이것을 상상해보라: 지는 해가 옥수수밭을 호박색과 금색의 눈부신 색상으로 물들인다. 옥수수 속대와 바스락거리는 나뭇잎으로 무거워진 수천 개의 옥수수 줄기가 모든 사람 위에 우뚝 솟아 있다. 아이들은 옥수수 미로를 뛰어다니고 있다. 농작물을 조사하는 농부; 가을 수확을 위해 잘 익은 달콤한 귀를 부드럽게 따는 로봇이 윙윙거리고 있다.

 

잠깐, 로봇?

목가적인 농경지와 로봇은 이상한 커플처럼 보일 수도 있다. 그러나 로봇이 주변을 "볼" 수 있게 해주는 점점 더 정교해지는 소프트웨어(컴퓨터 비전이라는 기술) 덕분에 로봇은 식품 생산 메인라인에 빠르게 통합되고 있다. 이제 로봇은 잘 익은 과일을 수확하거나 작물을 시들게 하는 잡초를 제거하는 등 일상적인 집안일을 수행하고 있다.

계속되는 농장 노동자 부족 상황에서 기계가 농작물 수확량을 늘리고 신선한 과일과 채소를 식탁에 안정적으로 가져오고 낭비를 최소화하는 데 도움이 될 수 있기를 바란다.

 

비전을 달성하려면 로봇 농장 노동자는 복잡하고 혼란스러운 농지를 횡단할 수 있어야 한다. 불행하게도 이러한 기계는 최고의 항해자가 아니다. 특히 복잡하고 도전적인 지형에 직면할 때 길을 잃는 경향이 있다. 옥수수 미로에서 고군분투하는 아이들처럼 로봇은 자신의 위치를 잊어버리는 경우가 너무 많아 그 증상에 로봇 납치 문제라는 이름이 붙었다.

Science Robotics의 새로운 연구는 로봇에 기억력을 부여하여 탐색 기술을 향상시키는 것을 목표로 한다.

 

에딘버러 대학의 바바라 웹(Barbara Webb) 박사가 이끄는 이 연구는 놀라운 출처인 개미로부터 영감을 얻었다. 이 동물들은 단 한 번의 여행 후에 원하는 목적지로 이동하는 데 매우 능숙하다. 노련한 등산객처럼 그들은 길을 따라 무성한 초목을 통과할 때에도 익숙한 장소를 기억한다.

 

팀은 배회하는 로봇에서 수집한 이미지를 사용하여 탐색 중 개미의 뇌 프로세스를 기반으로 하는 알고리즘을 개발했다. 뇌의 계산을 모방한 하드웨어에서 실행되었을 때 새로운 방법은 탐색 작업에서 최첨단 컴퓨터 비전 시스템을 압도했다.

“특히 곤충의 뇌는 효율성과 효율성의 강력한 조합을 제공한다.”고 연구팀은 말했다.

 

문제를 해결하는 것은 단지 제멋대로인 로봇 농장주에게 집에 돌아갈 수 있도록 돕는 내부 나침반을 제공하는 것이 아니다. 뉴로모픽 컴퓨팅(Neuromorphic Computing)이라고 불리는 방법인 뇌의 계산을 활용하면 자율주행차와 같은 로봇이 세상과 상호 작용하는 방식을 더욱 정교하게 만들 수 있다.

 

개미의 삶

울창한 숲이나 옥수수 미로 주변을 헤매어 본 적이 있다면 아마도 친구들에게 '우리가 어디 있지?'라고 물었을 것이다.

상점 정면과 기타 건물을 랜드마크로 삼아 도시 블록을 따라 걷는 것과는 달리 농경지를 탐색하는 것은 매우 어렵다. 가장 큰 이유는 주변 환경이 너무 비슷해 자신이 어디에 있는지, 어느 방향을 바라보고 있는지 알기 어렵다는 점이다.

로봇은 야생에서도 동일한 도전에 직면한다. 현재 비전 시스템은 로봇이 지형을 횡단할 때 여러 대의 카메라를 사용하여 이미지를 캡처하지만 조명이나 기상 조건이 변하면 동일한 장면을 식별하는 데 어려움을 겪는다. 알고리즘의 적응 속도가 느리기 때문에 복잡한 환경에서 자율 로봇을 안내하기가 어렵다.

 

개미가 들어오는 곳은 다음과 같다.

인간에 비해 상대적으로 제한된 두뇌 자원을 가지고 있음에도 불구하고 개미는 복잡한 새로운 환경을 학습하고 탐색하는 데 매우 뛰어나다. 날씨, 진흙, 조명에 관계없이 이전 경로를 쉽게 기억한다.

 

팀은 "GPS가 로봇에 허용하는 것보다 더 높은 정밀도"로 경로를 따라갈 수 있다고 말했다.

개미의 탐색 능력 중 한 가지 특징은 탐색 중에 자신이 어디에 있는지 정확히 알 필요가 없다는 것이다. 오히려, 목표물을 찾기 위해 동물은 장소가 익숙한 지 여부만 인식하면 된다.

이는 호텔에서 새로운 도시를 탐험하는 것과 같다. 자신이 지도에서 어디에 있는지 반드시 알 필요는 없다. 아침 식사를 위해 카페로 가는 길만 기억하면 집으로 돌아갈 수 있다.

 

개미의 뇌에서 영감을 얻어 팀은 3단계에 걸쳐 뉴로모픽 로봇을 구축했다.

첫 번째는 소프트웨어였다. 개미는 작은 뇌를 가지고 있음에도 불구하고 익숙한 경로를 다시 방문하기 위해 신경 회로를 미세 조정하는 데 특히 능숙하다. 이전 연구 결과를 바탕으로 팀은 개미 뇌의 일종의 신경 허브인 "버섯 몸체"에 집중했다. 이러한 허브는 주변의 시각적 정보를 학습하는 데 중요하다. 그런 다음 정보는 개미의 뇌 전체에 퍼져 항해 결정을 내린다. 예를 들어, 이 경로가 친숙해 보일까? 아니면 다른 차선을 시도해야 할까?

 

 

다음으로 동물의 눈처럼 이미지를 포착하는 이벤트 카메라가 등장했다. 결과 이미지는 사진을 찍는 동안 눈이 빛을 처리하는 방식을 모방하므로 컴퓨터 비전 훈련에 특히 유용하다.

마지막 구성 요소는 하드웨어이다. SpiNNaker는 뇌 기능을 모방하도록 제작된 컴퓨터 칩이다. 영국 맨체스터 대학교에서 처음 설계한 이 칩은 생물학적 신경망의 내부 작동을 시뮬레이션하여 메모리를 인코딩한다.

 

세 가지 구성 요소를 모두 함께 엮어 팀은 개미와 같은 시스템을 구축했다. 개념 증명으로 그들은 어려운 지형을 탐색할 때 모바일 로봇에 전원을 공급하기 위해 시스템을 사용했다. 대략 초대형 햄버거 크기에 Turtlebot3 버거라는 이름이 붙은 이 로봇은 하이킹을 하면서 이벤트 카메라로 이미지를 포착했다.

 

로봇이 숲이 우거진 땅을 굴러가는 동안 신경 형태의 '뇌'는 주변의 픽셀을 사용하여 빠르게 '사건'을 보고했다. 예를 들어 가지나 나뭇잎이 로봇의 시야를 가릴 경우 알고리즘은 경고 이벤트를 트리거했다.

이 작은 로봇은 다양한 높이의 초목에서 약 20피트를 횡단했고 그 트레킹을 통해 배웠다. 이 범위는 자신의 경로를 탐색하는 개미의 전형적인 범위라고 팀은 말했다. 여러 테스트에서 AI 모델은 보다 효율적인 분석을 위해 여행 데이터를 세분화했다. 팀이 경로를 변경했을 때 AI는 이에 따라 일반적인 경로를 학습했음을 보여 혼란스러운 반응을 보였다.

 

 

대조적으로, 인기 있는 알고리즘은 동일한 경로를 인식하는 데 어려움을 겪었다. 소프트웨어는 정확히 동일한 비디오 녹화를 본 경우에만 경로를 따라갈 수 있다. 즉, 개미에서 영감을 받은 알고리즘에 비해 일반화할 수 없었다.

 

보다 효율적인 로봇 두뇌

AI 모델은 에너지를 많이 소모하는 것으로 악명 높다. 뉴로모픽 시스템은 폭식을 줄일 수 있다.

 

시스템 뒤의 하드웨어인 SpiNNaker는 알고리즘에 에너지 다이어트를 적용한다. 뇌의 신경망 구조를 기반으로 하는 이 칩은 대규모 병렬 컴퓨팅을 지원한다. 즉, 여러 계산이 동시에 발생할 수 있다. 이 설정은 데이터 처리 지연을 줄일 뿐만 아니라 효율성도 향상시킨다.

이 설정에서 각 칩에는 18개의 코어가 포함되어 있으며 대략 250개의 뉴런을 시뮬레이션한다. 각 코어에는 데이터 처리에 대한 자체 지침이 있으며 이에 따라 메모리를 저장한다. 이러한 종류의 분산 컴퓨팅은 어려운 지형에서 로봇을 조종하는 등 실시간 피드백을 처리할 때 특히 중요하다.

 

다음 단계로 팀은 개미 뇌 회로를 더 깊이 파고들고 있다. 서로 다른 뇌 영역과 그룹 간의 신경 연결을 탐색하면 로봇의 효율성을 더욱 높일 수 있다. 결국 팀은 개미만큼 복잡하게 세상과 상호 작용하는 로봇을 구축하기를 희망한다.

 

이미지 출처: Faris Mohammed / Unsplash