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.
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.
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.
용어 해설
- 모델 예측 제어(Model Predictive Control)
- — 모델 예측 제어는 시스템의 동적 모델을 사용하여 미래의 거동을 예측하고 최적의 제어 입력을 결정하는 기법이다. 복잡한 제약 조건을 고려하면서도 최적의 성능을 낼 수 있어 로보틱스 분야에서 핵심적인 역할을 한다.
- 모방 학습(Imitation Learning)
- — 모방 학습은 전문가의 행동 데이터를 학습하여 AI 모델이 유사한 결정을 내리도록 훈련하는 방식이다. 복잡한 계산이 필요한 제어 알고리즘을 경량화된 신경망으로 압축하여 실시간 처리를 가능하게 하는 데 중요하다.
- 사카드(Saccade)
- — 사카드는 곤충이나 동물이 시야를 확보하거나 위치를 잡기 위해 수행하는 급격하고 빠른 움직임이다. 마이크로 로봇이 주변 환경을 인식하고 안정적으로 데이터를 수집하기 위해 반드시 구현해야 하는 생체 모방 비행 동작이다.
- 소프트 액추에이터(Soft Actuator)
- — 소프트 액추에이터는 유연한 재질을 사용하여 전기 신호를 물리적인 움직임으로 변환하는 장치이다. 마이크로 로봇의 인공 근육 역할을 하며, 기존의 딱딱한 모터보다 가볍고 충격에 강해 곤충 크기의 로봇 제작에 필수적이다.
기술
- Model Predictive Control
- Deep Learning
- Soft Actuators
- Python
활용 사례
- 수색 및 구조 임무
- 실내 농업 인공 수분
- 좁은 공간 환경 모니터링
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2025. 12. 04.수집 2026. 02. 21.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
