INR-DOM이 특정 과제를 효율적으로 학습할 수 있도록 '강화학습'과 '대조학습'을 결합한 새로운 2단계 학습 구조도

연구팀은 INR-DOM이 특정 과제를 효율적으로 학습할 수 있도록 '강화학습'과 '대조학습'을 결합한 새로운 2단계 학습 구조도 도입했다.

먼저 1단계 사전학습에서는 불완전한 점 구름(물체의 3차원 형상을 '표면을 찍은 점들의 집합'으로 표현하는 방식)으로부터 완전한 형상을 복원하는 모델을 학습시켜 가려짐에 강하고 늘어나는 물체의 표면을 잘 나타내는 상태 표현 모듈을 확보한다.

이후 2단계 미세조정에서 강화학습과 대조학습을 함께 적용해 로봇이 현재 상태와 목표 상태 간의 미묘한 차이를 명확히 구분, 과제 수행에 필요한 최적의 행동을 효율적으로 찾아내도록 한 것이 2단계 학습 구조의 큰 틀이다.

INR-DOM 기술을 적용한 시뮬레이션 환경에서 로봇은 고무링을 홈에 끼우기(sealing)와 O링을 부품에 설치하기(installation), 꼬인 고무줄을 풀기(disentanglement) 등 세 가지 과제에서 모두 기존보다 높은 성공률을 보였다.

특히 가장 어려운 과제였던 풀기 작업에서는 성공률이 75%에 달해 기존 최고 기술(ACID·26%)보다 49%가량 높은 성공률을 나타냈다.

"사람처럼 고무줄 풀고, 전선 조립…인공지능 로봇 기술 개발"

연구팀은 INR-DOM 기술이 실제 환경에서도 적용 가능한지 여부를 검증하는 과정도 거쳤다. 이 결과 실제 환경에서도 로봇은 끼우기, 설치, 풀기 작업에서 90% 이상의 성공률을 달성했다.

무엇보다 시각적으로 구별이 어려운 양방향 꼬임 풀기 작업에서 기존 이미지 기반의 강화학습 기법보다 25% 향상된 성공률을 기록, 시각적 모호성을 극복한 효율적 조작이 가능하다는 것을 입증했다.

송민석 연구원은 "이번 연구는 로봇이 불완전한 정보만으로도 변형 물체의 전체 모습을 이해한 후 이를 바탕으로 복잡한 조작과정을 수행할 수 있는 가능성을 보여줬다"며 "연구팀은 이번 연구 성과가 향후 제조, 물류, 의료 등 산업·서비스 분야에서 인간과 협력하거나 인간을 대신해 작업을 수행하는 로봇 기술이 될 것으로 기대한다"고 말했다.

한편 이번 연구는 KAIST 전산학부 송민석 석사과정이 제1 저자로 참여해 수행했다. 연구 성과는 지난 6월 21~25일 LA USC에서 열린 로봇 공학 분야 국제 학술대회 '로보틱스:사이언스 앤 시스템즈 (Robotics: Science and Systems, RSS) 2025'에서 발표됐다.

출처: "사람처럼 고무줄 풀고, 전선 조립…인공지능 로봇 기술 개발"