상단 행 (왼쪽에서 오른쪽) : Nancy M. Amato, Seth Hutchinson 및 Ken Goldberg. 하단 줄 (왼쪽에서 오른쪽) : Animesh Garg, Aude Billard, Russ Tedrake 및 Frank Park. | 출처 : 과학 로봇 공학
로봇 산업은 처음부터 수학적 모델을 고급 계산과 결합하여 복잡한 작업을 처리 할 수있는 기계를 만드는 데 노력했습니다. 이제 커뮤니티는 그 목표를 가장 잘 도달하는 방법으로 나뉘어져 있습니다.
전 세계의 로봇 학자 그룹은 올해 초 ICRA (IEEE International Conference) 에서이 분할을 조사했습니다. 이 쇼는 6 명의 주요 로봇 주의자들 사이의 토론으로 마감했다.
- Daniela Rus, 누가 CSAIL 이사와 Andrew (1956)와 Erna Viterbi 전기 공학 및 컴퓨터 과학 교수. Rus는 또한 기조 연설을했다 로봇 공학 서밋 & 엑스포 올해 초.
- CSAIL, EECS 및 Aeronautics and Astronautics의 Toyota 교수 인 Russ Tedrake.
- Panasonic Computer Science and Engineering의 Panasonic 교수 인 Leslie Kaelbling 와 함께.
- Aude Billard, Lausanne (EPFL)에있는 스위스 연방 기술 연구소의 공학부 교수.
- 서울 대학교의 기계 공학 교수 인 프랭크 파크.
- 조지아 테크 (Georgia Tech)의 인터랙티브 컴퓨팅 스쿨 (School of Interactive Computing)의 스티븐 플레밍 초기 커리어 조교수 인 Animesh Garg.
UC Berkeley의 Ken Goldberg는 토론을 중재하면서“로봇의 미래가 코드 나 데이터로 작성 될 것인가?”
데이터 우선 접근법에 대한 논쟁
Daniela Rus는 Robotics Summit & Expo에서 기조 연설을했습니다.
Rus와 Tedrake는 데이터 중심의 접근 방식, 특히 대규모 기계 학습에 의해 구동되는 접근 방식이 실제 세계에서 안정적으로 작동하는 로봇의 능력을 잠금 해제하는 데 중요하다고 주장했다.
Rus는“물리학은 통제 된 환경에 대한 깨끗한 모델을 제공하지만 우리가 밖으로 나오는 순간, 그러한 가정이 무너지는 것”이라고 말했다. “실제 작업은 예측할 수없고 인간 중심입니다. 로봇은 적응하기 위해 경험이 필요하며 데이터에서 비롯됩니다.”
CSAIL에서 RUS의 분산 로봇 공학 연구소는이 생각을 받아 들였습니다. 이 팀은 요리, 쏟아지는 것에서부터 물건을 나눠주는 것에 이르기까지 일상적인 작업을 수행하는 인간의 멀티 모달 데이터 세트를 구축하고 있습니다. RUS는 이러한 기록은 손 궤적 및 관절 토크에서 시선 및 강제 상호 작용에 이르기까지 인간 작용의 미묘함을 포착하여 AI 시스템을 훈련하기위한 풍부한 데이터 소스를 제공한다고 말했다.
목표는 로봇이 액션을 복제하는 것뿐만 아니라 작업을 통해 일반화하고 조건이 변경 될 때 적응할 수 있도록하는 것입니다.
예를 들어 CSAIL의 주방 테스트 베드에서 RUS의 팀은 야채를 자르고 액체를 부어 식사를 조립하는 동안 센서를 자원 봉사자에게 제공합니다. 센서는 관절 및 근육 운동뿐만 아니라 눈 시선, 손가락 압력 및 물체 상호 작용과 같은 미묘한 신호를 기록합니다.
이 데이터에 대한 교육을받은 AI 모델은 정밀도와 견고성으로 로봇에서 동일한 작업을 수행하여 재료가 미끄러 지거나 도구를 잘못 정렬 할 때 복구하는 방법을 배울 수 있습니다. 이러한 실제 데이터 세트를 통해 연구자들은 “긴 꼬리”시나리오를 포착 할 수 있습니다. 모델 기반 프로그래밍만으로는 드물지만 비판적으로 발생합니다.
규모의 데이터는 조작을 변화시킬 수 있습니다
Tedrake는 스케일링 데이터가 로봇 조작을 변환하는 방법에 대해 논의했습니다. 그의 팀은 로봇에게 사과 슬라이스, 다양한 결과를 관찰하고 오류로부터 회복하는 등의 손재주 작업을 수행하도록 훈련시켰다.
“로봇은 이제 탈락 작업에 대한 상식처럼 보이는 것을 개발하고있다”고 그는 말했다. “언어와 비전에서 본 것과 같은 효과입니다. 일단 데이터를 확장하면 놀라운 견고성이 나타납니다.”
한 예에서, 그는 사과 코어와 슬라이스를 배운 간단한 그리퍼가 장착 된 양수 로봇을 보여주었습니다. 각 사과는 크기, 견고성 또는 모양이 약간 다르지만 로봇은 자동으로 적응하여 이전 경험에 따라 그립 및 슬라이싱 동작을 조정했습니다.
Tedrake는 데모 데이터 세트가 여러 작업에 걸쳐 확장됨에 따라 수동으로 프로그래밍 된 복구 동작 (수동으로 프로그래밍 된)이 자연스럽게 나타나기 위해 데이터가 물리적 상호 작용에 대한 미묘하고 높은 수준의 상식 지식을 인코딩 할 수 있다는 신호를 제공한다고 설명했습니다.
수학적 모델은 이론적 이해와 함께 제공됩니다
이 행사에서 연설 한 Kaelbling은 수학적 모델, 첫 번째 원칙 및 이론적 이해의 지속적인 중요성에 대해 Billard 및 Park와 함께 주장했습니다.
Kaelbling은“데이터는 패턴을 보여줄 수 있지만 모델은 우리에게 이해를 제공합니다. “모델이 없으면 우리는 갑자기 작동하지 않을 때까지 작동하는 시스템을 위험에 빠뜨릴 수 있습니다. 안전 크리티컬 응용 프로그램은 시행 착오 학습보다 더 깊은 것을 요구합니다.”
빌라 드는 로봇 공학이 비전이나 언어와 근본적으로 다르다고 말했다. 실제 데이터는 부족하고 시뮬레이션은 제한적이며, 작업에는 무한한 변동성이 포함된다고 말했다. 대규모 데이터 세트가 인식과 자연어 이해의 진전을 추진했지만, 그녀는 근본적인 구조 위험없이 데이터를 맹목적으로 스케일링 할 수 있다고 경고했습니다.
Park는 데이터 중심의 방법만으로는 완전히 캡처 할 수 없다는 물리 및 생물학 (운동, 힘, 규정 준수 및 계층 적 제어)의 귀납적 편견의 풍부함을 강조했습니다. 그는 신중하게 설계된 모델이 데이터 수집 및 해석을 안내하여 복잡한 작업의 안전, 효율성 및 견고성을 보장 할 수 있다고 언급했습니다.
중간 지점 찾기
한편 Garg는 데이터 중심 학습을 구조화 된 모델과 결합하는 이점을 분명히 밝혔습니다. 그는 큰 데이터 세트가 패턴과 행동을 드러낼 수 있지만 이러한 통찰력을 일반화하고 실행 가능하게하는 모델이 필요하다고 강조했다.
“가장 좋은 경로는 하이브리드 접근법 일 수 있습니다.”라고 그는 말했다.
Garg는 공동 작업 조작 작업의 예를 통해이를 설명했습니다. 로봇은 물리 정보 모델이 예상 할 수있는 가장자리 사례로 고생 한 원시 데이터에 대해 순전히 교육을 받았습니다.
토론은 또한 역사적 유사점을 유도했다. 인류는 종종“Know-Why”전에“노하우”를 습득했습니다. 세일링 선 및 내연 기관에서 비행기 및 초기 컴퓨터에 이르기까지 엔지니어는 기본 과학적 원칙을 완전히 이해하기 전에 경험적 관찰에 의존했습니다.
Rus와 Tedrake는 현대 로봇 공학이 비슷한 궤적을 따르고 있다고 주장했다. 데이터를 통해 로봇은 지저분하고 예측할 수없는 환경에서 실질적인 경험을 얻을 수있는 반면, 모델은 해당 경험을 해석하고 일반화하는 데 필요한 구조를 제공합니다. 이 조합은 랩 바운드 실험에서 가정, 병원 및 기타 실제 환경에서 운영 할 수있는 로봇으로 이동하는 데 필수적이라고 말했다.
생각의 다양성은 로봇 공학의 강점입니다
토론 전반에 걸쳐 패널리스트들은 로봇 공학 분야 자체의 다양성을 강조했습니다. 딥 러닝은 인식과 언어 작업을 변화 시켰지만 로봇 공학에는 많은 도전이 필요합니다. 여기에는 고차원 제어, 가변적 인간 환경, 변형 가능한 물체와의 상호 작용 및 안전한 제약 조건이 포함됩니다.
Tedrake는 언어에서 로봇에 직접 미리 훈련 된 모델을 적용하는 것이 불충분하다고 지적했다. 성공하려면 멀티 모달 학습과 힘, 움직임 및 촉각 피드백을 포착하는 센서의 통합이 필요합니다.
Rus는 여러 로봇 플랫폼에서 대규모 데이터 세트를 구축하는 것이 일반화에 중요하다고 덧붙였습니다. “우리가 로봇이 다른 가정, 병원 또는 공장에서 기능하기를 원한다면 실제 세계의 다양성과 예측할 수없는 것을 포착해야합니다.”라고 그녀는 말했습니다.
Tedrake는“로봇 공학을 해결하는 것은 장기적인 의제입니다. “수십 년이 걸릴 수 있습니다. 그러나 토론 자체는 건강합니다. 그것은 우리의 가정을 테스트하고 도구를 연마하는 것을 의미합니다. 진실은 아마도 데이터와 모델이 모두 필요할 것입니다. 그러나이를 주도 할 때에도 불안한 상태로 남아 있습니다.”
게시물 로봇 공학, 데이터 및 컴퓨팅의 미래에 대해 MIT 로봇 학자 먼저 나타났습니다 로봇 보고서.