광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
로고

새로운 딥러닝 방법을 통해 사전 학습된 기술을 즉시 혼합하는 새로운 접근방식 때문에 로봇이 모든 종류의 일을 할 수 있는 것이 가능하다. AI의 급속한 발전으로 인해 로봇이 수동으로 코딩한 지침에 의존하는 대신에 작업을 하는 방법을 스스로 배워서 맡겨진 일을 해결한다.

https://singularityhub.com/2020/12/14/new-deep-learning-method-helps-robots-become-jacks-of-all-trades/

JM Kim | 기사입력 2020/12/16 [00:37]

새로운 딥러닝 방법을 통해 사전 학습된 기술을 즉시 혼합하는 새로운 접근방식 때문에 로봇이 모든 종류의 일을 할 수 있는 것이 가능하다. AI의 급속한 발전으로 인해 로봇이 수동으로 코딩한 지침에 의존하는 대신에 작업을 하는 방법을 스스로 배워서 맡겨진 일을 해결한다.

https://singularityhub.com/2020/12/14/new-deep-learning-method-helps-robots-become-jacks-of-all-trades/

JM Kim | 입력 : 2020/12/16 [00:37]

로봇혁명을 가로막는 가장 큰 요인 중 하나는 적응 능력이 없다는 것이다. 그러나 새로운 도전을 해결하기 위해 사전 학습된 기술을 즉시 혼합하는 새로운 접근방식 덕분에 곧 바뀔 수 있다.  

엄격하게 통제된 환경에 로봇을 배치하면 자동차 조립부터 탁구 게임에 이르기까지 복잡한 작업에서 인간의 성능을 빠르게 능가할 수 있다. 하지만 이 기계를 커브 볼에 던지면 문제가 생긴다. 모래, 계단, 출입구와 같이 악명 높은 장애물에 직면해 있는 세계에서 가장 진보된 로봇의 이 모음집을 확인하라.

 

로봇이 너무 취약한 이유는 로봇을 제어하는 알고리즘이 종종 수동으로 설계되기 때문이다. 혼란스러운 현실 세계에서 거의 피할 수 없는, 디자이너가 생각하지 못한 상황에 직면하면 대응할 도구가 없다.

 

AI의 급속한 발전은 로봇이 손으로 코딩한 지침에 의존하는 대신 작업을 수행하는 방법을 배울 수 있도록 하여 잠재적인 해결 방법을 제공했다. 특히 유망한 접근 방식은 로봇이 시행착오 과정을 통해 환경과 상호작용하고 올바른 행동을 수행한 것에 대한 보상을 받는 심층 강화 학습이다. 여러 번 반복하면서 이 피드백을 사용하여 당면한 작업을 수행하는 방법을 배울 수 있다.

 

그러나 이 접근 방식은 단순한 작업도 해결하려면 엄청난 양의 데이터가 필요하다. 그리고 우리가 로봇이 하기를 원하는 대부분의 작업은 실제로 많은 작은 작업으로 구성된다. 예를 들어, 소포 배달에는 무엇보다도 물건을 집는 방법, 걷는 방법, 탐색하는 방법, 물건을 다른 사람에게 전달하는 방법 등을 배우는 것이 포함된다.

 

이러한 모든 하위 작업을 동시에 훈련하는 것은 매우 복잡하고 대부분의 최신 AI 시스템의 기능을 훨씬 뛰어넘기 때문에 지금까지 많은 실험이 좁은 기술에 중점을 두었다. 일부는 여러 기술에 대해 개별적으로 AI를 교육한 다음 중요한 시스템을 사용하여 이러한 전문 하위 시스템 사이를 전환했지만 이러한 접근 방식은 여전히 완전히 새로운 과제에 적응할 수 없다.

 

하지만 이 연구를 바탕으로 과학자들은 이제 특정 작업에 특화된 전문 하위 시스템을 결합할 수 있는 새로운 AI 시스템을 만들었다. Science Robotics의 한 논문에서 그들은 네발 로봇이 새로운 기술을 즉석에서 익히고 생소한 도전에 실시간으로 적응할 수 있게 하는 방법을 설명한다.

 

다중 전문가 학습 아키텍처(MELA)라고하는 이 기술은 2단계 교육 접근 방식에 의존한다. 먼저 연구자들은 컴퓨터 시뮬레이션을 사용하여 두 개의 신경망을 훈련하여 두 가지 별도의 작업을 수행했다.

 

그런 다음 이 두 네트워크가 학습한 모델을 롤오버 또는 좌/우 회전과 같은 보다 구체적인 운동 기술에 특화된 8개의 다른 신경망의 씨앗으로 사용했다. 8개의 "전문가 네트워크"는 이러한 전문가를 결합하여 문제를 해결하는 방법을 학습하는 "게이트 네트워크"와 함께 동시에 교육되었다.

 

게이팅 네트워크는 전문가 네트워크를 순차적으로 켜는 대신 합성하기 때문에 MELA는 혼자서 해결할 수 없는 문제를 해결할 수 있는 다양한 전문가 조합을 만들 수 있다.

 

저자는 사람들에게 축구를 하는 방법을 훈련시키는 접근 방식을 비유한다. 드리블, 패스 또는 슈팅과 같은 개별 기술에 대한 훈련을 하도록 하는 것으로 시작한다. 그것들을 숙달하면 지능적으로 결합하여 실제 게임에서 보다 역동적인 상황을 처리할 수 있다.

 

시뮬레이션에서 알고리즘을 훈련시킨 후 연구원들은 이를 네발 로봇에 업로드하고 실내와 실외에서 배터리 테스트를 거쳤다. 로봇은 자갈이나 자갈과 같은 까다로운 표면에 신속하게 적응할 수 있었고 계속 진행하기 전에 반복적으로 밀려난 상황에서 빠르게 회복할 수 있었다.

 

실제 상업적으로 유용한 로봇에 접근 방식을 적용하려면 아직 갈 길이 멀다. 우선 MELA는 현재 시각적 인식이나 촉각을 통합할 수 없다. 로봇 관절의 피드백에 의존하여 주변에서 일어나는 일을 알려준다. 로봇에게 마스터하도록 요청하는 작업이 많을수록 교육이 더 복잡하고 시간이 많이 걸린다.

 

그럼에도 불구하고 새로운 접근 방식은 다중 숙련 로봇을 부품의 합 이상으로 만드는 유망한 방법을 가리킨다. 재미가 있는 만큼, 서투른 로봇 모음집을 보고 웃으면 곧 과거의 일이 될 것 같다.

 

 
로봇, 딥러닝, 인공지능 관련기사목록
광고
광고
광고
광고
광고
광고
광고
많이 본 기사