MIT 연구진, AI 제어기로 곤충 수준의 민첩성을 갖춘 초소형 비행 로봇 개발

핵심 요약

전통적인 마이크로 로봇은 연산 능력의 한계와 복잡한 공기역학적 특성 때문에 느리고 단순한 궤적만 비행할 수 있었다. MIT 연구진은 모델 예측 제어(MPC)와 딥러닝 기반의 모방 학습(Imitation Learning)을 결합한 2단계 AI 제어 시스템을 개발하여 이 문제를 해결했다. 이 시스템은 복잡한 물리 모델을 경량화된 신경망으로 압축하여 실시간으로 고난도 기동을 수행하게 한다. 그 결과 로봇은 강한 바람 속에서도 11초 동안 10회의 연속 공중제비를 성공하며 실제 곤충에 필적하는 민첩성을 확보했다.

배경

모델 예측 제어(Model Predictive Control) 기초, 모방 학습(Imitation Learning) 개념, 로봇 동역학 및 공기역학 이해

대상 독자

로보틱스 연구자, AI 제어 알고리즘 개발자, 마이크로 시스템 설계자

의미 / 영향

이번 연구는 초소형 로봇이 실험실을 벗어나 실제 재난 현장이나 농장 등 복잡한 환경에서 활동할 수 있는 기술적 가능성을 열었다. 특히 연산 자원이 극도로 제한된 하드웨어에서 고성능 AI를 구동하는 새로운 제어 패러다임을 제시하여 마이크로 로봇 공학 분야의 전환점이 될 것으로 기대된다.

섹션별 상세

연구진은 고성능 물리 모델과 실시간 실행 효율성을 동시에 확보하기 위해 2단계 AI 제어 체계를 설계했다. 첫 번째 단계인 모델 예측 제어기(MPC)는 로봇의 동역학 모델을 사용하여 공중제비나 급회전 같은 복잡한 기동을 위한 최적의 경로를 계획한다. 하지만 MPC는 연산량이 너무 많아 초소형 로봇 하드웨어에서 실시간으로 구동하기 어렵다는 단점이 존재한다.

두 번째 단계에서는 모방 학습(Imitation Learning)을 통해 MPC의 성능을 딥러닝 모델로 압축했다. 전문가 역할을 하는 MPC가 생성한 최적의 비행 데이터를 학습 데이터로 사용하여 실시간 비행 정책(Policy)을 훈련시켰다. 이 과정을 통해 복잡한 최적화 계산 없이도 로봇의 위치 정보를 입력받아 즉각적인 추력과 토크 명령을 내릴 수 있는 가벼운 AI 모델이 완성됐다.

새로운 제어 시스템을 적용한 결과 로봇의 비행 성능이 비약적으로 향상됐다. 이전의 수동 튜닝 방식과 비교했을 때 비행 속도는 447%, 가속도는 255% 증가했다. 특히 11초 동안 10회의 연속 공중제비를 수행하는 동안 계획된 경로에서 오차가 4~5cm 이내로 유지될 만큼 정밀한 제어가 가능해졌다. 이는 초속 1m 이상의 바람 저항이 있는 환경에서도 안정적으로 유지됐다.

로봇은 젤리빈 크기에 종이클립보다 가벼운 무게로 제작되었으며 인공 근육을 이용해 날개를 고속으로 펄럭인다. 연구진은 곤충이 시각 정보를 안정화하기 위해 사용하는 급격한 피칭 및 정지 동작인 '사카드(Saccade)' 움직임도 구현했다. 이러한 생체 모방형 비행 거동은 향후 로봇에 카메라나 센서를 탑재했을 때 안정적인 데이터 수집을 가능하게 하는 핵심 요소이다.