MIT 연구진, AI 제어로 곤충처럼 민첩한 비행이 가능한 마이크로 로봇 개발

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

기존의 마이크로 비행 로봇은 복잡한 공기역학적 특성 때문에 느리고 단순한 궤적만 비행할 수 있었다. MIT 연구진은 모델 예측 제어(MPC)와 딥러닝 기반의 모방 학습을 결합한 2단계 AI 제어 프레임워크를 개발하여 이 문제를 해결했다. 이 시스템은 로봇의 속도를 447%, 가속도를 255% 향상시켰으며, 초속 1m 이상의 강풍 속에서도 11초 동안 10회의 연속 공중제비를 성공적으로 수행했다. 이 기술은 향후 수색 및 구조 작업이나 실내 농업의 인공 수분 등 좁은 공간에서의 정밀한 임무 수행에 기여할 것으로 기대된다.

배경

모델 예측 제어(MPC)의 기본 개념, 모방 학습(Imitation Learning)에 대한 이해, 기초 로봇 동역학 지식

대상 독자

로보틱스 및 AI 제어 시스템 개발자

의미 / 영향

이 연구는 계산 자원이 극도로 제한된 마이크로 로봇에서도 고성능 AI 제어가 가능함을 보여주었다. 이는 향후 재난 현장 수색이나 정밀 농업 분야에서 AI 에이전트의 활동 영역을 크게 확장할 것이다.

섹션별 상세

MIT 연구진은 곤충의 비행 능력을 모방하기 위해 고성능 계획 알고리즘과 효율적인 AI 모델을 결합한 2단계 제어 체계를 설계했다. 첫 번째 단계인 모델 예측 제어(MPC)는 로봇의 동역학 모델을 사용하여 미래 거동을 예측하고 최적의 비행 경로를 계획한다. 이 과정에서 충돌 방지를 위해 로봇이 가할 수 있는 힘과 토크의 제약 조건을 엄격히 고려한다. 이러한 고성능 플래너는 공중제비나 급회전 같은 고난도 기동을 안전하게 수행하는 기반이 된다.

사람의 손등 위에 놓인 젤리빈 크기의 마이크로 로봇 사진이다. — Photo로봇의 실제 크기가 매우 작음을 시각적으로 전달하여, 이 정도 규모에서 고성능 비행 제어를 구현하는 것이 어려운 과제임을 확인시킨다. 곤충과 유사한 크기와 날개 구조를 확인할 수 있다.

MPC는 성능이 뛰어나지만 실시간 실행에는 계산량이 너무 많기 때문에, 연구팀은 이를 '모방 학습(Imitation Learning)'을 통해 경량화된 딥러닝 모델로 압축했다. 이 과정을 통해 생성된 AI 정책(Policy)은 로봇의 위치 데이터를 입력받아 추력과 토크 명령을 실시간으로 출력한다. 강력한 컨트롤러의 지식을 효율적인 AI 모델에 주입함으로써 마이크로 로봇의 제한된 연산 자원에서도 복잡한 기동이 가능해졌다. 연구팀은 이 모방 학습 과정에서 견고한 훈련 데이터를 생성하는 방법이 기술의 핵심이라고 밝혔다.

새로운 제어 시스템을 적용한 결과, 로봇은 이전 모델 대비 속도가 약 4.5배, 가속도가 2.5배 증가하는 성과를 거두었다. 실험에서 로봇은 11초 만에 10회의 연속 공중제비를 수행했으며, 계획된 궤적에서 오차가 4~5cm 이내로 유지될 만큼 높은 정밀도를 나타냈다. 특히 초속 1m 이상의 강풍이나 전원 케이블의 간섭과 같은 외부 불확실성 환경에서도 안정적인 비행 능력을 입증했다. 이는 마이크로 로봇이 실제 야외 환경에서 직면할 수 있는 다양한 변수에 대응할 수 있음을 시사한다.

마이크로 로봇이 공중에서 'O'자 형태의 궤적을 그리며 비행하는 타임랩스 사진이다. — Photo로봇이 정밀한 제어를 통해 원형 궤적을 유지하며 비행할 수 있음을 입증한다. 이는 AI 컨트롤러가 복잡한 비행 경로를 안정적으로 추적하고 있음을 나타내는 시각적 증거이다.

마이크로 로봇이 공중에서 숫자 '8' 모양의 궤적을 그리며 비행하는 타임랩스 사진이다. — Photo단순한 원형 비행을 넘어 방향 전환이 빈번한 복잡한 8자 궤적 비행이 가능함을 입증한다. 로봇의 민첩성과 제어 알고리즘의 정교함을 잘 나타내는 사례이다.

팬에서 나오는 바람과 연기 속에서 비행하는 마이크로 로봇의 모습이다. — Photo초속 1m 이상의 강풍과 같은 외부 방해 요소가 있는 환경에서도 로봇이 안정적으로 비행을 유지할 수 있음을 나타낸다. 제어 시스템의 견고성을 테스트하는 실험 장면이다.

연구팀은 곤충이 급격히 가속하거나 감속하여 위치를 파악하는 '사카드(Saccade)' 비행 동작도 성공적으로 재현했다. 이러한 생체 모방 비행 동작은 향후 로봇에 카메라나 센서를 탑재했을 때 주변 환경을 더 명확하게 인식하고 안정적으로 데이터를 수집하는 데 중요한 역할을 한다. 현재는 외부 컴퓨터에서 제어 알고리즘이 실행되지만, 향후 온보드 센서와 카메라를 탑재하여 독립적인 비행이 가능하도록 연구를 지속할 계획이다. 또한 여러 대의 로봇이 서로 충돌하지 않고 협력하여 비행하는 군집 비행 기술에 대한 연구도 병행될 예정이다.

실무 Takeaway

복잡한 물리 모델 기반의 MPC를 모방 학습으로 압축하여 실시간성이 요구되는 마이크로 로봇 제어에 성공적으로 적용했다.
AI 제어 알고리즘 고도화를 통해 하드웨어의 한계를 극복하고 속도 447%, 가속도 255%라는 비약적인 성능 향상을 달성했다.
강풍이나 전원 케이블의 간섭과 같은 외부 불확실성 환경에서도 정밀한 곡예 비행이 가능함을 입증하여 실용화 가능성을 높였다.

언급된 리소스

논문Aerobatic maneuvers in insect-scale flapping-wing aerial robots via deep-learned robust tube model predictive control