로보틱스는 물리적 기계, 즉 로봇의 설계, 제작, 작동 및 프로그래밍을 다루는 공학과 컴퓨터 과학의 한 분야로, 로봇은 주변 환경을 감지하고 그 안에서 물리적 행동을 취한다. 로보틱스는 현대 인공지능보다 수십 년 앞서 1960년대부터 공장 바닥에 배치된 산업용 로봇 팔로 거슬러 올라가지만, 인식, 계획 및 제어가 수작업으로 코딩된 규칙에서 학습된 모델로 전환됨에 따라 이 분야는 점점 더 AI와 얽히게 되었으며, 이러한 융합은 종종 Embodied AI라는 더 넓은 주제 아래 논의된다.
산업용 로봇에서 학습 기반 로봇으로
1961년 제너럴 모터스 공장에 설치된 유니메이트 팔과 같은 초기 산업용 로봇은 엄격히 통제된 환경에서 고정된 사전 프로그래밍된 동작 시퀀스를 통해 작동했으며, 구조화되지 않은 세계에 대한 인식이 필요하지 않았다. 1980년대와 1990년대의 연구용 로봇 공학은 Rodney Brooks의 서브섬션 아키텍처 로봇과 같은 프로젝트로 대표되며, 상징적 계획의 대안으로 반응적이고 센서 기반의 제어를 탐구했다. 2004년과 2005년의 DARPA Grand Challenge 대회는 자율 차량이 사막을 주행하도록 하는 과제를 부여했으며, 현대 로봇 인식 및 계획 연구를 촉발하고 Self-driving car 산업을 싹틔운 것으로 널리 인정받는다. 이후 20년 동안 Computer vision과 Reinforcement learning은 파지, 보행 및 내비게이션과 같은 작업에서 수작업으로 설계된 규칙을 점차 대체했으며, 주로 시뮬레이션에서 훈련된 로봇이 물리적 세계에서 어느 정도 일반화할 수 있게 했는데, 이러한 전이를 일반적으로 sim-to-real이라고 한다.
AI 기반 인식 및 제어
현대 로보틱스는 AI의 다른 분야에서 사용되는 것과 동일한 Deep learning 기법을 크게 활용한다. Convolutional neural network 및 이후의 Vision-language model 시스템은 로봇에게 객체와 장면을 인식하는 능력을 부여한다. 강화 학습과 모방 학습(로봇이 기록된 인간 시연을 모방하여 학습하는 방식)은 제어 정책을 훈련하는 데 사용되며, 2020년대 초부터 비전-언어-행동(VLA) 모델은 대규모 사전 훈련된 비전-언어 모델 백본과 로봇 모터 명령을 직접 생성하는 출력 헤드를 결합하여 단일 모델이 다양한 물리적 작업에서 자연어 지시를 따를 수 있게 했다. 이는 기존 로보틱스 연구소와 새로이 이 분야에 진입한 AI 기업들이 모두 추구하는 범용 로봇 기반 모델의 물결을 만들어 냈다.
응용 분야
산업용 및 창고 로보틱스는 여전히 가장 큰 배치 기반을 차지하며, 로봇 팔과 자율 이동 로봇은 제조 및 물류에서 널리 사용되고 있으며, 아마존과 같은 기업이 운영하는 대규모 물류 센터도 포함된다. 다빈치 시스템으로 대표되는 수술용 로보틱스는 원격 조작 기기를 통해 외과의사의 정밀도를 확장한다. 농업용 로봇은 수확과 작물 모니터링을 처리하며, 가정용 로봇(가장 성공적인 것은 로봇 청소기)은 현재까지 가장 널리 채택된 소비자 카테고리를 대표한다. 인간이 설계한 환경에서 범용 작업을 목표로 하는 Humanoid robot 플랫폼과 Self-driving car 시스템은 2020년대 중반 현재 이 분야에서 가장 자본 집약적이고 주목받는 최전선을 나타낸다.
과제
AI의 빠른 진보에도 불구하고 로보틱스는 순수 디지털 AI 응용보다 역사적으로 더 느리게 발전해 왔으며, 이러한 격차는 때때로 모라벡의 역설로 요약된다. 불규칙한 모양의 물체를 집거나 고르지 않은 지형을 걷는 것과 같이 인간에게는 사소한 작업이 기계에게는 여전히 어려운 반면, 복잡한 계산과 같이 인간에게는 어려운 작업은 컴퓨터에게 비교적 쉬운 것이다. 물리적 로봇은 또한 순수 소프트웨어 기반 AI 시스템이 겪지 않는 제약에 직면한다. 여기에는 하드웨어 비용, 내구성, 인간 주변에서의 안전, 그리고 현대 Large language model 및 Text-to-image generation 시스템을 훈련시킨 인터넷 규모의 텍스트 및 이미지 코퍼스에 필적하는 크고 다양한 실제 세계 훈련 데이터를 수집하는 어려움이 포함된다.