많은 전문가들은 AI가 현실 세계에 몸을 부여하지 않으면 더 일반적인 형태의 인공지능이 불가능할 것이라고 믿는다. 로봇이 자신의 신체 구성 방식을 학습할 수 있는 새로운 접근 방식은 이 과정을 가속화할 수 있다.

고유수용성 감각(proprioception)으로 알려진 우리 몸의 레이아웃과 위치를 직관적으로 감지하는 능력은 강력한 능력이다. 더욱 인상적인 점은 부상과 같은 내부 요인이나 무거운 짐과 같은 외부 요인에 따라 이러한 모든 부품이 작동하는 방식과 함께 작동하는 방식에 대한 내부 모델을 업데이트할 수 있는 능력이다.

로봇이 실제 상황에서 안전하고 효과적으로 작동하려면 이러한 기능을 로봇에 복제하는 것이 중요하다. 또한 많은 AI 전문가들은 AI가 잠재력을 최대한 발휘하려면 단순히 언어와 같은 추상적인 매체를 통해 현실 세계와 상호작용하는 것이 아니라 물리적으로 구현되어야 한다고 믿는다. 기계에게 신체의 작동 방식을 학습할 수 있는 방법을 제공하는 것은 아마도 중요한 요소일 것이다.

이제 뮌헨 공과 대학 팀은 다양한 로봇이 팔다리의 움직임을 추적하는 센서의 피드백만을 사용하여 신체의 레이아웃을 추론할 수 있는 새로운 종류의 머신러닝 접근 방식을 개발했다.

연구원들은 사이언스 로보틱스(Science Robotics)에 게재한 논문에서 “로봇의 구현은 로봇의 지각 및 행동 능력을 결정한다.”라고 썼다. "자율적이고 점진적으로 형태학에 대한 이해를 구축할 수 있는 로봇은 역학 상태를 모니터링하고 신체 표현을 조정하며 변화에 반응할 수 있다."

모든 로봇은 효과적으로 작동하기 위해 신체의 내부 모델이 필요하지만 일반적으로 이는 하드 코딩되거나 움직임을 모니터링하는 외부 측정 장치 또는 카메라를 사용하여 학습된다. 이와 대조적으로 새로운 접근 방식은 로봇의 여러 부분에 배치된 관성 측정 장치(움직임을 감지하는 센서)의 데이터만 사용하여 로봇 신체의 레이아웃을 학습하려고 시도한다.

팀의 접근 방식은 서로 가까이 있거나 신체의 동일한 부분에 있는 센서의 신호가 중복된다는 사실에 의존한다. 이를 통해 이러한 센서의 데이터를 분석하여 로봇 본체의 위치와 서로의 관계를 알아낼 수 있다.

첫째, 팀은 무작위 움직임을 생성하기 위해 짧은 기간 동안 기계의 모든 서보를 무작위로 활성화하는 "모터 옹알이"를 통해 로봇이 감각 운동 데이터를 생성하도록 한다. 그런 다음 머신러닝 접근 방식을 사용하여 센서가 어떻게 배열되어 있는지 알아내고 특정 팔다리 및 관절과 관련된 하위 집합을 식별한다.

연구원들은 로봇 팔, 소형 휴머노이드 로봇, 다리가 6개인 로봇을 포함하여 시뮬레이션과 실제 실험 모두에서 다양한 로봇에 접근 방식을 적용했다. 그들은 모든 로봇이 관절의 위치와 관절이 어느 방향을 향하고 있는지에 대한 이해를 발전시킬 수 있음을 보여주었다.

더 중요한 것은 이 접근 방식에는 대부분의 최신 AI를 뒷받침하는 딥 러닝 방법과 같은 대규모 데이터 세트가 필요하지 않으며 대신 실시간으로 수행될 수 있다는 것이다. 이는 손상에 적응하거나 새로운 신체 부위나 모듈을 즉시 추가할 수 있는 로봇의 가능성을 열어준다.

연구진은 “우리는 로봇의 형태에 대한 지식을 자율적으로 평가하고 지속적으로 업데이트하는 로봇 능력의 중요성을 인식하고 있다.”라고 썼다. "형태학에 대한 점진적인 학습을 통해 로봇은 자해 또는 외부에서 가해지는 행동으로 인해 발생할 수 있는 신체 구조의 변화를 반영하도록 매개변수를 조정할 수 있다."

신체가 어떻게 작동하는지 이해하는 것은 유용한 작업을 수행하는 방법을 배우는 것의 작은 부분일 뿐이지만 중요한 요소이다. 로봇에게 이러한 고유 감각과 같은 능력을 부여하면 로봇을 더욱 유연하고 적응력이 뛰어나며 안전하게 만들 수 있다.

이미지 크레디트 : xx / xx