시사위크=박설민 기자 지구의 바다는 93%가 ‘심해(深海)‘다. 200m 이상의 깊은 바다인 이곳은 빛도, 전파도 통과하기 힘들다. 이는 케이블, 원격조종으로 운영하는 ‘수중로봇‘도 제 성능을 발휘하기 어렵다는 의미다. 수중로봇에 탑재된 ‘인공지능(AI)’도 마찬가지다. 통신이 끊기면 AI의 실시간 작동에 어려움이 발생할 수도 있다. 자율주행기술이 탑재된다 하더라도 통신이 끊기면 수중로봇이 돌아올때까지 막연히 기다려야 한다. 그렇다면 이 같은 문제를 해결하기 위해선 수중로봇에 어떤 AI기술을 탑재해야 할까.
◇ 수중로봇 발전, 핵심은 ‘인공지능’
19일 개최된 ‘2024 제2회 해양수산과학기술혁신포럼’에서 윤경식 미항공우주국(NASA) 제트추진연구소 책임연구원도 “지구 바다뿐만 아니라 화성 등 우주의 다른 행성 바다 탐사도 이뤄지면서 해양 탐사용 수중로봇의 자동화는 이제 선택이 아닌 필수가 되고 있다”며 “따라서 AI기반 수중로봇 기술력 확보가 중요해지고 있다”고 강조했다.
윤경식 책임연구원이 꼽은 핵심 AI기술은 ‘온 보드 AI(On-Board AI)’다. 온 보드 AI란 특정 장치, 시스템에 내장된 AI다. 이 AI는 장치 내에서 독립적인 데이터 처리 및 의사 결정이 가능하다. 이와 매우 유사한 개념이 바로 최근 삼성전자 등 모바일 업계에서 AI스마트폰 제작에 사용하는 ‘온 디바이스(On-device) AI’다.
심해 탐사 수중로봇에 있어 온 보드 AI가 효과적인 이유는 통신에 자유롭다는 점이다. 일반적으로 AI는 중앙컴퓨터로부터 데이터·연산을 지원받는 ‘클라우드 AI’ 타입이다. 이 경우 대규모 컴퓨팅 자원을 통한 높은 수준의 기술 구현이 가능하지만 통신 연결 및 지연 등은 한계다. 반면 하드웨어 장치에서 직접 AI를 구동하는 온 보드 AI는 통신 지연 문제 등이 발생하지 않는다. 따라서 극한의 심해 환경에서 사용하기에 적합하다.
윤경식 책임연구원은 “우주, 심해 등 극한 환경의 탐사를 위한 고성능, 저전력의 새로운 기술들이 개발되고 있다”며 “향후 수중로봇분야의 온 보드 AI시스템에 대한 요구와 기회가 늘어날 것이라 생각된다”고 말했다.
온 보드 AI와 함께 필요한 AI기술은 ‘머신러닝운영(MLops, Machine Learning Operations)’이다. MLOps는 AI학습 알고리즘인 머신러닝(Machine Learning)과 개발운영 협업 체계를 의미하는 ‘DevOps’의 합성어다. 머신러닝 AI모델의 안정적·효율적 배포, 유지를 목표로 하는 개념이다.
윤경식 책임연구원은 “온 보드 AI 역시 지속적으로 머신러닝운영(MLops, Machine Learning Operations) 개념으로 지속적으로 업데이트하는 것도 가능할 것”이라며 “NASA 역시 MLops와 온 보드 AI를 결합해 실시간으로 수집되는 데이터를 활용, 모델을 지속적으로 발전시키는 방향으로 수중로봇을 개발 중”이라고 말했다.
◇ 해저 지형 정확한 분석 위한 ‘이미지 센싱’도 필수
다만 자율주행 수중로봇 기술은 아직 초창기 단계인 만큼 개선 과제도 산더미다. 가장 큰 문제는 ‘이미지 센싱’이다. 해저 환경에서 로봇의 안정적 자율주행을 위해선 해저 지형의 정확한 파악이 핵심이다. 그러나 빛이 없고 높은 수압과 강한 물살 등 극한 환경에서는 로봇센서가 제대로 작동하지 않을 가능성이 높다.
포럼에서 발표를 진행한 신재정 미국 플로리다 대학교 기계항공공학부 교수는 “수중 환경은 통신 환경이 상당히 제한적일 수밖에 없어 GPS, 위치추적 등이 어렵다”며 “때문에 수중로봇은 다른 로봇들에 비해 데이터 정확도가 떨어지고 오류를 수정하는데 긴 시간이 소요된다”고 말했다.
이런 문제를 극복하기 위해 신재정 교수가 고안한 기술은 ‘인지를 위한 경로계획(Planning for perception)’이다. 이는 주변 상황 인지에 도움이 되도록 로봇을 작동시키는 알고리즘이다. 쉽게 말해 로봇을 움직여서 센서가 가장 필요한 정보를 얻도록 하는 것이다.
작동 원리는 다음과 같다. 바닷속의 원기둥 모양 물체를 로봇은 센서로 이를 관측한다. 그 다음 ‘원기둥 모양’이라는 데이터를 도출한다. 이때 정확도를 높이기 위해 로봇은 물체의 다른 방향으로 이동, 다시 한 번 모양을 관측한다. 이 정보를 앞서 얻은 데이터와 결합·분석해 최종적으로 관측 물체의 모양을 도출하게 된다.
신재정 교수는 “깊은 해저에서는 같은 물체여도 관측하는 방향에 따라 얻어지는 정보가 다른 경우가 많다”며 “이를 정확히 파악하기 위해선 여러 이미지 데이터를 확보해 분석해야 하는데 작업시간이 늘어날 수 있다”고 말했다.
이어 “인지를 위한 경로계획은 이 데이터 확보 시간을 가장 크게 단축할 수 있는 경로를 찾아내는 알고리즘”이라며 “이 기술을 수중로봇에 적용한 결과 기존 센싱 기술보다 높은 정확도를 얻으면서도 운항 시간은 11~51% 단축할 수 있었다”고 설명했다.
댓글0