일본산업뉴스요약

AI로 ‘보고’ ‘달리는’ 로봇 개발
산업계도 기초연구에 투자

자신의 눈에 의지해 이동하는 로봇 개발이 활발하다. 전방위 카메라가 보급되고, 인공지능(AI) 기술의 발달로 이미지의 용도가 확산되었다. 이미지 특징을 바탕으로 로봇 위치나 이동 방향을 구하는 연구가 진행 중이다. 로봇이 이동하기 위해서는 정확한 지도가 필요하다. 그러나 인간은 처음 방문하는 장소라도 간단한 길 안내가 있으면 목적지에 도착할 수 있다. 이 간극을 메우기 위한 연구다. 아직 기초적인 단계지만 산업계는 투자를 하고 있다.

-- 전방위 카메라 조합 --
오사카대학 고마쓰미라이건기협동연구소의 오스카(大須賀) 소장과 리쓰메이칸대학의 구라시키(倉鋪) 교수 연구팀은 ‘Topological Map’과 전방위 카메라를 조합해 시가지를 이동하는 로봇을 연구한다. Topological Map은 거리나 모양, 방향의 개념이 없는 지도다. 특정 지점을 외견 상의 특징으로 식별해 각 지점을 이어 길로서 지도를 만든다.

자신이 어느 지점에 있는지, 어느 길을 지나는지, 어느 지점에 도착하는지의 정보만으로 목적지로 이동한다. 오스카 소장은 “3차원 지도 작성은 어떤 의미에서 중노동이다. 환경이 변하면 그에 대응하는 것은 상당히 큰 작업이다”라고 지적한다.

연구에서는 전방위 카메라를 바탕으로 70m를 길을 따라 이동할 수 있었다. 15장의 전방위 사진을 라벨화해서 180장으로 증폭해 학습시켰다. 대학 구내를 주행시키자 학습 시에는 없었던 보행자나 자전거가 방해가 되기는 하지만 초기 위치를 바꿔도 길을 따라 이동할 수 있었다. 오스카 소장은 “맵과 카메라를 이용한 이동은 GPS를 사용할 수 없는 환경에서 좋은 선택지가 될 수 있다”라고 기대한다.

-- 외견 변화에도 대응 --
외견에만 의지할 경우는 경치가 바뀌게 되면 혼란이 온다. 물류창고에서는 매일 선반의 물건이 수시로 교체되고 주야의 조도(照度) 변화도 문제가 된다.

산업기술총합연구소의 ‘도요타자동직기-산총연Advance Logistics 연계연구실’은 물건과 조도 양쪽이 변해도 자기위치를 잃지 않는 기술을 개발했다. 창고 내 무인운반차 ‘단안 SLAM’에 이용하는 것을 상정한다.

SLAM은 자기위치 추정과 지도 작성을 동시에 하는 기술로, 단안 SLAM은 광각카메라 이미지에서 특징적인 점을 여러 개 추출해 3차원 지도를 작성한다. 이동 시에는 지도와 대조해 자기위치를 추정한다.

그 때문에 지도를 작성할 때와 이동할 때 경치가 다르면 특징적인 점을 대조할 수 없게 된다. 이 원인을 분석하는 것부터 시작했다.

특징 추출이나 벡터화로, 각각 정밀도가 악화되어 있다는 것을 특정. 운반차의 운용을 연구함으로써 대책을 세웠다. 물건을 진열하는 방식이나 명암이 변해도 위치 추정이 가능해졌다. 고무로(古室) 연구원은 “앞으로 이미지 인식과 조합해 지능화를 추진해 나간다”라고 힘주어 말한다.

-- 이동 방법, 로봇이 고려 --
로봇에게 이동 방법 그 자체를 습득시키는 시도도 있다. Ricoh는 시뮬레이션에서 로봇에게 모든 계단을 오르내리게 한다. 가파른 나선형 계단이나 높이가 각기 다른 꾸불꾸불한 계단 등 시뮬레이션은 다양한 장해를 설정할 수 있어 극한의 다양한 기능을 시험해 볼 수 있다. Ricoh의 야마시나(山科) 시니어스페셜리스트는 “시뮬레이션에서 극한의 다양한 장해를 극복한 제어 동작을 습득, 현장에서 여러 번 조종해서 순응시킨다”라고 설명한다.

시뮬레이션의 강점은 제1인칭 시점과 제3인칭 시점의 영상을 자유자재로 생성할 수 있다는 점이다. 학습 시에는 자신을 부감적으로 본 영상과 자신의 눈으로 본 영상을 이용해 계단 오르내리기를 학습, 이동 시에는 자신의 눈으로 본 영상으로 그들을 재현한다.

뛰어난 스포츠 선수가 3차원적으로 공간을 파악하듯이 로봇도 자신의 눈에 의지해 주위나 자신의 상황도 고려해 움직일 수 있게 된다. 야마시나 씨는 “조종하는 사람도 로봇의 성장 과정을 보면서 교수법을 점점 발전시켜 나간다. 서로 성장하는 것 같은 감각이 있다”라고 말한다.

어떤 계단에서도 오르내릴 수 있는 ‘Stairator’ 실현이 목표다. 이 과정에서 AI가 학습하기 쉬운 계단 구조가 요구된다. 계단이 계단을 오르는 지능을 만든다. 이처럼 태스크를 학습하기 위한 최적 환경을 구하는 방법론을 확립한다면 임팩트는 크다.

여기서 소개한 연구사례는 기업이 주요 역할을 담당하고 있다. 오늘날의 AI 붐은 로봇 연구를 근본부터 재검토하는 기회가 되었다. AI연구처럼 산업계가 기초적인 연구에 투자한다면 기존의 연구를 뒤집을 가능성이 있다.

 -- 끝 --