낯선 카트를 밀며 배우는 로봇, 움직임의 계획은 얼마나 바꿔야 할까요

낯선 카트를 밀 때, 사람은 먼저 조금 움직여 봅니다

처음 잡아 보는 카트가 앞에 있다고 생각해 보겠습니다. 얼마나 무거운지, 바퀴가 얼마나 쉽게 방향을 바꾸는지 아직 모릅니다. 이때 사람은 처음부터 모든 특성을 정확히 알아내려고 하기보다, 가볍게 밀어 보고 그 반응에 맞춰 다음 움직임을 정하곤 합니다.

오늘 소개할 논문은 바로 이 행동에서 출발합니다. 움직이면서 물체를 알아 가는 로봇은, 새로 알게 된 사실을 현재의 움직임에 어떻게 반영해야 할까요?

논문 제목은 Belief-Overlap Partial Inversion: Object-Centric Flow Replanning for Humanoid Loco-Manipulation입니다. 저자는 Chen Yu, Sudarshan S Harithas, Juan Borbon, Dingqi Zhang, Jiuguang Wang입니다. arXiv 원문에서 논문을 확인할 수 있습니다.

이 글은 제공된 제목과 초록을 바탕으로 연구의 문제의식과 방법을 풀어 소개합니다. 산업과 투자에 관한 부분은 연구 결과와 구분해, 제가 이 접근에서 눈여겨보는 가능성과 확인할 질문을 덧붙입니다.

배우는 것만큼 어려운 일은, 하던 움직임을 고치는 일입니다

연구가 다루는 상황은 휴머노이드(사람과 비슷한 몸 구조를 가진 로봇)가 카트를 미는 작업입니다. 로봇은 처음에 카트의 질량과 캐스터 강성(방향을 바꾸는 바퀴 장치가 움직임에 저항하는 정도)을 모릅니다. 카트를 밀면서 얻는 반응으로 이런 특성을 추정해 나갑니다.

문제는 새로운 정보를 얻었다고 해서, 진행 중인 계획을 곧바로 바꾸는 것이 항상 좋은 선택은 아니라는 점입니다.

초록은 두 가지 어려움을 함께 짚습니다. 물체의 특성에 관한 추정이 바뀔 때마다 계획을 교체하면, 이미 진행 중인 동작이 흐트러질 수 있습니다. 반대로 기존 계획을 계속 유지하면, 새로 얻은 증거로는 더 이상 적절하지 않은 경로를 따라가게 될 수 있습니다.

카트를 밀고 있는 사람에 비유해 보겠습니다. 예상보다 카트가 잘 돌지 않는다는 것을 알았다면 움직임을 조정해야겠지요. 다만 새로운 사실을 조금 알 때마다 움직이는 방식을 전부 바꾼다면, 하던 동작을 이어 가기 어려울 수 있습니다. 그렇다고 처음 정한 방향을 끝까지 고집하는 것도 좋은 대응은 아닐 겁니다.

이 비유에서 중요한 것은 카트를 얼마나 세게 미느냐가 아닙니다. 새로운 정보에 반응하면서도, 진행 중인 동작의 연속성을 지키는 문제입니다. 논문은 이 둘 사이에서 계획을 얼마나 수정할지 다룹니다.

BOPI는 이전 추정과 새 추정의 차이에 주목합니다

방법의 이름인 BOPI는 Belief-Overlap Partial Inversion의 약자입니다. 말을 풀어 보면, 이전 추정과 새 추정이 겹치는 정도를 보고 계획 생성 과정을 일부 되돌리는 접근입니다.

여기서 belief(현재 관측을 바탕으로 물체의 특성을 추정한 상태)는 로봇의 감정이나 신념을 뜻하지 않습니다. 아직 정확히 모르는 물체가 어떤 상태일지, 지금까지 얻은 정보로 가능성을 가늠한 것으로 이해하면 좋겠습니다.

카트를 밀기 전의 추정과, 실제로 밀어 본 뒤의 추정은 서로 다를 수 있습니다. 그렇지만 둘이 반드시 완전히 달라지는 것은 아닙니다. 기존에 생각했던 내용 가운데 새 관측과 여전히 들어맞는 부분도 있을 수 있습니다.

BOPI는 이 관계에 맞춰 수정의 정도를 조절합니다. 초록에 따르면, 이전 추정으로 만든 플로(계획을 만들어 가는 변환 과정)를 두 추정이 불일치하는 정도에 맞춰 일부 역으로 되돌린 뒤, 새로운 추정으로 다시 구성합니다.

쉽게 이해하려면 작성 중인 이동 계획을 고치는 장면을 떠올려 보면 됩니다. 새로운 정보를 얻었을 때, 기존 생각과 얼마나 달라졌는지를 보고 어느 정도까지 되짚어 수정할지 정하는 셈입니다. 다만 실제 방법이 경로의 특정 구간을 잘라 붙이는 방식이라는 뜻은 아닙니다. 무엇을 어떤 수식으로 되돌리는지, 추정의 겹침을 어떻게 계산하는지는 초록만으로 설명하기 어렵습니다.

제가 이 접근에서 흥미롭게 보는 부분은 추정의 변화와 계획의 수정 정도를 연결한다는 점입니다. 로봇이 새로운 사실을 알아냈다는 것에서 한 걸음 더 나아가, 그 사실이 현재 행동을 얼마나 바꿔야 하는지까지 다루는 셈입니다.

물체를 이해하는 과정과 몸을 움직이는 과정을 연결합니다

논문은 이 틀을 object-centric(조작 대상인 물체를 중심에 둔 방식)이라고 설명합니다. 카트를 어디로 움직일지 생각하는 과정에서, 카트 자체의 특성과 이를 추정한 내용을 중심에 둔다는 의미로 읽을 수 있습니다.

온라인 추정(작업을 수행하는 동안 새 관측으로 추정을 갱신하는 과정), 플로 기반 계획, 전신 제어(몸 전체의 움직임을 함께 조절하는 과정)를 하나의 순환 구조로 연결합니다. 여기서 온라인은 인터넷에 접속한다는 뜻이 아닙니다. 작업 도중에 정보를 받아 추정을 갱신한다는 뜻입니다.

이 연결이 중요한 이유는 추정만 좋아져서는 실제 동작이 달라지지 않기 때문입니다. 물체를 움직이며 새로 알게 된 내용을 계획에 반영하고, 그 계획을 몸의 움직임으로 실행해야 합니다. 실행한 결과는 다시 물체를 이해하는 데 쓰입니다.

초록이 제기한 갈등도 이 연결 때문에 생깁니다. 추정이 갱신되는 동안 로봇은 이미 움직이고 있습니다. 새 정보에 맞는 계획을 만드는 일과, 현재 동작을 이어 가는 일을 함께 다뤄야 합니다. 저는 BOPI를 이 연결 지점에서 수정의 정도를 조절하는 방법으로 이해했습니다.

초록이 보여 준 성과는 어디까지일까요

초록에는 비교적 구체적인 모의실험 결과가 담겨 있습니다. 연구진은 컴퓨터 안에서 수행한 18개 목표의 결과를 합쳐 집계한 최종 위치 오차와 yaw 오차(위에서 보았을 때 카트가 향하는 방향의 각도 오차)를 보고했습니다.

비교 대상은 fixed-depth replanning(계획 생성 과정을 일정한 깊이만큼 되돌려 다시 계획하는 방식)입니다. 이 방식과 비교해 BOPI는 최종 위치 오차를 약 33%, 방향 각도 오차를 약 47% 줄였다고 보고합니다. 이 수치는 초록에 제시된 결과를 그대로 인용했습니다.

쉽게 말하면, 목표한 곳에서 얼마나 벗어나 멈췄는지와 목표한 방향에서 얼마나 어긋났는지가 비교 기준보다 줄었다는 뜻입니다. 작업 시간이 그만큼 짧아졌다거나, 성공률이 같은 폭으로 높아졌다는 뜻은 아닙니다. 합쳐 집계한 결과이므로 모든 목표에서 각각 동일한 개선이 있었다고 읽을 수는 없습니다.

실제 장비에서의 결과도 언급합니다. 초록에 따르면 로봇은 비홀로노믹 카트(바퀴의 구름 방향 때문에 순간적으로 움직일 수 있는 방향에 제약이 있는 카트)를 이동시키고 회전시켰습니다.

다만 오차 감소 수치는 모의실험 결과입니다. 초록은 실제 장비에서도 같은 비율의 개선이 나타났다고 말하지 않습니다. 실제 장비의 반복 수행 횟수, 작업 성공률, 속도, 사람의 개입 횟수도 제시하지 않습니다.

저는 이 연구를 새 추정에 맞춰 계획을 수정하는 방법의 가능성을 보여 준 결과로 읽고 싶습니다. 물류센터나 공장에서 장시간 안정적으로 일할 수 있다는 결론까지 이어 가려면 추가 근거가 필요합니다.

투자자의 눈에는 사전 설정과 개입의 부담이 보입니다

제가 물류와 제조 현장에 투자하는 관점에서 이 논문을 읽을 때 떠올리는 질문은, 로봇을 새로운 작업에 투입하기 위해 사람이 무엇을 얼마나 준비해야 하는가입니다.

예를 들어 취급할 카트의 특성이 달라질 때마다 사람이 물체의 특성을 미리 파악하고 설정을 조정해야 하는 현장을 가정해 보겠습니다. 이런 환경에서 로봇이 작업 중 반응을 보고 물체를 이해하고 계획을 조정할 수 있다면, 사전에 맞춰야 할 설정의 일부를 줄일 가능성이 있습니다.

진행 중인 작업에서 예상과 실제가 달라졌을 때도 마찬가지입니다. 로봇이 그 차이에 맞춰 스스로 움직임을 수정할 수 있다면, 사람이 작업을 멈추고 다시 설정하거나 동작을 재시작하는 일을 일부 줄일지도 모릅니다.

다만 이는 산업적 활용에 관한 가설입니다. 초록은 사전 설정 시간이나 사람의 개입 감소를 측정하지 않았습니다. 현장에서 돈과 시간을 얼마나 절약할 수 있는지 보여 주는 결과도 없습니다.

특히 물체의 특성을 처음에 모른다는 것과, 작업에 필요한 사전 준비가 전혀 없다는 것은 다릅니다. 이 연구에서 초기 설정에 무엇이 필요한지, 적용할 수 있는 카트와 작업의 범위가 어디까지인지는 초록만으로 알 수 없습니다.

그래서 저는 후속 검증에서 다음을 살펴보고 싶습니다.

• 처음 투입할 때의 준비 시간: 새로운 카트를 다루기 위해 사람이 입력하거나 조정해야 하는 항목이 얼마나 남아 있는지 확인해야 합니다.
• 작업 중 사람의 개입: 예상과 다른 반응이 나왔을 때 로봇이 스스로 이어 가는 경우와 사람이 도와야 하는 경우를 구분해야 합니다.
• 전체 작업의 효율: 최종 오차가 줄어드는 것과 함께 작업 시간, 중단, 재시도가 어떻게 달라지는지 살펴봐야 합니다.
• 적용 범위와 한계: 어떤 물체 특성의 차이까지 적응할 수 있고, 어떤 조건에서는 작업을 멈춰야 하는지 확인해야 합니다.

이 질문들은 논문이 이미 답했다는 뜻이 아닙니다. 연구에서 보인 방법을 실제 고객의 운영 가치로 연결하려면 확인해야 할 항목입니다.

적응하는 능력이 실제로 부담을 줄이는지까지 봐야 합니다

이 접근을 두고 제기할 가장 중요한 반론은, 스스로 적응하는 기능을 추가해도 현장의 전체 부담은 줄지 않을 수 있다는 점입니다.

물체를 알아 가기 위한 움직임에 시간이 들거나, 추정이 불안정한 상황에서 사람이 자주 도와야 한다면 기대했던 이점이 작아질 수 있습니다. 계획을 수정하는 기능이 복잡해지면서 운영과 유지에 필요한 노력이 늘어날 가능성도 살펴봐야 합니다. 이는 초록에 보고된 문제가 아니라, 제가 사업적 활용을 생각할 때 확인하고 싶은 실패 조건입니다.

반대로 취급 대상과 작업 조건이 충분히 일정한 현장이라면, 미리 맞춰 둔 설정만으로도 필요한 성과를 낼 수 있을 겁니다. 이런 경우에는 적응 능력이 추가로 만들어 내는 가치가 크지 않을 수도 있습니다.

투자 관점에서 제가 중요하게 보는 것은 적응 기능의 유무보다 환경의 차이를 로봇이 얼마나 흡수하고, 그 결과 사람의 준비와 개입이 얼마나 줄어드는지입니다. 오차를 줄였다는 연구 결과가 운영 비용의 감소로 이어지는지는 따로 확인해야 합니다.

제가 이 논문에서 가져가는 핵심은, 로봇의 현장 적응을 새로운 정보를 얻는 능력과 그 정보에 맞춰 행동을 수정하는 능력으로 함께 본다는 점입니다. BOPI는 특히 현재 움직임을 이어 가면서 계획을 얼마나 바꿀지에 주목합니다.

저는 이런 접근이 물류와 제조 현장의 사전 설정 부담을 줄이는 데 기여할 가능성을 눈여겨봅니다. 다만 그 가능성을 투자 근거로 삼으려면, 다양한 실제 작업에서 준비 시간과 사람의 개입이 줄고 전체 작업의 안정성과 효율이 유지되는지를 확인하고 싶습니다. 더 정확히 움직이는 연구가, 더 적은 도움으로 일하는 로봇으로 이어지는지가 다음으로 살펴볼 질문입니다.