OpenAI 로보틱스 심포지엄 2019

OpenAI는 2019년 4월 27일에 첫 번째 로보틱스 심포지엄을 개최하여 복잡한 로봇 시스템을 구축하는 아이디어를 교환할 수 있는 다학제적 플랫폼을 만들었습니다. 이 행사는 로봇이 학습할 수 있도록 만드는 목표에 초점을 맞췄으며, OpenAI는 이를 로봇을 일상 생활에 통합하는 주요 경로로 식별합니다.

로봇 학습을 위한 기술적 접근법

여러 연구자들이 로봇이 기술을 습득하고 환경에 적응할 수 있도록 하는 다양한 방법론을 발표했습니다:

Sim2Real과 강화 학습

Wojciech Zaremba (OpenAI)는 "Learning Dexterity"에 대한 연구를 발표했는데, 이는 도메인 랜덤화와 메모리 증강 정책을 사용한 대규모 강화 학습과의 sim2real을 활용합니다. 이 접근법은 메타 학습을 가능하게 하여, 물리적 하드웨어에서의 훈련 없이 정책이 물리적 로봇으로 전이될 수 있도록 합니다.

플레이를 통한 자기 지도 학습

Pierre Sermanet (Google Brain)는 "플레이"가 표현 학습을 위한 자기 지도 학습을 제공한다고 설명하는 방법을 설명하는 방법을 제시했습니다. 이를 통해 로봇은 명시적인 라벨이나 보상 없이 재결합하여 새로운 작업을 해결할 수 있는 다양한 기술을 습득할 수 있습니다.

엔지니어링 학습 vs. 배포 학습

Leslie Kaelbling (MIT)는 "로봇 공장"(엔지니어링 시간)에서의 학습과 "야외"(배포 시간)에서의 학습을 구분하여 새로운 기술 습득을 용이하게 하는 지능형 로봇 구축 아키텍처를 논의했습니다.

런타임 적응

Jeff Clune (Uber AI / University of Wyoming)는 손상을 입었을 때 런타임에 빠르게 적응할 수 있는 로봇에 대한 Nature에 게재된 연구를 상세히 설명했는데, 이는 예기치 못한 환경 조건이나 물리적 고장에 대한 회복력을 높입니다.

인간-로봇 상호작용 (HRI)

심포지엄에서 발표된 연구는 로봇을 안전하고 socially 직관적으로 만들기 위한 경로(경로)에 초점을 맞췄습니다:

인간 행동 예측

Anca Dragan (UC Berkeley)는 인간이 "노이즈가 있는 합리적"이라는 가정을 넘어서는 인간 행동을 예측하는 프레임워크를 제안했습니다. 그녀의 프레임워크는 전략적 인간 행동과 체계적인 하위 최적성, 예를 들어 환경 물리학에 대한 인간의 지식 부족이나 변화하는 선호 등을 고려합니다.

사회-감정 지능

Jin Joo Lee (MIT / Amazon)는 로봇을 더 생동감 있게 만들기 위해 사회-감정 지능을 사용하는 것을 탐구했습니다. 이는 로봇이 인간의 감정 표현을 해석하고 유사한 감정 신호를 사용하여 소통할 수 있음을 포함합니다.

산업 격차와 실제 응용

Chris Atkeson (CMU)는 로봇 학습 연구와 실제 로봇 프로그래밍 실습 사이의 격차에 대한 비판적 분석을 제공했으며, 학습 로봇이 실제 응용에서 véritablement 유용하기 위해 필요한 조건들을 논의했습니다.

민첩성 시연

행사의 일환으로 OpenAI는 블록을 조작하는 휴머노이드 로봇 손의 라이브 시연을 수행했습니다. 이 시스템은 비전과 강화 학습을 활용하여 작업을 수행했습니다.

심포지엄 결과

OpenAI는 심포지엄이 전통적인 로봇공학과 딥러닝 로봇공학 사이의 긴장에 대한 새로운 내부 관점과 자기 지도 학습에 대한 새로운 아이디어를 이끌어냈다고 보고했습니다. 해당 조직은 로봇 문제 해결 접근법의 다양성에 대한 공통 이해를 촉진하기 위해 형식을 반복할 의향이 있으며, 잠재적으로 연례 행사로 진행할 계획입니다.