 움직임에서 영감을 받은 사족보행 로봇은 큰 발전을 이뤘지만, 높이가 빠르게 바뀌는 지형을 이동하는 데에는 여전히 포유류에 뒤처져 있습니다.
“이런 환경에서는 실패를 피하기 위해 시각이 필요합니다. 예를 들어 틈이 보이지 않으면 그 위를 밟지 않기 어렵습니다. 다리 움직임에 시각을 결합하는 몇 가지 방법이 존재하지만, 대부분은 발전 중인 유연한 로봇 시스템에 적합하지 않습니다”
MIT 인공지능 연구소의 마골리스와 동료들은 지형의 틈을 뛰어넘을 때 다리형 로봇의 속도와 기동성을 높이는 시스템을 개발했습니다. 새 제어 시스템은 두 부분으로 나뉩니다. 한 부분은 로봇 앞부분에 장착된 비디오 카메라의 실시간 입력을 처리하고, 다른 부분은 이 정보를 로봇 몸체를 어떻게 움직여야 하는지에 대한 명령으로 바꿉니다.
연구진은 Sangbae Kim 기계공학 교수의 연구실에서 만든 강력하고 민첩한 로봇 Mini Cheetah에서 시스템을 시험했습니다. 다른 사족보행 로봇 제어 방법과 달리, 이 두 요소 시스템은 지형을 미리 지도로 만들 필요가 없어 로봇이 어디든 갈 수 있습니다. 앞으로 이는 로봇이 숲으로 들어가 긴급 구조 임무를 수행하거나, 계단을 올라 노인에게 약을 전달하는 일을 가능하게 할 수 있습니다.
모든 것이 통제 아래에
함께 작동하는 두 개의 독립된 컨트롤러를 사용한다는 점이 이 시스템을 특히 혁신적으로 만듭니다. 컨트롤러는 로봇의 상태를 따라야 할 동작 집합으로 바꾸는 알고리즘입니다. 많은 블라인드 컨트롤러, 즉 시각 정보가 없는 컨트롤러는 신뢰할 수 있고 효율적이지만, 로봇이 평평한 지형에서만 움직일 수 있게 합니다.
시각은 처리하기에 너무 복잡한 감각 입력이어서, 이런 알고리즘은 이를 효율적으로 다루지 못합니다. 시각을 포함하는 시스템은 보통 지형의 '높이 지도'에 의존하는데, 이는 미리 만들어지거나 즉석에서 생성되어야 하며, 보통 느리고 높이 지도가 부정확하면 쉽게 실패합니다.
연구진은 시스템을 개발하면서 이런 신뢰할 수 있는 블라인드 컨트롤러의 장점을 취해, 실시간 시각을 처리하는 별도 모듈과 결합했습니다. 로봇의 카메라는 다가오는 지형의 깊이 이미지를 포착하고, 이는 로봇 몸체의 상태 정보(관절 각도, 몸체 방향)와 함께 상위 수준 컨트롤러로 전달됩니다. 상위 수준 컨트롤러는 자신의 경험으로부터 '배우는' 신경망입니다.
이 신경망은 목표 궤적을 출력하고, 두 번째 컨트롤러는 이를 사용해 로봇의 12개 관절 각각에 필요한 토크를 결정합니다. 하위 수준 컨트롤러는 신경망이 아니라, 로봇의 움직임을 설명하는 간결한 물리 방정식 집합에 의존합니다.
“하위 수준 컨트롤러를 포함한 이런 계층 구조 덕분에 로봇의 동작을 제한해 더 올바르게 행동하도록 할 수 있습니다. 하위 수준 컨트롤러에서는 제약을 걸 수 있는 명확히 정의된 모델을 사용하는데, 이는 학습 기반 네트워크에서는 보통 불가능합니다”
신경망 학습
연구진은 상위 수준 컨트롤러를 훈련시키기 위해 강화 학습으로 알려진 시행착오 방법을 사용했습니다. 그들은 수백 가지 서로 다른 끊어진 지형에서 로봇이 달리는 모습을 시뮬레이션하고, 성공적인 건너기에 보상을 주었습니다. 시간이 지나면서 알고리즘은 어떤 행동이 보상을 늘리는지 학습했습니다.
그다음 연구진은 나무 판자들로 틈이 있는 실제 지형을 만들고, Mini Cheetah로 제어 방식을 시험했습니다.
“MIT에서 일부 동료들이 설계한 로봇과 작업하는 것은 확실히 즐거웠습니다. Mini Cheetah는 모듈식이고 대부분 인터넷으로 주문할 수 있는 부품으로 만들어져 훌륭한 플랫폼입니다. 그래서 새 배터리나 카메라가 필요하면 일반 공급업체에 주문하고, Sangbae 연구실의 도움을 조금 받아 설치하기만 하면 됐습니다”
일부 경우에는 로봇의 상태를 추정하는 것이 어려웠습니다. 시뮬레이션과 달리 현실 세계의 센서에는 잡음이 있어 누적되며 결과에 영향을 줄 수 있습니다. 그래서 발 위치를 고정밀로 배치해야 하는 일부 실험에서 연구진은 모션 캡처 시스템을 사용해 로봇의 실제 위치를 측정했습니다.
이 시스템은 컨트롤러 하나만 사용하는 다른 시스템을 능가했으며, Mini Cheetah는 지형의 90%를 성공적으로 통과했습니다.
“우리 시스템의 새로운 점 중 하나는 로봇의 걸음걸이에 반응한다는 것입니다. 사람이 정말 넓은 틈을 뛰어넘으려 한다면, 속도를 올리기 위해 매우 빠르게 달리기 시작한 뒤, 두 발을 모아 강력하게 도약할 것입니다. 이와 같은 방식으로 우리 로봇도 지형을 더 잘 건너기 위해 발을 딛는 타이밍과 지속 시간을 조절할 수 있습니다”
연구실 밖으로
교수에 따르면, 연구진이 제어 방식이 연구실에서 작동함을 보여줄 수는 있었지만, 실제 세계에 시스템을 배치하기까지는 아직 갈 길이 멉니다.
앞으로 연구진은 로봇이 모든 계산을 온보드에서 수행할 수 있도록 더 강력한 컴퓨터를 탑재하기를 원합니다. 또한 모션 캡처 시스템의 필요성을 없애기 위해 로봇 상태 추정기를 개선하고자 합니다. 더불어 연구진은 하위 수준 컨트롤러가 로봇의 전체 움직임 범위를 사용할 수 있도록 개선하고, 상위 수준 컨트롤러가 다양한 조명 조건에서도 잘 작동하도록 할 계획입니다.
“모델 기반의 다중 벡터 방법들이 의존했던 정교하게 설계된 중간 과정들(예: 상태 추정과 궤적 계획)을 우회할 수 있는 머신러닝 방법의 유연성을 목격하는 것은 주목할 만합니다. 나는 보행을 위해 특별히 훈련된, 더 신뢰할 수 있는 시각 처리를 갖춘 이동형 로봇의 미래에 대해 기대가 큽니다”
