AI를 아는 것에서, 풀 수 있는 것으로
이 레슨과 관련된 학습 키워드
2004년, DARPA는 모하비 사막 240km를 자율주행하는 그랜드 챌린지를 개최했습니다. 15대의 로봇 중 완주한 차량은 단 한 대도 없었습니다. 가장 멀리 간 차량이 11.78km — 전체 경로의 5%에 불과했습니다. 이듬해 2005년, 스탠퍼드의 Stanley가 마침내 완주에 성공했습니다.
이 도전이 보여주는 것은 자율 내비게이션(autonomous navigation)이 로봇공학에서 얼마나 근본적이고 어려운 문제인지입니다.
내비게이션은 단순히 "A에서 B로 가라"가 아닙니다.
로봇은 자신이 어디에 있는지 알아야 하고(localization), 주변 환경이 어떻게 생겼는지 파악해야 하며(mapping), 장애물을 피하면서 효율적인 경로를 찾아야 하고(path planning), 예상치 못한 변화에 실시간으로 대응해야 합니다(reactive control). 이 네 가지가 동시에, 끊임없이 작동해야 합니다.
전통적 내비게이션은 모듈형 파이프라인입니다. SLAM으로 지도를 만들고, 전역 플래너가 경로를 계획하고, 지역 플래너가 장애물을 회피하고, 모터 컨트롤러가 실행합니다. 각 모듈은 독립적으로 잘 이해되지만, 모듈 간 오류 전파가 문제입니다. SLAM의 작은 오차가 플래너의 큰 실수로 이어질 수 있습니다.
반면 학습 기반 내비게이션은 센서 입력에서 행동 출력까지를 하나의 신경망으로 매핑합니다. 이번 레슨에서는 두 접근의 장단점, 그리고 이 둘을 결합하는 최신 하이브리드 방법을 체계적으로 탐구합니다.