인간은 별다른 생각 없이 선반에서 책을 꺼낼 수 있습니다.하지만 이는 다른 책이나 장식품과 같은 장애물을 피해 계획을 세우고 탐색하는 뇌의 복잡한 과정입니다.로봇 공학 연구자들은 시스템이 유사한 작업을 수행할 때 이러한 종류의 인간 움직임을 복제하기 위해 노력해 왔습니다.모션 계획이라고 알려진 로봇이 장애물에 부딪히지 않고 한 지점에서 다른 지점으로 물체를 이동하도록 훈련하는 과정은 로봇이 알 수 없는 환경에서 인간처럼 동적으로 반응할 수 없기 때문에 시간과 자원이 필요합니다.

카네기멜론대학교 로봇공학연구소(RI) 팀이 개발한신경 운동 계획로봇이 새로운 환경에서 반응하는 방식을 개선하는 데 도움이 됩니다.데이터 기반 접근 방식은 단일 다목적 인공 지능 네트워크를 사용하여 캐비닛, 식기 세척기, 냉장고 등 익숙하지 않은 다양한 가정 환경에서 동작 계획을 수행합니다.

RI 박사 과정 학생인 무르타자 달랄(Murtaza Dalal)은 "때때로 로봇을 배치할 때 구조화되지 않거나 알 수 없는 환경, 즉 모든 것을 알고 있다고 가정할 수 없는 환경에서 로봇이 작동하기를 원할 때가 있습니다."라고 말했습니다."이것이 바로 이러한 고전적인 모션 계획 방법이 무너지는 지점입니다. 한 가지 큰 문제는 이러한 알고리즘이 수천, 어쩌면 수백만 번의 충돌 검사를 수행해야 하기 때문에 매우 느리다는 것입니다."

Neural Motion Planning은 인간이 다양한 경험을 모아 연습하고 점차적으로 숙련도를 높이는 방식에서 영감을 받았습니다.새로운 기술을 습득할 때 인간은 느리고 불확실한 행동으로 시작하여 빠르고 역동적인 동작으로 발전합니다.Neural Motion Planning을 통해 로봇은 익숙하지 않은 환경에서 더욱 다재다능하고 물체를 이동할 때 일반적으로 적응할 수 있습니다.

연구원들은 Neural Motion Planning을 교육하기 위해 수백만 개의 복잡한 환경을 시뮬레이션했습니다.이 시뮬레이션에서 로봇은 선반, 아기방, 전자레인지, 식기 세척기, 열려 있는 상자, 캐비닛 등 집안 환경을 접하고 때로는 강아지나 꽃병과 같은 임의의 물체 주위를 움직여야 했습니다.모델은 반응적이고 빠르게 수행되도록 훈련되었습니다.운동계획.이 프로세스와 데이터는 일반주의적인 정책으로 정제되어 로봇이 현실 세계에 배치되었을 때 이전에 보았던 것과 다른 환경에서 작업을 수행할 수 있었습니다.

RI의 Raj Reddy 조교수인 Deepak Pathak은 "우리는 시각과 언어에 대한 대규모 학습에서 놀라운 성공을 거두었습니다. ChatGPT를 생각해 보세요. 그러나 로봇 공학에서는 그렇지 않습니다."라고 말했습니다."이 작업은 그 목표를 향한 디딤돌입니다. Neural Motion Planning은 시뮬레이션 규모에 따른 간단한 학습 방법을 사용하여 현실 세계에서 상당한 수준의 일반화를 생성합니다. 이는 다양한 배경, 객체, 장애물 및 전체 장면에서 작동합니다.장면 정리."

연구실에서 로봇 팔에 사용했을 때 Neural Motion Planning은 익숙하지 않은 환경을 성공적으로 탐색했습니다.로봇 시스템에는 깊이 카메라를 사용하여 생성된 장면의 시작점에 대한 3차원 표현이 제공되었으며 연구자들이 로봇 팔이 끝나기를 원하는 목표 위치가 제시되었습니다.그런 다음 Neural Motion Planning은 다음을 위한 공동 구성을 제공했습니다.로봇 팔시작점에서 끝점으로 이동합니다.RI 마스터 학생인 Jiahui Yang은 "단일 모델이 램프, 식물, 책장, 캐비닛 도어 등 집안의 다양한 장애물을 능숙하게 피하면서 로봇 팔을 움직여 작업을 완료하는 모습을 보는 것은 흥미로웠습니다."라고 말했습니다.

"이러한 위업은 비전과 언어 분야의 기계 학습 성공과 유사한 방법을 따라 데이터 생성을 대규모로 확장함으로써 가능해졌습니다."