확률적 로봇공학 - 1 소개

1.1 로봇 공학에서의 불학실성

 

 로봇 공학은 물리적 세계에서 장치를 이용해 감지하고 제어하는 학문이며 대표적으로 우주 탐사에 이용되는 로봇 시스템이나 조립 라인에서의 로봇 팔, 고속도로를 달리는 자동차, 수술을 도와주는 로봇 팔 등이 있을겁니다. 로봇 시스템은 흔하게 있으며 그들은 센서로 주위 환경을 인지하고 제어를 하게 됩니다.

 

 하지만 여전히 로봇 공학에서 부족한점은 많지만 지능을 가진 로봇은 우리 사회를 바꿀 큰 잠재력을 가지고 있스비다. 자동차가 스스로 제어하여 차 사고가 존재하지 않게 되거나 채르노빌 같은 재해 현장을 사람이 아닌 로봇이 청소한다거나 지루한 집안을 등을 로봇이 대신 할수 있으면 얼마나 좋을까요?

 

 앞으로의 응용분야는 조립 라인에서 작업만 하던것과는 달라지고 있습니다. 새로운 로봇들은 미지의 환경에서도 동작할수 있게 되었고, 조립 라인에서는 더 정교해 지고 있습니다. 그 결과로 로봇 공학에서 센서 입력은 더 중요해지고, 여러가지 상황에 대처할수 있도록 소프트웨어도 강인해져야 합니다. 로봇공학은 그래서 점점 다양한 환경에서도 대응할수 있도록 소프트웨어 공학적인 측면이 커지고 있습니다.

 

 이 책에서는 로봇 공학의 중요한 요소인 불확실성 uncertainty를 주로다루고 있습니다. 불확실성은 로봇이 작업을 수행하는데 중요한 정보가 부족할때 일어나는데, 여기에는 다섯가지의 요인이 있습니다.

 

 

 1. 환경 : 물리적 세계는 예측하기가 어렵습니다. 반면에 조립라인과 같은 구조화된 환경에서 불확실한 정도는 작을것이나, 고속도로나 살고 있는 집은 매우 동적이고 예측하기 어려운 환경들입니다.

 

2. 센서 : 센서는 기본적으로 감지하는데에 있어 제한을 가지고 있습니다. 이 제한은 2가지 요소가 있는데, 첫번째로 센서의 범위와 해상도는 물리적인 법칙을 따르고 있습니다. 예를 들어 카메라는 벽 너머를 볼수 없고, 카메라 영상의 해상도는 제한되어 있습니다. 두번째로는 센서는 노이즈를 가지고 있어 센서 측정에 방해를 받아 얻을 수 있는 정보가 제한됩니다.

 

3. 로봇 : 로봇 구동에 있어 사용되는 모터는 노이즈 같은 예측할수 없는 영향을 가지고 있습니다. 산업용으로 사용되는 구동기는 정확할 수 있어도 이동 로봇의 저가의 경우 매우 정확하지 않습니다.

 

4. 모델 : 모델은 기본적으로 정확하지 않습니다. 왜냐면 모델은 현실 세계를 추상화 한것으로 로봇과 주위 환경에서 물리적인 처리 과정을 일부분만을 표현하기 때문인데, 모델 에러는 불확실성의 원인이 되나 로봇 공학에 있어서 대부분 무시됩니다. 

 

5. 계산 : 로봇은 실시간 시스템으로 계산량이 제한되어 있습니다. 많은 최신 알고리즘들은 그래서 정확도를 희생하여 제 시간에 수행될수 있도록 추정을 수행하게 됩니다.

 

 이러한 모든 요인들이 불확실성을 일으키게 됩니다. 기존의 로봇 공학에서 이러한 불확실성들이 무시되어 왔으나, 로봇들이 공장을 너머 구조적이지 않은 환경에서 다니게 되면서 이러한 불확실성을 다루는 능력이 중요하게 되어지고 있습니다.

 

1.2 확률적 로봇 공학

 이 책에서는 로봇 공학에서 확률적 알고리즘들의 개요를 살펴볼 것인데, 확률적 로봇 공학은 로봇의 인지와 동작에 있어서 불확실성을 다루는 로봇공학의 새로운 접근 방법입니다. 확률적 로봇 공학의 키 아이디어는 확률 이론을 이용해서 불확실 성을 다루는 것인데, 현실 세계에서 정확한 값을 사용하기 보다는 확률적인 알고리즘은 확률 분포로 정보를 표현하게 됩니다. 이렇게 함으로서 애매함과 신뢰할수 있는 정도를 나타낼 수 있는데, 이를 이용해서 아서 설명한 불확실성을 다룰수 있게 됩니다. 그러므로 확률 정보를 이용하여 제어 결정을 다룸으로서 이러한 알고리즘들은 다양한 불확실성들을 다룰수 있으며 어려운 로봇 공학 문제들의 해결 방법으로 사용되고 있습니다.

 

 간단한 예시(이동 로봇 위치 추정)로 확률론적인 접근 방법을 살펴보겠습니다. 위치 추정은 지도를 사용하여 센서 데이터로부터 로봇의 좌표를 추정하는 문제인데 그림 1.1이 이동 로봇 위치 추정문제에서 확률적인 접근 방법을 보여주고 있습니다. 이러한 위치 추정 문제를 전역 위치 추정 global localization 이라 하는데, 이는 처음 부터 로봇이 어디에 있는지 추정해 나가는 문제를 말합니다.

 

 확률적 다이어그램에서 로봇의 추정량(신뢰도라 합니다)은 확률 밀도 함수로 표현되며, 그림 1.1의 첫번째로 균일 분포(사전 확률)를 보여주고 있습니다. 로봇이 처음으로 센서 데이터를 받았더니 문이 존재한다고 가정해봅시다. 그러면 그림 1.1에서 2번째 다이어그램 처럼 문이 존재하는 곳들이 높은 확률을 가질것이고, 나머지 부분들은 낮은 확률을 가질 것입니다. 이 분포들은 3개의 꼭대기를 가지고 있는데 각각은 구분할수 없으나 문들중 하나를 나타내고 있습니다.

 

 그러므로 결과적인 확률 분포는 3위치에 높은 확률로 나타나고 있으며, 확률적인 방법들로 이러한 모호한 상황에서 자연적으로 발생하는 여러 상반된 가설들을 다룰수 있습니다. 그래서 문이 아닌 위치에는 0이 아닌 확률들을 가지고 있습니다. 이는 측정 시 내재된 불확실성에 의해 설명할 수 있는데, 이러한 작은 0이 아닌 확률들은 로봇이 문 앞에 있지 않음을 의미합니다.

 

 이제 로봇이 움직인다고 가정해봅시다. 그림 1.1의 세번째 다이어그램은 로봇이 이동한 후의 신뢰도를 보여주고 있습니다. 신뢰도들은 동작 방향을 따라 이동했으며 로봇이 가지고 있는 불확실성에 의해 완만해 졌습니다. 마지막으로 그림 1.1의 4번째와 마지막 다이어그램을 살펴보면 다른 문을 관측한 이후의 신뢰도를 나타내는데, 이 관측을 통해 문 앞 중 가장 가능성이 높은 곳에 위치하게 되며, 이 곳에 로봇이있다고 볼수 있습니다.

 

 

그림 1.1 마르코브 위치 추정의 기본 아이디어 : 이동 로봇의 전역 위치 추정

 이 예시는 인지 문제에 있어서 확률적인 파라다임을 보여주는데, 로봇 인지 문제는 상태 추정 문제이며, 로봇의 위치 추정 예시는 전체 공간에서 사후 확률 추정치를 구하는 베이즈 필터라고 부르는 알고리즘을 사용한 것입니다. 비슷하게 동작을 결정할때, 확률적인 접근방법으로 모든 불확실성을 고려해야 합니다. 이렇게 함으로써 확률적인 접근 방법은 수집 한 정보를 이용해 최적의 동작을 수행하게 됩니다.