로봇 팔 움직임, 다이얼처럼 속도 조절하는 학습법 나왔다

로봇도 '빨리빨리'와 '살살'을 구분해야 한다

애플이 로봇 팔이 같은 작업을 하더라도 상황에 맞춰 동작의 속도와 강도를 조절하도록 학습시키는 프레임워크 'MoMo'를 공개했다. 논문 제목은 'MoMo: Dial Motion Mode in Robot Manipulation with Spatiotemporal Action Tokenization'으로, 지난 7월 애플 머신러닝 리서치에 게재됐다.

MoMo는 두 단계로 구성된 모방학습 — 사람의 시연 영상을 보고 로봇이 행동을 따라 배우는 학습법 — 프레임워크다. 먼저 시공간 행동 토크나이저가 로봇의 동작을 시간과 공간 정보를 함께 담은 토큰으로 변환한다. 이어 행동복제 트랜스포머가 이 토큰을 바탕으로, 작업 종류와 함께 '동작 모드'라는 연속적인 조건값을 입력받아 실제 움직임을 생성한다. 실제 로봇으로 진행한 6개 조작 과제 실험에서 이 동작 모드 값을 바꾸자 로봇은 안정적인 동작, 역동적인 동작, 그 중간 형태의 동작을 만들어냈고, 사람 평가자들도 이 차이를 구분할 수 있었다. 관절 속도, 가속도, 물체를 집을 때 손끝이 다가가는 각도에서 실제 차이가 확인됐다.

왜 '어떻게' 움직이는지가 중요한가

지금까지 로봇 조작 연구의 초점은 대부분 '무엇을 할 것인가'에 맞춰져 있었다. 컵을 집어라, 서랍을 열어라 같은 과제 자체를 정확히 수행하느냐가 관건이었다. 하지만 사람은 같은 동작도 상황에 따라 다르게 한다. 유리컵은 천천히 조심스럽게 옮기고, 튼튼한 플라스틱 통은 빠르게 집어 던지듯 옮긴다. 이 '실행 방식의 차이'는 로봇 학습에서는 오히려 잡음으로 취급돼 무시되는 경우가 많았다.

MoMo가 주목한 지점이 여기다. 동작 모드를 과제와 분리된 별도의 재사용 가능한 요소로 취급하면, 하나의 과제에서 배운 '조심스러움'을 전혀 다른 과제에 그대로 옮겨 쓸 수 있다는 발상이다. 연구진은 한 가지 방식으로만 시연된 과제에서도 로봇이 시연되지 않은 새로운 동작 모드 요청을 받아들이면서 과제 성공률을 크게 잃지 않았다고 밝혔다. 이는 로봇이 배운 적 없는 '과제-모드 조합'까지 일반화할 수 있다는 근거로 제시됐다.

로봇 학습 분야에서는 최근 사람의 시연 영상을 대량으로 학습해 다양한 물체와 환경에 적응하는 파운데이션 모델 접근이 확산되는 추세다. 다이나 로보틱스가 인간 영상 100만 시간을 학습한 로봇 모델을 공개한 것도 같은 흐름 위에 있다. MoMo는 이런 대규모 학습과는 결이 다르게, 적은 데이터로도 동작의 '스타일'이라는 새로운 축을 통제 가능하게 만들었다는 점에서 구별된다.

그래서 무엇이 달라지나

지금까지 로봇에게 '더 조심히 해'라고 지시하려면 별도의 시연 데이터를 새로 모으거나 규칙 기반 제어를 손으로 짜야 했다. MoMo 방식이 실용화되면 하나의 학습된 동작 모드 다이얼로 여러 작업에 걸쳐 속도와 강도를 즉석에서 조절하는 일이 가능해진다. 물류창고에서 깨지기 쉬운 물건과 튼튼한 물건을 같은 팔로 다르게 다루거나, 사람과 가까이서 일하는 협동로봇이 상황에 따라 동작 속도를 낮추는 식의 응용이 떠오른다. 다만 이번 연구는 6개 과제, 특정 실험실 환경에서 검증된 결과인 만큼 상용 로봇에 적용되기까지는 추가 검증이 필요할 것으로 보인다.