귀향 – 개미가 AI 기반 로봇공학에 영감을 주는 방법

개미처럼 탐색하기

우리는 곤충이 인간적인 의미에서 특별히 똑똑하지 않다는 것을 알고 있습니다. 그러나 그 한계에도 불구하고, 곤충은 놀라운 조직력과 방향 감각을 발휘할 수 있습니다. 이는 마이크로로봇 및 경량 드론을 연구하는 연구자들에게 영감을 주는데, 이들 역시 유사한 제약을 다루고 있기 때문입니다.

예를 들어, 사막개미 Cataglyphis 는 장거리로 먹이를 찾아다닌 뒤, 최대 1km에 달하는 여정을 거쳐 직선으로 둥지로 돌아올 수 있습니다.

운반 능력과 사용 가능한 전력이 제한적이기 때문에, 자율주행차와 같은 무거운 시스템에서 사용하는 솔루션을 적용할 수 없습니다. 예를 들어, 라이다(LIDAR, “레이저 레이더”)는 환경의 3D 지도를 만드는 데 뛰어나지만 무겁고 전력을 많이 소모합니다. 또한 많은 연산을 필요로 하는데, 이는 메모리와 처리 능력을 많이 요구하며 역시 전력과 무게가 크게 늘어납니다.

비콘과 GPS 신호도 대안이 될 수 있지만, 비용이 많이 들고 신뢰성이 떨어지거나 전혀 사용할 수 없는 경우도 있습니다. 따라서 개미와 벌과 같은 곤충이 제한된 “하드웨어”와 에너지 공급만으로 어떻게 세계를 탐색하는지 이해하면, 로봇과 드론에 적용할 수 있는 방법을 찾는 데 도움이 될 것입니다.

이는 생체 모방 로봇에 대한 일반적인 아이디어이며, 우리는 이와 관련해 문어, 도롱뇽, 뱀, 개를 모티브로 한 로봇에 대해 “How Robotics Can Take a Cue From Nature” 기사에서 더 자세히 다루었습니다.

마이크로로봇을 사용하는 이유

작은 로봇과 드론은 제작 비용이 저렴하고 같은 비용으로 더 넓은 면적을 커버할 수 있습니다. 크기가 작아지면 환경과 충돌 위험 없이 더 자세히 관찰할 수 있습니다. 예를 들어, 온실 내부를 날아다니며 식물의 질병이나 해충 초기 징후를 스캔할 수 있습니다.

또는 폐허나 야생 지역을 조사하여 도움이 필요한 사람들을 찾는 구조·수색 임무에 투입될 수 있습니다. 예를 들어, 지진 발생 후 로봇 “새/개미/잠자리” 무리가 빠르게 생존자를 탐지할 수 있습니다.

출처: TU Delft

개미가 세계를 탐색하는 방법

한 가지 방법은 시각을 이용하는 것으로, 곤충은 거의 전방위적인 시각 시스템(한 번에 모든 방향을 보는)을 가지고 있어 특히 뛰어납니다. 그러나 이 시각은 해상도가 비교적 낮습니다.

곤충이 시각을 이용해 방향을 잡는 가장 오래되고 확립된 이론 중 하나는 “스냅샷 모델”에 있습니다.

그 아이디어는 곤충의 뇌가 환경을 정기적으로 스냅샷으로 저장한다는 것입니다. “집”으로 돌아가야 할 때 현재 환경을 최근에 저장된 스냅샷과 비교합니다.

이 개념은 신경 수준까지 잘 이해되고 있어 로봇에 비교적 쉽게 구현될 수 있습니다.

이론적으로는 이 방법만으로도 충분할 수 있습니다. 하지만 실제로는 몇 가지 제한점이 있습니다:

• 잘 작동하려면 스냅샷이 매우 촘촘히 이어져야 하며, 하나라도 누락되면 방향 감각을 잃고 로봇이 완전히 길을 잃을 수 있습니다.
• 많은 스냅샷이 필요하기 때문에 개미의 뇌와 로봇의 메모리 모두에게 과부하가 됩니다.

오도메트리 추가

개미와 곤충이 일반적으로 사용하는 또 다른 방법은 이동 거리를 추적하는 오도메트리(odometry)입니다. 이는 로봇공학에서도 사용되는 방법이지만 정밀도가 부족합니다. 각 걸음은 움직임 센서(또는 개미의 경우 주관적 인식)로 추정되지만 실제 움직임을 완벽히 반영하지는 못합니다.

이로 인해 현재 위치에 대한 오도메트리 기반 추정치가 시간이 지날수록 점점 부정확해지는 누적 오차가 발생했습니다.

두 방법을 결합한 것이 네덜란드 TU Delft 대학 연구진의 핵심 통찰이었습니다. “Visual route following for tiny autonomous robots“라는 과학 논문에서 그들은 시각 스냅샷과 오도메트리를 결합해 마이크로로봇의 자율성을 높였습니다.

성능 향상

이 덕분에 로봇은 랜드마크 스냅샷 중 하나를 찾을 때마다 오도메트리 드리프트를 정기적으로 리셋할 수 있었습니다.

출처: Science Robotics

동시에 오도메트리에 주로 의존하면 초고해상도 스냅샷에 대한 요구가 줄어들어 마이크로로봇이 포인트 간을 더 빠르게 이동할 수 있게 되며, 매번 시각적 단서를 확인할 필요가 없습니다.

“우리 전략의 핵심 통찰은 로봇이 오도메트리를 기반으로 스냅샷 사이를 이동한다면 스냅샷 간 거리를 훨씬 멀리 둘 수 있다는 점입니다.

로봇이 스냅샷 위치에 충분히 가깝게 도착하기만 하면 귀환이 가능합니다. 즉, 로봇의 오도메트리 드리프트가 스냅샷의 포획 영역 안에 들어오면 됩니다.”

Guido de Croon 교수.

연구팀은 새로 만든 방향 소프트웨어(스냅샷과 오도메트리 결합)를 사용해 무게가 56g에 불과한 로봇을 100m 거리에서 얼마나 적은 데이터로 방향을 잡을 수 있는지 테스트했습니다.

출처: Science Robotics

그 크기는 극히 작아 1.16킬로바이트에 불과합니다. 참고로 스마트폰으로 촬영한 평균 이미지가 수천 킬로바이트 한 장당이며, 대부분 온라인 이미지도 수십에서 수백 킬로바이트 정도입니다.

더 나아가 모든 이미지 처리는 “마이크로 컨트롤러”라 불리는 경량 미니 컴퓨터에서 수행될 수 있는데, 이는 저가 전자 기기에서 흔히 찾아볼 수 있습니다.

응용 분야

산업

이러한 마이크로로봇과 드론은 데이터 처리 능력이 매우 제한적이며, 탑재된 마이크로 컨트롤러의 처리 능력 대부분이 내비게이션과 데이터 수집 관리에 사용됩니다.

그럼에도 이러한 드론은 창고에서 재고를 추적하거나 온실에서 작물을 모니터링하는 데 활용될 수 있습니다. 로봇이 주변을 돌아다니며 사진, 바코드, RFID 태그와 같은 데이터를 수집하고, 이 데이터는 작은 SD 카드에 저장됩니다.

이 기록들은 이후 더 큰 컴퓨터나 서버로 전송되어 후처리 및 유용한 데이터로 변환됩니다.

군사

또 다른 잠재적 적용 분야는 군사 기술이며, 특히 현대 전장에서 드론의 중요성이 커지고 있는 상황(우크라이나 전쟁 등)과 관련이 깊습니다.

보병이 휴대할 수 있을 만큼 가벼운 소형 비행 드론을 정찰용으로 앞에 투입해 적 위치 사진을 안전한 병사에게 전달할 수 있습니다.

전자전(EW)으로 인해 지역이 심하게 방해받고 환경이 지속적으로 변하기 때문에, 드론의 자율 내비게이션은 필수적입니다. 경량화와 저전력 소비도 핵심 특징이 될 것입니다. 여기서 논의된 연구에서는 시뮬레이션된 숲 환경에서 300m 경로를 자율 비행한 드론이 소개되었습니다.

출처: Flir

추가 연구

오도메트리와 스냅샷을 결합하는 전략은 매우 효율적이며, 오도미터의 정밀도를 향상시켜 더욱 효율적으로 만들 수 있습니다. 사용된 알고리즘도 메모리와 전력 효율성을 높이도록 조정될 가능성이 있습니다.

또 다른 개선점은 이미 전방위 시각을 갖춘 로봇에 충돌 회피 기능을 추가하는 것입니다.

여전히 로봇이 길을 잃었을 때를 대비한 해결책이 필요합니다. 예를 들어, 연구진은 “로봇이 실시간으로 포획 영역 크기를 추정하고 경로를 잃었을 때 탐색 절차를 수행하도록 할 수 있다”고 제안했습니다.

이 절차는 다른 방법으로는 내비게이션에 어려움을 겪는 소형 로봇에 특히 적합합니다. 하지만 향후에는 대형 로봇에도 적용되어 라이다와 같은 고가 장비의 필요성을 줄이고, 컴퓨팅 및 전력 요구량을 감소시킬 수 있습니다.

드론 및 로봇 기업

1. AutoStore Holdings Ltd. (AUTO.OL)

자율주행차와 같은 자율 차량은 곧 현실이 될 수 있지만, 구글이나 테슬라와 같은 기술 선도 기업조차 개발에 어려움을 겪고 있습니다. 그러나 물류 분야에서는 이미 자율 주행과 로봇공학이 혁신을 일으키고 있습니다.

노르웨이의 AutoStore는 제약, 의류, 식료품, 항공, 물류, 산업 제조 등 다양한 산업을 위한 자동화된 창고를 제공합니다. 의류, 산업, 제3자 물류 기업이 AutoStore 비즈니스의 가장 큰 세 부문을 차지합니다.

이 회사의 창고는 자동 로봇이 소포나 제품을 스스로 식별·픽업하고 목적지까지 운반하도록 설계되었습니다. 해당 영상을 통해 실제 작동 모습을 확인할 수 있습니다:

팬데믹 이후 더 효율적이고 회복력 있으며 빠른 물류 시스템을 구축하려는 대기업이 늘어나면서 회사는 빠르게 확장하고 있습니다. 평균적으로 자율 창고로 전환하는 데 1~3년이면 초기 투자를 회수할 수 있습니다.

AutoStore는 50개국에서 활동하며 58,500대의 로봇을 900여 고객에게 제공하고 있습니다. 2017년 이후 매출이 연평균 50% 성장했으며, 이는 연간 15% 성장률로 추정되는 자동화 창고 시장보다 2~3배 빠른 속도입니다.

출처: AutoStore

많은 유럽 기술 기업과 마찬가지로 AutoStore는 일반 대중에게는 다소 보이지 않는 매우 고도화된 솔루션을 제공합니다.

대부분의 창고는 자동화로 전환될 것이며, 이 분야의 선두주자는 규모와 비용 효율성 면에서 솔루션을 제공할 수 있는 업체가 시장 성장보다 더 높은 성과를 낼 가능성이 높습니다.

보다 자율적이고 효율적으로 길을 찾는 로봇은 AutoStore에 기회이자 위협이 될 수 있습니다. 현재는 회사의 로봇 솔루션을 사용하려면 창고를 완전히 재설계해야 합니다.

앞으로는 현재 사용 중인 격자(grid) 없이도 로봇이 스스로 길을 찾을 수 있게 되어 도입이 훨씬 쉬워지고, 기존 운영에 미치는 방해가 줄어들며 초기 투자 규모도 크게 감소해 기술 대량 채택의 주요 장애물을 해소할 수 있을 것입니다.

출처: Autostore

2. Zebra Technologies Corporation (ZBRA)

Zebra Technologies (ZBRA ) 는 “스마트” 공장의 모든 구성 요소를 모니터링할 수 있는 추적 라벨 및 스캐너를 생산합니다. 여기에는 모바일 컴퓨터, 바코드 스캐너, 머신 비전, 위치 기술, 태그 및 RFID(Radio-frequency identification)가 포함됩니다.

이러한 수준의 데이터 수집 및 분석은 로봇공학, 특히 조립 라인 밖에서 보다 이동성이 높고 유연한 로봇을 구현하는 데 핵심 요소입니다.

이 회사는 바코드 보급의 선구자였으며, 2018년 이후 현대 창고와 공장의 “로봇화” 및 디지털화를 위한 모든 기술을 통합하기 위해 인수합병을 활발히 진행해 왔습니다.

출처: Zebra

현재 회사의 주요 사업 부문은 전자상거래·소매와 운송·물류이며, 그 다음이 제조업입니다.

출처: Zebra

로봇이 전자상거래와 물류의 중심이 되면서 Zebra의 추적 시스템에 대한 수요가 증가하고 있습니다.

지금까지는 비교적 큰 로봇을 위한 공간을 미리 준비해야 했습니다.

몇십 그램에 불과한 마이크로로봇이 이제 RFID 태그를 스캔할 수 있다면, 곧 벌처럼 군집을 이루는 드론을 통해 공장 바닥이나 창고의 모든 활동을 지속적으로 모니터링하고 자율적으로 처리하는 모습을 볼 수 있을 것입니다.