제너레이티브 AI를 사용하여 로봇이 더 높이 점프하고 안전하게 착륙할 수 있도록 지원

OpenAI의 DALL-E와 같은 확산 모델은 새로운 설계를 브레인스토밍하는 데 점점 더 유용해지고 있습니다. 인간은 이러한 시스템을 통해 이미지를 캡처하고, 비디오를 만들고, 청사진을 다듬고, 이전에 고려하지 않았던 아이디어를 다시 얻을 수 있습니다.

하지만 GenAI(일반 인공 지능) 모델도 작업 로봇을 만드는 데 진전을 보이고 있다는 사실을 알고 계셨나요? 최근 확산 기반 접근 방식은 처음부터 이를 제어하는 ​​구조와 시스템을 생성했습니다. 사용자 입력 여부에 관계없이 이러한 모델은 새로운 디자인을 생성한 다음 제작하기 전에 시뮬레이션에서 평가할 수 있습니다.

MIT 컴퓨터 과학 및 인공 지능 연구소(CSAIL)의 새로운 접근 방식은 이러한 생성 정보를 인간을 위한 로봇 설계 개선에 적용합니다. 사용자는 로봇의 3D 모델 초안을 작성하고 확산 모델의 어느 부분을 수정하고 싶은지 지정하여 치수를 미리 제공할 수 있습니다. 그런 다음 GenAI는 이러한 영역에 대한 최적의 크기를 브레인스토밍하고 시뮬레이션에서 아이디어를 테스트합니다. 시스템이 올바른 디자인을 찾으면 추가 변경 없이 3D 프린터를 사용하여 실제 작동하는 로봇을 저장하고 제작할 수 있습니다.

연구원들은 이 접근 방식을 사용하여 평균 약 2피트, 즉 자신이 만든 유사한 기계보다 41% 더 높이 점프하는 로봇을 만들었습니다. 기계는 외관이 거의 ​​동일합니다. 둘 다 폴리락트산이라는 플라스틱 유형으로 만들어졌으며, 처음에는 평평해 보이지만 모터가 부착된 로프를 당기면 다이아몬드 모양으로 접힙니다. 그렇다면 AI가 정확히 무엇을 다르게 했습니까?

자세히 살펴보면 AI가 생성한 연결 장치가 구부러져 있고 두꺼운 북채(악기 드러머가 사용함)와 유사한 반면, 표준 로봇의 연결 부분은 직선과 직사각형임을 알 수 있습니다.

더 좋고 더 나은 방울

연구원들은 AI 모델에 의해 생성된 디자인을 안내하기 위해 높은 수준의 특징을 포착하는 수치 표현인 초기 임베딩 벡터를 사용하여 500개의 가능한 디자인을 샘플링하여 점핑 로봇을 개선하기 시작했습니다. 이 중에서 시뮬레이션 성능을 기준으로 상위 12개 선택 항목을 선택하고 이를 사용하여 임베딩 벡터를 최적화했습니다.

이 과정을 5번 반복하여 AI 모델이 더 나은 디자인을 생산할 수 있도록 연속적으로 안내했습니다. 결과 디자인은 얼룩과 유사했기 때문에 연구원들은 시스템을 3D 모델에 맞게 초안을 확장하도록 영감을 받았습니다. 그런 다음 그들은 모양을 만들었고 이것이 실제로 로봇의 점프 능력을 향상시키는 것을 발견했습니다.

공동 저자이자 CSAIL 박사후 연구원인 김병철에 따르면, 이 작업에 확산 모델을 사용하는 것의 장점은 로봇을 개선하기 위한 색다른 솔루션을 찾을 수 있다는 것입니다.

“우리는 기계가 더 높이 뛰기를 원했기 때문에 부품을 연결하는 링크를 최대한 얇게 만들어 더 가벼워지게 만들 수 있다고 생각했습니다.”라고 Kim은 말합니다. “그러나 이러한 얇은 구조는 3D 프린팅 재료만 사용하면 쉽게 부서질 수 있습니다. 우리의 확산 모델은 링크를 너무 얇게 만들지 않고도 로봇이 점프하기 전에 더 많은 에너지를 저장할 수 있는 독특한 모양을 제안함으로써 더 나은 아이디어를 제시했습니다. 이러한 창의성은 기계의 기본 물리학에 대해 배우는 데 도움이 되었습니다.”

그런 다음 팀은 안전하게 착지할 수 있도록 최적화된 다리를 설계하는 작업을 시스템에 맡겼습니다. 그는 최적화 프로세스를 반복하여 결국 기계 바닥에 부착할 가장 성능이 좋은 설계를 선택했습니다. Kim과 그의 동료들은 AI로 설계된 기계가 기준선보다 훨씬 덜 자주 저하되어 84% 개선되었음을 발견했습니다.

로봇의 점프 및 착지 기술을 향상시키는 확산 모델의 능력은 다른 기계의 설계 방식을 향상시키는 데 유용할 수 있음을 시사합니다. 예를 들어, 제조 또는 가정용 로봇을 개발하는 회사는 유사한 접근 방식을 사용하여 프로토타입을 개선함으로써 일반적으로 변경 사항을 반복하는 데 할당되는 엔지니어의 시간을 절약할 수 있습니다.

부력 뒤의 균형

높이 뛰어오르고 안정적으로 착지할 수 있는 로봇을 만들기 위해 연구자들은 두 목표 사이의 균형을 유지해야 한다는 점을 인식했습니다. 그들은 점프 높이와 착지 성공률을 모두 수치 데이터로 표현한 다음 최적의 3D 구조를 생성하는 데 도움이 될 수 있는 두 임베딩 벡터 사이의 최적 지점을 찾도록 시스템을 훈련했습니다.

연구원들은 이 AI 보조 로봇이 인간이 설계한 로봇보다 성능이 뛰어나지만 곧 새로운 수준에 도달할 수도 있다고 지적합니다. 이 반복에는 3D 프린터와 호환되는 재료의 사용이 포함되었지만 향후 버전에서는 더 가벼운 재료를 사용하여 훨씬 더 높은 성능을 발휘할 것입니다.

공동 저자이자 MIT 박사 과정 학생이자 CSAIL 공동 작업자인 Tsun-Hsuan “Johnson” Wang은 이 프로젝트가 생성 AI가 도움을 줄 수 있는 새로운 로봇 설계의 출발점이라고 말합니다.

Wang은 “우리는 보다 유연한 목표를 향해 나아가고 싶습니다.”라고 말합니다. “머그잔을 집거나 전기 드릴을 작동할 수 있는 로봇을 설계하기 위해 확산 모델을 안내하기 위해 자연어를 사용한다고 상상해 보세요.”

Kim은 확산 모델이 관절을 생성하고 부품이 연결되는 방식을 고려하여 잠재적으로 로봇이 얼마나 높이 점프하는지 향상하는 데 도움이 될 수 있다고 말했습니다. 팀은 또한 기계가 점프하는 방향을 제어하고 착륙 안정성을 향상시키기 위해 더 많은 모터를 추가할 가능성도 모색하고 있습니다.

연구진의 작업은 부분적으로 국립과학재단(National Science Foundation)의 연구 및 혁신 분야 신흥 프론티어 프로그램, 싱가포르-MIT 연구 기술 연합의 Menes, Manus & Machina 프로그램, 광주 과학 기술 연구소(GIST)-CSAIL 협력의 지원을 받았습니다. 그들은 2025년 로봇공학 및 자동화에 관한 국제 컨퍼런스에서 자신의 연구 결과를 발표했습니다.