발달 로보틱스는 로봇과 인공 에이전트가 환경과의 점진적이고 개방적인 상호작용 과정을 통해 점점 더 복잡한 인지 및 운동 기술을 획득할 수 있는 방법을 연구하는 학제 간 연구 분야이다. 발달 로봇은 완전한 지식이나 기술로 사전 프로그래밍되기보다는 인간 유아와 아동과 유사한 방식으로 학습하고 발달하도록 설계되며, 발달 심리학, 인지 과학, 신경 과학에서 영감을 얻는다. 이 분야는 학습을 형성하는 데 있어 신체화, 상황성, 사회적 상호작용의 역할을 강조하며, 고정된 작업별 프로그래밍이나 대량의 사전 수집 데이터에 의존하는 전통적인 Artificial intelligence 접근 방식과 대조된다.
발달 로보틱스의 핵심 전제는 지능이 정적인 속성이 아니라 자기 조직화와 적응의 역동적 과정을 통해 출현한다는 것이다. 이러한 관점은 Curriculum Learning의 개념과 일치하며, 여기서 과제는 증가하는 복잡성으로 제시되지만 발달 로보틱스에서는 순서가 외부적으로 부과되지 않는다. 대신 에이전트의 자체 발달 단계와 내재적 동기가 다음에 탐색하고 학습할 내용을 결정한다. 이 분야는 또한 Neural network 연구, 특히 Deep learning 및 Reinforcement learning 패러다임의 아이디어를 통합하지만, 지속적이고 평생 학습과 여러 감각 및 운동 양식의 통합에 더 큰 중점을 둔다.
역사적 기초와 영향
발달 로보틱스의 지적 뿌리는 1950년대와 1960년대로 거슬러 올라갈 수 있으며, 초기 사이버네틱스와 단순한 탐색 행동을 보이는 자율 로봇을 구축한 윌리엄 그레이 월터와 같은 연구자들의 작업에서 비롯되었다. 그러나 이 분야는 1990년대 후반과 2000년대 초반에 로봇 하드웨어, 센서 기술, 계산 방법의 발전에 힘입어 별개의 학문으로서 구체화되기 시작했다. 주요 영향으로는 아동이 환경과의 능동적 상호작용을 통해 지식을 구성한다고 주장하는 발달 심리학자 장 피아제의 인지 발달 이론과 행동 유도성의 직접적 지각을 강조한 제임스 J. 깁슨의 생태 심리학이 있다.
획기적인 순간은 2009년 IEEE Transactions on Autonomous Mental Development 저널(이후 IEEE Transactions on Cognitive and Developmental Systems로 개명)의 창간으로, 이 분야 연구를 위한 전용 플랫폼을 제공했다. 이 분야는 또한 MIT CSAIL 및 기타 대학 연구소의 통찰력을 활용하며, 연구자들은 발달 연구를 위해 특별히 설계된 로봇 플랫폼을 개발했다. 예를 들어, 이탈리아 공과대학이 제작하고 2004년에 처음 공개된 iCub 휴머노이드 로봇은 어린이 같은 외형과 53개의 자유도를 갖추어 풍부한 감각운동 탐색을 가능하게 하며 발달 알고리즘 테스트의 표준 플랫폼이 되었다.
핵심 원리와 메커니즘
발달 로보틱스는 기존 로봇 프로그래밍과 구별되는 몇 가지 핵심 원리로 특징지어진다. 첫째, 신체화가 중심적이다. 로봇의 물리적 형태, 센서, 액추에이터가 학습을 형성하며, 모든 지식은 세계에서 행동하는 로봇 자신의 경험에 기반을 둔다. 둘째, 점진적 학습은 기술이 단계적으로 구축되며 초기 능력이 이후 능력의 기초가 된다는 것을 의미한다. 이는 종종 내재적 동기 메커니즘을 통해 구현되며, 로봇은 외부 작업 완료에 의해서만 보상받기보다는 새롭거나 적당히 도전적인 상황을 탐색하도록 유도된다.
셋째, 사회적 학습은 특히 언어와 복잡한 사회적 행동의 획득에서 중요한 역할을 한다. 로봇은 인간 돌봄 제공자를 모방하거나, 시선을 따르거나, 언어적 및 비언어적 피드백을 받음으로써 학습할 수 있다. 이는 돌봄 제공자가 학습자의 현재 능력에 맞게 과제 난이도를 조정하는 비계 설정 개념과 관련이 있다. 넷째, 자기 조직화가 강조되며, 이는 복잡한 행동이 중앙 제어기가 모든 행동을 지정하지 않고 단순한 국소 규칙과 상호작용에서 출현한다는 것을 의미한다. 이는 종종 Residual Network (ResNet) 및 U-Net 변형을 포함한 Neural network 아키텍처를 사용하여 모델링되지만, 발달 시스템은 일반적으로 지속적 학습과 가소성을 지원하는 아키텍처를 필요로 한다.
머신 러닝 및 AI와의 관계
발달 로보틱스는 로보틱스와 Machine learning의 교차점에 위치하지만, 주류 Deep learning의 여러 가정에 도전한다. 전통적인 지도 학습 및 Reinforcement learning 접근 방식은 종종 대규모 사전 수집 데이터 세트나 시뮬레이션 환경에서 수백만 번의 훈련 에피소드를 요구한다. 대조적으로, 발달 로봇은 제한된 감독과 노이즈 및 불확실성이 존재하는 상황에서 실시간 실제 세계 감각 데이터의 연속 스트림에서 학습해야 한다. 이는 온라인 학습, 호기심 기반 탐색, 모델 기반 강화 학습과 같은 영역에서 혁신을 이끌었으며, 여기서 로봇은 환경의 내부 모델을 구축한다.
이 분야는 또한 Large language model 연구와 순차 데이터 학습이라는 공통점을 공유하지만, 발달 로보틱스는 감각운동 경험에 기호를 grounding하는 것을 강조하며, 이는 순수 텍스트 기반 AI에서 largely 해결되지 않은 도전 과제로 남아 있다. Brendan Lake 및 Joshua Tenenbaum과 같은 연구자들은 인과 모델을 학습하고 인간 유아와 유사하게 소수의 예에서 일반화할 수 있는 시스템을 옹호하며 더 발달적인 AI 접근 방식을 주장해 왔다. 이러한 관점은 Generative AI 및 Transformer (architecture) 아키텍처의 최근 작업에 영향을 미쳤지만, 발달 로보틱스는 일반적으로 더 신체화되고 상호작용적인 학습 패러다임을 요구한다.
응용 및 현재 연구
발달 로보틱스는 여러 영역에서 실용적 응용을 가진다. 인간-로봇 상호작용에서 발달 원리는 자연스러운 상호작용을 통해 개별 사용자에게 적응하고 새로운 작업을 학습할 수 있는 로봇을 만드는 데 사용되며, 이는 가정 및 의료 환경의 서비스 로봇과 관련이 있다. 보조 기술에서 발달 로봇은 자폐 스펙트럼 장애 아동에게 예측 가능하고 매력적인 사회적 파트너를 제공하여 사회적 기술 발달을 장려할 수 있다. 산업 자동화에서 발달 접근 방식은 로봇이 명시적 프로그래밍 없이 유연한 조립 작업을 학습할 수 있게 하여 소량 제조에서 재프로그래밍 비용을 줄인다.
현재 연구 방향에는 내재적 동기와 심층 강화 학습의 통합, 무한한 수의 기술을 획득할 수 있는 개방형 학습 시스템 개발, 물리적 로봇에 배포하기 전에 시뮬레이션 환경에서 발달 알고리즘을 훈련하는 시뮬레이션-실제 전이 사용이 포함된다. 연구자들은 또한 발달 로보틱스가 환경이 예측 불가능한 Robotics 및 자율 주행과 같은 영역에서 더 견고하고 적응 가능한 AI 시스템 설계에 정보를 제공할 수 있는 방법을 탐구하고 있다. 이 분야는 Carnegie Mellon University, BAIR (Berkeley AI Research), Stanford AI Lab과 같은 기관의 주요 기여로 활발하게 유지되며, 기계가 학습하고 발달한다는 것이 무엇을 의미하는지의 경계를 계속 확장하고 있다.
도전 과제와 미래 방향
약속에도 불구하고 발달 로보틱스는 상당한 도전 과제에 직면한다. 주요 문제 중 하나는 실제 세계 학습의 샘플 복잡성이다. 로봇은 단순한 기술을 학습하기 위해서도 광범위한 물리적 상호작용이 필요하며, 이는 시간과 비용이 많이 든다. 또 다른 도전은 파괴적 망각으로, 새로운 기술을 학습하면 이전에 획득한 지식을 덮어쓸 수 있으며, 이는 지속적 학습 환경에서 특히 심각하다. 연구자들은 탄력적 가중치 통합 및 생성적 재생과 같은 해결책을 조사하고 있지만, 이는 여전히 활발한 연구 영역이다.
미래 방향에는 신경 가소성을 더 밀접하게 모방하는 생물학적으로 그럴듯한 학습 알고리즘 개발, 로봇 학습에 사회적 및 정서적 요인 통합, 잠재적으로 수개월 또는 수년에 걸친 장기적 시간 척도로 발달할 수 있는 로봇 생성이 포함된다. 또한 발달 로보틱스를 인간 인지 이해를 위한 프레임워크로 사용하는 데 대한 관심이 증가하고 있으며, 교육 관행과 치료에 정보를 제공할 가능성이 있다. 2020년대 중반 현재, 이 분야는 주류 AI에 비해 상대적으로 틈새 시장이지만, 그 통찰력은 진정으로 지능적이고 적응 가능한 기계를 구축하는 데 중요하다는 인식이 점점 커지고 있다.