로봇 구현의 '비결': 지속적인 학습, 지식 전달, 자율적 참여

이 기사는 Lei Feng.com에서 복제되었습니다. 재인쇄가 필요한 경우 Lei Feng.com 공식 웹사이트로 이동하여 승인을 신청하세요.

​2022년 5월 23일, 로봇공학 분야 연례 최고 국제회의인 ICRA 2022(IEEE International Conference on Robotics and Automation)가 미국 필라델피아에서 예정대로 개최되었습니다.

올해로 ICRA가 39주년을 맞이했습니다. ICRA는 IEEE Robotics and Automation Society의 주요 컨퍼런스이자 로봇공학 연구자들이 자신의 작업을 발표하고 토론하는 주요 국제 포럼입니다.

올해 ICRA에서는 Amazon의 최고 로봇 전문가인 Sidd Srinivasa, Tye Brady, Philipp Michel이 현실 세계에서 인간-기계 상호 작용을 위한 로봇 시스템을 구축하는 데 따른 과제에 대해 간략하게 논의했습니다.

캡션: 왼쪽부터 Amazon Robotics 인공 지능 이사 Sidd Srinivasa, Amazon Robotics(글로벌)의 최고 기술 전문가 Tye Brady, Amazon Scout 응용 과학 수석 관리자 Philipp MichelSidd

스리니바사(Srinivasa)는 세계적으로 유명한 로봇 전문가이자 IEEE 펠로우(Fellow)이며, 현재 워싱턴대학교 보잉 석좌교수이자 아마존 로봇 인공지능 프로젝트의 리더로 아마존 물류센터를 보조하는 자율 로봇의 알고리즘 관리를 담당하고 있다. 제품을 포장하고 포장할 수 있는 로봇과 자율주행 로봇을 연구하고 있으며, 물품을 운반하는 카트형 로봇입니다.

Tye Brady는 Amazon Robotics(글로벌)의 최고 기술 전문가이며 MIT에서 항공우주공학 석사 학위를 취득했습니다. Philipp Michel과 Sidd Srinivasa는 둘 다 CMU Robotics Institute의 박사 졸업생이자 Amazon Scout 로봇 프로젝트의 수석 관리자입니다.

그들은 로봇 구현 문제 해결에 대한 자신의 견해를 제시했습니다. AI 기술 코멘트는 다음과 같이 원래 의미를 변경하지 않고 편집되었습니다.

Q: 로봇 공학 분야의 연구는 이러한 문제들 사이의 유사점은 무엇입니까?

Sidd Srinivasa: 로봇공학 연구에서 중요한 어려움은 우리가 열린 세상에 살고 있다는 것입니다. 우리는 "입력"이 무엇을 직면하게 될지조차 모릅니다. 우리 주문 처리 센터에는 관리해야 할 품목이 2천만 개가 넘는데, 품목 수가 매일 수백 개씩 늘어나고 있습니다. 대부분의 경우 우리 로봇은 자신이 집고 있는 물건이 무엇인지 알지 못하지만, 물건을 손상시키지 않고 조심스럽게 집어 들고 빠르게 포장해야 합니다.

Philipp Michel: 스카우트에게 어려움은 보도에서 마주치는 물체와 교통 환경입니다. 우리는 미국 전역의 4개 주에 민간 배송 시설을 배치했습니다. 날씨 조건, 조명 조건... 로봇이 복잡한 환경에 적응할 수 있도록 하려면 수많은 변수를 처리해야 한다는 것이 처음부터 분명했습니다.

Tye Brady: 실행 로봇을 개발하는 과정에서 우리는 반구조화된 환경에서 작동할 수 있다는 상당한 이점을 가지고 있습니다. 우리는 로봇에 대한 자체 교통 규칙을 만들 수 있으며 환경을 이해하는 것은 과학자와 엔지니어가 명령을 이행하기 위해 이동, 조작, 분류 및 식별하려는 개체에 대한 깊은 이해를 얻는 데 실제로 도움이 됩니다. 즉, 기술의 추구를 현실세계에서 실현할 수 있는 것이다.

Philipp Michel: 또 다른 공통점은 문제 해결을 위해 데이터 학습에 크게 의존한다는 것입니다. Scout는 작업을 수행하면서 실제 데이터를 수신한 다음 인식, 위치 파악 및 탐색을 위한 기계 학습 솔루션을 반복적으로 개발합니다.

Sidd Srinivasa: 전적으로 동의합니다(데이터에서 학습하여 문제 해결). 저는 머신러닝과 적응형 제어가 초선형 확장의 핵심이라고 생각합니다. 수천 대의 로봇을 배치하더라도 수천 명의 과학자와 엔지니어가 이를 작업할 수는 없습니다. 초선형 성장을 달성하려면 실제 데이터에 의존해야 합니다.

그리고 오픈 월드는 우리에게 "지속적인 학습" 방법에 대해 고민하게 만들 것이라고 생각합니다. 우리의 기계 학습 모델은 종종 일부 입력 데이터 분포를 기반으로 훈련되지만 이는 개방형 세계이기 때문에 "공변량 이동", 즉 우리가 보는 데이터가 분포와 일치하지 않아 기계가 발생하는 문제에 직면하게 됩니다. 이유 없이 모델을 과신하는 경우가 많습니다.

그래서 우리가 한 많은 작업은 입력 데이터 분포가 훈련된 분포에서 벗어날 때를 식별하는 "watchdogs"(감시 장치, 일종의 감독 장치)를 만드는 것이었습니다. 그런 다음 변경된 데이터를 골라내고 기계 학습 모델을 재교육할 수 있도록 "중요도 샘플링"을 수행합니다.

Philipp Michel: 이것이 우리가 다양한 장소에서 로봇을 훈련시키고자 하는 이유 중 하나입니다. 이를 통해 로봇이 접할 수 있는 실제 데이터를 조기에 파악하고 이를 통해 다음과 같은 솔루션을 개발할 수 있습니다. 새로운 데이터를 해결합니다.

Sidd Srinivasa: 정말 좋은 생각이에요. 여러 로봇을 사용하는 것의 장점 중 하나는 시스템이 변경된 콘텐츠를 인식하고 재교육한 다음 이 지식을 다른 로봇과 공유할 수 있다는 것입니다.

분류 로봇의 이야기를 생각해 보세요. 세상의 한 구석에서 로봇이 새로운 포장 유형을 만납니다. 처음에는 이런 것을 본 적이 없고 인식할 수 없어서 당황했습니다. 그러다가 새로운 솔루션이 등장했습니다. 바로 전 세계 모든 로봇에게 새로운 포장 유형을 전송할 수 있는 로봇이었습니다. 이렇게 하면 이 새로운 포장 유형이 다른 곳에 나타날 때 다른 로봇이 이를 어떻게 해야 할지 알 수 있습니다. 이는 "백업"을 갖는 것과 같습니다. 한 지점에 새로운 데이터가 나타나면 시스템이 스스로 재교육하고 정보를 공유할 수 있기 때문에 다른 지점에서도 이를 알게 됩니다.

Philipp Michel: 우리 로봇도 비슷한 일을 하고 있어요. 로봇이 이전에 경험하지 못한 새로운 장애물에 직면하면 이러한 장애물을 인식하고 처리할 수 있도록 모델을 조정한 다음 모든 로봇에 새 모델을 배포하려고 노력합니다.

저를 밤잠 못 이루게 하는 것 중 하나는 로봇이 앞으로 3년 동안 다시는 만나지 않을 새로운 물체를 보도에서 만나게 될 것이라는 생각입니다. 예를 들어, 사람들은 할로윈에 사용합니다. 가고일은 잔디를 장식하고, 또는 사람들은 피크닉 테이블에 우산을 놓아 "피크닉 테이블"처럼 보이지 않게 만듭니다. 이 경우 모든 기계 학습 알고리즘은 이것이 피크닉 테이블임을 인식하지 못합니다.

그래서 우리 연구의 일부는 특정 범주의 사물과 얽힐 필요가 없는 일반적인 사물의 균형을 맞추는 방법에 관한 것입니다. 열려 있는 맨홀 뚜껑이라면 로봇이 이를 잘 식별해야 합니다. 그렇지 않으면 떨어지게 됩니다. 그러나 그것이 단지 임의의 상자라면 아마도 상자의 계층 구조를 알 필요는 없을 것입니다. 단지 이것이 우리가 돌아다니고 싶은 객체라는 사실만 알면 됩니다.

Sidd Srinivasa: 또 다른 과제는 모델을 변경할 때 의도하지 않은 결과가 발생할 수 있다는 것입니다. 변경된 모델은 로봇의 인식에 영향을 미치지 않을 수 있지만 로봇이 "브레이크"하는 방식을 변경하여 2개월 후에 볼 베어링이 마모될 수 있습니다. 엔드투엔드 시스템에서 미래의 많은 흥미로운 연구는 "시스템 일부의 변경이 전체 시스템 성능에 미치는 영향을 이해하는 것"에 관한 것입니다.

Philipp Michel: 우리는 로봇 스택의 여러 부분을 나누어야 할지 고민하는 데 많은 시간을 보냈습니다. 이들 간의 통합은 많은 이점을 가져올 수 있지만 제한적이기도 합니다. 극단적인 사례 중 하나는 카메라-모터-토크 학습으로, 이는 실제 로봇 응용 분야에서 매우 어려운 일입니다. 그런 다음 현지화, 인식, 계획 및 제어와 같은 부분으로 잘 나누어진 전통적인 로봇 공학 스택이 있습니다.

우리는 또한 시간이 지남에 따라 스택이 어떻게 발전해야 하는지, 그리고 이러한 조각들을 더 가깝게 모으면 어떤 성능 개선이 있을 수 있는지 생각하는 데 많은 시간을 보냈습니다. 동시에 우리는 가능한 한 해석 가능한 시스템을 원합니다. 우리는 해석 가능성과 다양한 안전 기능을 유지하면서 전체 스택을 활용하는 학습 구성 요소의 통합을 극대화하려고 시도합니다.

Sidd Srinivasa: 이것은 Philipp의 의견에 전적으로 동의합니다. 모든 모델을 지배하기 위해 반드시 하나의 모델을 사용하는 것은 아닙니다. 그러나 종종 우리는 여러 적용된 헤드와 백본을 공유하는 기계 학습 모델을 구축하게 됩니다. 객체란 무엇이며 객체를 분할한다는 것은 무엇을 의미합니까? 따기, 쌓기 또는 포장과 같은 것일 수 있지만 각 작업에는 작업을 전문으로 하는 백본을 타고 전문적인 머리가 필요합니다.

Philipp Michel: 우리가 고려하는 몇 가지 요소는 배터리, 범위, 온도, 공간 및 컴퓨팅 제약입니다. 따라서 우리는 모델을 효율적으로 사용하고, 모델을 최적화하고, Sidd가 언급한 것처럼 다양한 작업에 대해 서로 다른 헤드인 공유 백본을 최대한 활용하려고 노력해야 합니다.

캡션: Amazon Scout는 공공 인도에서 걷는 속도로 이동할 수 있는 자율 배송 로봇으로 현재 미국 4개 주에서 현장 테스트를 진행 중입니다.

Q: 당신의 프로젝트들 사이의 공통점에 대해 물었을 때, 떠오른 한 가지는 당신의 로봇이 모두 인간과 같은 환경에서 일한다는 것입니다. 이것이 문제를 복잡하게 만드는 이유는 무엇입니까?

Sidd Srinivasa: 로봇은 인간의 삶에 접근하고 있으며, 우리는 인간 세계에서 발생하는 모든 복잡한 상호 작용을 존중해야 합니다. 걷기, 운전, 작업 수행 외에도 복잡한 사회적 상호 작용이 있습니다. 로봇에게 중요한 것은 첫째, 의식하고, 둘째, 참여하는 것입니다.

운전을 하다 보면 다른 사람이 무슨 생각을 하고 있는지, 그 생각에 따라 어떻게 행동해야 할지 판단하기 어려울 때가 있어요. 문제에 대해 추론하는 것만으로도 어렵고 루프를 닫는 것은 더욱 어렵습니다.

로봇이 체스를 두거나 인간과 대결하는 경우 규칙이 이미 잘 정해져 있기 때문에 로봇이 무엇을 할지 예측하기가 훨씬 쉽습니다. 상대방이 최적이라고 가정하면 상대방이 최적이 아니더라도 잘할 것입니다. 이는 일부 2인용 게임에서 보장됩니다.

하지만 실제 상황은 그렇지 않습니다. 윈-윈을 보장하는 이런 협력 게임을 플레이할 때, 협력자가 좋은 의도를 갖고 있더라도 게임 중에 정확하게 예측하기가 실제로 어렵다는 것을 알게 됩니다.

필립 미셸: 그리고 인간 세계의 행동도 많이 변해요. 일부 애완동물은 로봇을 완전히 무시하고 일부 애완동물은 로봇을 향해 걸어갑니다. 보행자의 경우에도 마찬가지입니다. 일부는 로봇을 보지 못하고 다른 일부는 로봇에게 바로 다가갑니다. 특히 아이들은 호기심이 많고 상호작용이 매우 강합니다. 우리는 모든 상황을 안전하게 처리할 수 있어야 하며 이러한 가변성은 흥미진진합니다.

위 내용은 로봇 구현의 '비결': 지속적인 학습, 지식 전달, 자율적 참여의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!