전체메뉴

[애플경제 박문석 기자]클라우드를 통해 지능 모델을 제공받는 ‘클라우드 로봇 지능’ 기술이 날로 발전하고 있어 주목된다. 클라우드 네이티브가 보편화되면서 로봇과 접목된 대표적인 기술로 꼽히고 있다. 즉, 클라우드를 통해 일단 지능화된 학습 모델을 활용하면서 다양한 공간이나, 사물, 사람들, 그리고 지속적으로 변화하는 환경에 로봇이 탄력적이고 지능적으로 대응하는 것이다.

해당 기술은 국내․외에서 활발하게 연구되고 있다. 미국의 경우 스탠포드 국제연구소, MIT, Univ. of South Florida 등에서 다양한 기술을 개발하고 있다. 국내에선 한국전자통신연구언의 인간로봇상호작용연구실, KAIST, 포스텍 등이 이를 주도하고 있다.

단순 반복 기능의 기존 로봇 수준 크게 높여

특히 이 분야 연구에서 가장 앞서 가는 한국전자통신연구원에 따르면 이는 일단 클라우드 협업을 통해 지역을 초월한 ‘전역 최적 지능’을 제공받는게 핵심이다. 이를 서비스 로봇의 지능에 결합함으로써 단순 반복 기능에 그쳤던 로봇의 지능 수준을 크게 높인 것으로 알려졌다. 즉 종전의 서비스 로봇과는 전혀 다른 ‘전역지능 적용 기술’이 개발, 적용된 것이다.

이에 따르면 ‘클라우드 로봇 지능’은 우선 ▲멀티모달 맥락을 이해하고, ▲서비스 개인화와 특화를 시도하며, ▲지역적, 혹은 전역 최적 기능이 핵심이다. 또 ▲클라우드 로봇 복합인공지능 시스템을 연동한 점도 특징이다.

우선 이는 ‘멀티모달 맥락을 이해하는 기술’이 적용되었다. 이를 통해 △개인ㆍ군집 특성을 기반으로 개인화된 맥락을 이해하는 기술을 개발했다. 또 △물체와, 물체 상태, 상태 변화 감지를 기반으로 서비스 맥락을 이해하며, △멀티모달 정보 융합을 기반을 맥락을 이해하는 기술도 개발했다.

또한 ‘서비스의 개인화와 특화기술’을 통해 △멀티모달 단서를 기반으로 한 사용자 반응 검출과 해석이 가능하게 한다. △‘사용자 반응’의 원인을 추정하는 기술과, △로봇 서비스 정책의 최적화를 위한 심층강화학습 기술도 개발했다.

지역적, 혹은 전역 최적 기술도 접목

‘지역적 적응 학습 기술’을 통해 △맥락을 이해하는 지능, 특히 이를 장소와 지역에 따라 적응하는 학습 기술을 개발했다. 또한 이를 △지역적으로 지속적으로 적응하는 ‘학습 최적화’ 기술도 개발했다. 특히 전역에 ‘최적 지능’을 적용하는 학습을 통해 △다중/분산 통합 전역 지능을 획득하고, 이를 적용하는 기술과, △지역 공유와 특화 지능을 분리하는 학습 기술을 개발했다.

특히 ‘멀티모달 맥락을 이해’하게 함으로써 △ 얼굴의 불변 혹은 가변적 특징과 외형 특징을 인식하는 데이터셋을 구축하고, △서비스 맥락 인식용 물체, △물체 상태 데이터셋을 구축했다. 또한 지역적 적응 학습을 통해 △테스트베드와 실제 환경 기반의 맥락을 이해하는 지능에 적응하는 학습 데이터셋을 구축했다. 또한 △테스트베드와 실제 환경 기반의 서비스를 개인화, 특화하는 학습 데이터셋을 구축했다.

‘클라우드 로봇 복합인공지능 시스템’ 연동

나아가서 ‘클라우드 로봇 복합인공지능 시스템’을 연동, △클라우드 로봇 복합인공지능 시스템 인터페이스를 연동하고, △비상 상황이나 오작동에 대응하는 원격조작 지원 기능을 연동했다. 이와 함께 △서비스 로봇 지능의 패키징과 클라우드 로봇 PaaS를 탑재했다.

이를 통해 ‘클라우드 로봇’은 △서비스 도메인 2개 이상의 맥락을 이해하고, △서비스 개인화, 적응 학습, 전역 ‘최적 지능’ 적용 학습 기술의 적용성을 검증하기 위한 서비스를 개발했다. 특히 ‘기술 검증’의 환경 운영과 시험 분석을 위해 △다중 도메인을 대상으로 서로 다른 종류의 로봇을 운영하는 테스트베드와 실제 환경을 구축하고, △다수의 실증 실험과 데이터 분석을 통한 검증 결과를 도출했다.

정보인식, 고객반응 추정 등 정확도 높아

장민수 한국전자통신연구원 책임연구원은 결론적으로 “환경과 사람, 맥락을 이해하고, 그 다양성과 변화에 적응하는 ‘로봇 특화 연속 도메인 적응’(Continual Domain Adaptation) 학습 기술”로 요약했다. 또한 “영상, 음성, 언어를 포함하는 멀티모달 데이터 분석을 통해 사용자의 반응을 해석하고, 로봇의 고객 대응 지능을 진화하는 서비스 개인화ㆍ특화 기술”이라고 덧붙였다.

그 결과 △ 로봇 시각 기반의 얼굴 특징 정보인식 정확도는 92% 이상, △로봇 시각 기반의 외형 특징 정보인식 정확도는 84% 이상, △로봇 시각 기반의 서비스 맥락 인식 정확도는 85% 이상 △서비스 개인화를 위한 고객 반응 추정 정확도는 90% 이상, △지역 적응을 위한 도메인 적응 모델의 분류 정확도는 51% 이상의 정확도를 보였다는 설명이다.

특히 “클라우드 협업 기반의 서비스 맥락 이해와, 에러 감소율은 15% 이상에 달했다”고 한다.

이같은 클라우드 로봇 지능 기술은 기존 로봇 지능의 한계를 극복했다는 해석이다.

기존 로봇 지능은 고객이나 상황 변화와 무관하게 동일한 대응을 반복함을써 다양한 맥락에 대응할 수 없다. 또 로봇을 설치한 환경이나 조건에 따라 성능이 크게 차이가 난다. 적응에 필요한 학습용 데이터가 부족해서 훈련 효과가 떨어지는 것도 단점으로 꼽힌다.

특히 “기존 로봇은 적응 학습을 하더라도 운용 환경에 한정된 데이터와 경험으로만 훈련할 수 밖에 없다”면서 “이로 인해 데이터 편향성이나, 데이터 불균형, 데이터 부재로 인한 맥락 이해 능력이 떨어지고, 서비스 대응 능력이 미흡한 현실”이라는 지적이다.

이에 멀티 모달 맥락 이해와 서비스 개인화/특화를 목표한 클라우드 로봇 지능 기술로 이런 한계를 극복했다는 얘기다.