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

  • 비서귀포24.2℃
  • 비전주18.9℃
  • 흐림양산시20.6℃
  • 흐림남원17.3℃
  • 비울산19.9℃
  • 흐림제천17.4℃
  • 흐림상주18.8℃
  • 흐림원주19.1℃
  • 흐림부여19.0℃
  • 흐림태백13.5℃
  • 흐림양평18.7℃
  • 비여수18.4℃
  • 흐림금산17.8℃
  • 흐림장수15.7℃
  • 흐림영광군16.5℃
  • 흐림안동18.8℃
  • 흐림철원17.3℃
  • 흐림북춘천17.4℃
  • 비광주17.4℃
  • 비대전18.9℃
  • 흐림동해18.6℃
  • 흐림고창17.6℃
  • 흐림홍천18.0℃
  • 비부산21.8℃
  • 흐림거제19.4℃
  • 흐림홍성19.0℃
  • 흐림울진18.3℃
  • 흐림인제15.4℃
  • 비청주19.7℃
  • 비창원19.8℃
  • 흐림세종18.6℃
  • 흐림광양시17.1℃
  • 흐림봉화15.1℃
  • 흐림순창군18.1℃
  • 흐림보은17.6℃
  • 흐림의성18.6℃
  • 흐림진주16.2℃
  • 흐림장흥17.3℃
  • 흐림합천18.7℃
  • 흐림부안19.2℃
  • 흐림군산19.1℃
  • 흐림문경18.6℃
  • 흐림진도군17.3℃
  • 흐림강진군17.3℃
  • 흐림서울20.9℃
  • 흐림성산24.3℃
  • 흐림김해시20.1℃
  • 흐림천안18.2℃
  • 흐림남해18.0℃
  • 흐림인천21.3℃
  • 흐림임실17.5℃
  • 비흑산도18.2℃
  • 흐림청송군16.4℃
  • 흐림춘천17.6℃
  • 흐림경주시19.2℃
  • 흐림대관령11.3℃
  • 흐림보성군16.9℃
  • 흐림해남17.8℃
  • 흐림추풍령17.5℃
  • 흐림동두천18.2℃
  • 비수원20.2℃
  • 흐림충주18.4℃
  • 비북부산20.9℃
  • 흐림영월16.8℃
  • 흐림통영19.2℃
  • 흐림정읍17.8℃
  • 흐림함양군17.7℃
  • 비포항21.3℃
  • 흐림정선군15.4℃
  • 흐림북창원20.1℃
  • 흐림서산18.6℃
  • 흐림완도17.9℃
  • 흐림서청주18.2℃
  • 흐림파주18.1℃
  • 흐림고흥17.3℃
  • 흐림강릉18.6℃
  • 흐림북강릉17.9℃
  • 흐림영주17.3℃
  • 비목포17.2℃
  • 흐림의령군17.7℃
  • 흐림산청17.6℃
  • 구름많음울릉도20.4℃
  • 비제주22.4℃
  • 흐림거창17.5℃
  • 흐림이천18.5℃
  • 흐림강화18.8℃
  • 흐림구미18.9℃
  • 흐림영덕18.1℃
  • 흐림보령19.5℃
  • 흐림고창군17.8℃
  • 비대구19.9℃
  • 흐림고산24.7℃
  • 흐림밀양19.6℃
  • 흐림영천18.3℃
  • 비백령도19.7℃
  • 흐림속초17.7℃
  • 흐림순천16.6℃
  • 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