CWN(CHANGE WITH NEWS) - [독점] MIT 연구팀, 머신러닝 기반 걷기·달리기 자가 학습 능력 갖춘 사족보행 로봇 공개

  • 흐림상주18.8℃
  • 흐림의령군17.7℃
  • 흐림포항21.6℃
  • 흐림태백14.2℃
  • 흐림원주19.3℃
  • 흐림거제19.8℃
  • 흐림군산19.6℃
  • 흐림파주18.2℃
  • 흐림고산23.5℃
  • 흐림홍천18.5℃
  • 흐림안동18.6℃
  • 흐림정선군15.8℃
  • 흐림북춘천17.9℃
  • 흐림북창원21.2℃
  • 비홍성19.2℃
  • 흐림강진군17.8℃
  • 비창원20.8℃
  • 흐림장흥17.5℃
  • 흐림인제15.9℃
  • 흐림정읍18.5℃
  • 흐림거창17.7℃
  • 비대전19.3℃
  • 비전주19.6℃
  • 흐림산청17.7℃
  • 흐림부안19.5℃
  • 비서귀포24.6℃
  • 흐림남원17.6℃
  • 흐림영천18.9℃
  • 흐림고창19.1℃
  • 흐림서산18.9℃
  • 흐림서울21.1℃
  • 흐림임실17.6℃
  • 흐림문경18.5℃
  • 비청주22.1℃
  • 흐림장수15.9℃
  • 흐림완도17.6℃
  • 흐림보령19.8℃
  • 흐림제천17.4℃
  • 흐림봉화15.4℃
  • 흐림금산18.0℃
  • 흐림성산24.9℃
  • 흐림보은17.7℃
  • 흐림의성18.5℃
  • 흐림보성군18.3℃
  • 흐림순천16.9℃
  • 흐림합천19.0℃
  • 흐림인천21.2℃
  • 흐림양평18.9℃
  • 박무백령도19.7℃
  • 흐림경주시19.2℃
  • 비광주19.1℃
  • 흐림부산22.6℃
  • 흐림광양시18.4℃
  • 구름많음울릉도20.0℃
  • 흐림북강릉17.5℃
  • 흐림동두천18.3℃
  • 흐림세종18.8℃
  • 흐림추풍령18.3℃
  • 흐림대구20.7℃
  • 구름많음속초17.5℃
  • 흐림청송군16.3℃
  • 흐림수원20.3℃
  • 흐림남해17.1℃
  • 흐림김해시21.5℃
  • 흐림춘천18.0℃
  • 비제주22.6℃
  • 흐림영광군17.8℃
  • 비여수19.4℃
  • 흐림충주18.5℃
  • 흐림영월17.2℃
  • 흐림울진18.5℃
  • 흐림함양군17.7℃
  • 흐림흑산도17.9℃
  • 흐림고흥18.2℃
  • 비북부산22.0℃
  • 흐림철원17.1℃
  • 흐림통영19.8℃
  • 흐림이천18.8℃
  • 흐림울산21.4℃
  • 흐림밀양19.7℃
  • 흐림강릉19.0℃
  • 흐림순창군18.3℃
  • 흐림양산시22.5℃
  • 흐림진주17.7℃
  • 흐림고창군18.2℃
  • 비목포17.2℃
  • 흐림천안18.6℃
  • 흐림진도군17.0℃
  • 흐림강화18.5℃
  • 흐림영주16.9℃
  • 흐림구미19.6℃
  • 흐림부여19.2℃
  • 흐림해남17.7℃
  • 흐림대관령11.6℃
  • 흐림동해18.6℃
  • 흐림서청주18.9℃
  • 흐림영덕17.9℃
  • 2025.10.03 (금)

[독점] MIT 연구팀, 머신러닝 기반 걷기·달리기 자가 학습 능력 갖춘 사족보행 로봇 공개

고다솔 / 기사승인 : 2022-03-21 18:01:11
  • -
  • +
  • 인쇄
출처: MIT
출처: MIT

해외 온라인 매체 더버지가 미국 MIT 연구팀의 로봇 움직임 학습용 머신러닝 개발 소식을 보도했다.

MIT 연구팀은 인공지능(AI)을 활용해 사족보행 로봇 ‘미니 치타(Mini Cheetah)가 걷는 방법과 달리는 방법을 학습하는 능력을 갖추도록 했다.

연구팀은 미니치타에 머신러닝 기법 중 한 가지인 강화학습을 활용했다. 강화학습을 적용한 채로 로봇이 학습 내용을 활용하는 과정에 따라 적절한 보상을 하면서 처음부터 걷고 뛰는 방법을 익히도록 한다. 다소 오랜 시간이 걸릴 수 있지만, 시간이 지나면서 가상 환경을 경험하면서 높은 적응 능력을 갖추도록 지원할 수 있었다.

미니치타는 강화학습 덕분에 3.9m/s의 속도로 이동할 수 있다.

또, 돌이 가득한 바닥 표면과 시멘트 바닥 등 이동하는 공간의 바닥 표면 조건이 달라져도 걷거나 이동할 수 있는 능력을 갖추었다. 그러나 이동 중 바닥 표면이 갑자기 달라질 때, 움직임이 다소 어색한 모습을 보인다.

미니치타 연구 논문 공동 저자인 가브리엘 마고리스(Gabriel Margolis)는 미니치타에 적용된 강화학습 기법이 걷는 속도 이외에 다른 요소에는 최적화되지 않았기 때문이라고 설명했다.

강화학습 모델은 유동적인 형태의 이동을 개발하도록 지시할 수 있다. 그러나 연구팀은 속도 향상 능력 학습을 최적화하고자 했다.

이에, 마고리스는 더버지와의 인터뷰에서 “강화학습 기법은 빠르게 움직이는 방법을 찾는다. 그러나 보상 방법이 정해지지 않은 사실을 고려하면, 인간이 바람직하게 생각하거나 자연스러운 모습으로 걷는 것에는 초점을 둘 이유가 없다”라고 말했다.

[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]

최신기사

뉴스댓글 >

- 띄어 쓰기를 포함하여 250자 이내로 써주세요.
- 건전한 토론문화를 위해, 타인에게 불쾌감을 주는 욕설/비방/허위/명예훼손/도배 등의 댓글은 표시가 제한됩니다.

댓글 0

Today

Hot Issue