해외 일부 지역에서는 자율주행 로봇이 음식 배송 서비스를 지원하는 사례를 어렵지 않게 찾아볼 수 있다. 안타깝게도 지금까지 이루어지는 자율주행 배송 로봇 모두 최종 목적지까지 정확하게 도착하지 못한다. 이에, 미국 온라인 테크 매체 MIT 에듀는 토목·환경 공학부 교수 겸 데이터 시스템·사회 연구소의 캐시 우(Cathy Wu) 부교수가 학생과 함께 자율주행 차량의 경로 이동 정확도 향상 연구를 성공한 사실을 보도했다.
우 부교수 연구팀은 머신러닝 전략으로 가장 강력한 알고리즘 속도를 10~100배까지 늘릴 방법을 찾는 데 초점을 맞추었다.
연구팀이 집중하여 다룬 해결사 알고리즘(solver algorithm)은 문제를 하위 문제로 나누어 처리한다. 먼저, 도시 2,000곳을 이동하는 200개 하위 문제로 나누었다. 그다음에는 모든 하위 문제를 해결하는 대신 해결해야 할 가장 유용한 하위 문제를 식별하는 새로운 머신러닝 알고리즘으로 과정을 강화하여 훨씬 적은 컴퓨팅을 사용하여 솔루션의 품질을 높인다.
연구팀이 채택한 접근 방식인 이른바 '위임 학습' 방식은 다양한 해결사와 창고 로봇의 일정, 경로 찾기 등 여러 가지 유사한 문제에 활용할 수 있다.
사실, 차량 경로 조합 찾기는 가능한 해결책 수가 너무 많아 최선의 해답을 제시하기 쉽지 않다. 우 부교수는 "최선책을 찾기 쉽지 않은 때에는 효율적인 알고리즘을 설계하는 것이 더 적합하다. 최적의 해결책을 찾는 것을 목표로 하지 않고, 최대한 좋은 해결책을 찾는 것이 더 중요하다. 자율주행 배송 로봇의 경로 찾기 문제 솔루션 0.5%만 개선해도 기업의 매출 증대라는 결과로 이어질 수 있다"라고 말했다.
최근에는 문제를 해결하기 위해 머신러닝 방식이 개발됐다. 그러나 속도가 빠를수록 대도시에서도 찾는 답의 정확도가 하락한다는 문제가 있다. 이에, 우 부교수 연구팀은 머신러닝과 위임 학습을 결합해, 빠르면서도 효율성이 우수한 고품질 솔루션을 찾고자 했다.
대규모 차량 라우팅 문제 휴리스틱은 무작위로 또는 신중하게 고안된 휴리스틱을 적용하여 해결할 하위 문제를 선택할 수 있다. 연구팀은 자율주행 배송 로봇의 정확한 경로 찾기 문제 해결 측면에서 해결책의 품질에서 가장 큰 이득을 가져올 하위 문제 발견 자동화를 시행하고자 자체 개발한 신경망과 함께 하위 세트를 실행했다. 이 과정을 통해 하위 문제 선정 과정이 1.5~2배 빨라졌다.
그동안 차량 이동 경로 설정과 같은 문제에서 사용자는 종종 특수 알고리즘을 설계해, 특수한 문제를 해결해야만 했다. 일각에서는 수십 년에 걸쳐 휴리스틱을 개발했다. 그러나 위임 학습 방식은 자동화를 통해 대규모 문제 해결 시 휴리스틱 속도를 높이도록 한다. 휴리스틱이나 문제 종류를 떠나 똑같이 문제 개선 능력 향상에 도움을 준다.
한편, 배송 경로 최적화 스마트 물류 플랫폼 개발사 루티픽(Routific) 창립자 겸 CEO인 마크 궈(Marc Kuo)는 위임 학습은 대규모 차량 경로 문제 신속 해결에서 직면한 한계를 넘어섰다고 평가했다. 루티픽의 자체 알고리즘 발전 사항 중 일부는 우 부교수 연구팀의 알고리즘 발전 전략을 활용했다.
이어, 궈는 "대다수 학계 연구 기관이 소규모 문제를 해결할 특수 알고리즘에만 집중하면서 더 나은 해결책을 찾는 대신 처리 시간 단축을 포기했다. 그러나 현실 세계에서 더 나은 솔루션만 신경 쓰는 기업은 드물다. 최종 운송 단계에서는 시간이 곧 돈이므로 처리 속도가 느린 알고리즘은 실용성이 낮다"라며, 우 부교수 연구팀의 해결책에 주목했다.
[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]
