이 로봇은 스스로 걷는 법을 배우는 데 2시간 밖에 걸리지 않습니다.

최근 구글에서 실시한 연구에서 엔지니어들은 인공지능(AI) 모델을 기반으로 앞으로 나아가는 등 인간의 큰 도움 없이도 극도로 자연스럽게 움직이는 방법을 배울 수 있는 4족 로봇을 만들려고 했다. 뒤로, 왼쪽으로, 오른쪽으로 회전합니다. 또한 평지, 푹신한 쿠션, 틈이 있는 현관 매트 등 3가지 지형에서 정확하게 움직이는 방법도 학습할 수 있습니다.

간단해 보이지만 실제로는 AI의 도움 없이 특히 다양한 유형의 지형에서 이처럼 다양하고 복잡한 탐색 명령을 처리할 수 있는 로봇 컨트롤러를 설계하는 것이 매우 어렵습니다. 핵심 문제는 로봇이 모든 단계에서 항상 인간의 개입이 필요하지 않고 스스로 학습하고 다양한 상황에 적응할 수 있다는 것입니다.

이번 프로젝트에 사용된 AI 기술은 '심층강화학습(Deep Reinforcement Learning)'으로, 학습 심리학과 '시행을 통한 학습', '오류를 통한 학습'에서 영감을 받은 딥러닝 기술을 기반으로 한 접근 방식이다. 심층 강화 학습의 힘은 2013년 DeepMind가 아무런 지침 없이 클래식 Atari 게임을 플레이하는 방법을 학습할 수 있는 AI 모델을 출시하면서 처음으로 입증되었습니다.

비디오 게임 또는 적어도 시뮬레이션 게임은 로봇 공학 연구자들이 AI 모델을 훈련하는 데 자주 사용됩니다. 이는 연구자들이 현실 세계로 나가기 전에 가상 세계에서 로봇을 훈련할 수 있도록 하는 훌륭한 이론적 환경을 조성하고, 로봇이 특정 작업을 수행하는 방법을 배울 때 경험하는 상황을 인식하고 기억하도록 돕습니다.

또한 Google 연구원들은 로봇이 더 적은 수의 시도로 더 빠르게 학습할 수 있도록 개선된 알고리즘 개발을 추진하고 있습니다.

로봇이 2시간 만에 스스로 걷는 법을 배울 수 있다는 사실은 충격적인 결과는 아닐지 모르지만 엔지니어가 각 작업을 구체적으로 프로그래밍해야 하는 것과 비교하면 효율성에서는 확연한 차이를 보여줍니다. 전에. 하지만 구글팀이 겪은 어려움도 컸다.

“많은 비지도 학습이나 심층 강화 학습 알고리즘이 시뮬레이션에서 시연되었지만 실제 실험에서 로봇에 적용하는 것은 간단하지 않습니다. 첫째, 심층 강화 학습에는 많은 양의 입력 훈련 데이터가 필요하고, 로봇 데이터 수집 비용도 매우 많이 듭니다. 둘째, 훈련 과정에는 로봇을 모니터링하는 데 많은 시간이 소요됩니다. 로봇을 모니터링하고 수백 번 또는 수천 번 넘어질 때마다 수동으로 재설정하는 사람이 필요하다면 로봇을 훈련시키는 데 많은 노력과 시간이 필요할 것입니다. 시간이 오래 걸릴수록 다양한 환경에서 로봇에 대한 학습을 ​​확장하는 것이 더 어려워질 것입니다."라고 프로젝트의 핵심 엔지니어 중 한 명인 Jie Tan이 말했습니다.

앞으로 이 연구는 다양한 유형의 지형에 더 빠르게 적응할 수 있는 보다 민첩한 로봇을 만드는 데 도움이 될 수 있습니다. 적용 잠재력은 엄청나지만 프로젝트는 아직 개발 초기 단계에 불과하며 여전히 극복해야 할 과제가 많이 남아 있습니다.