[논문 리뷰] Dissecting Robotics - historical overview and future perspectives

Irati Zamalloa, Risto Kojcev외 5명|arXiv (Cornell University)|2017. 04. 27.

Robot Manipulation and Learning참고 문헌 18인용 수 16

한 줄 요약

이 논문은 로봇공학의 개념적 기원부터 현대적 발전에 이르기까지 종합적인 역사적 검토를 제공하며, 기술적 성과, 통합 및 표준화 과제, 그리고 AI와 H-ROS와 같은 모듈러 하드웨어 프레임워크의 변혁적 역할을 강조한다. 향후 혁신을 이끄는 것은 개방형 상호운용 표준과 딥 뉴럴 네트워크를 통한 종단 간 학습이며, 이는 향상된 맞춤화, 비용 절감, 인간-로봇 협업 향상으로 인해 사회적 대규모 로봇 통합을 가능하게 할 것이다.

ABSTRACT

Robotics is called to be the next technological revolution and estimations indicate that it will trigger the fourth industrial revolution. This article presents a review of some of the most relevant milestones that occurred in robotics over the last few decades and future perspectives. Despite the fact that, nowadays, robotics is an emerging field, the challenges in many technological aspects and more importantly bringing innovative solutions to the market still remain open. The need of reducing the integration time, costs and a common hardware infrastructure are discussed and further analysed in this work. We conclude with a discussion of the future perspectives of robotics as an engineering discipline and with suggestions for future research directions.

연구 동기 및 목표

• 로봇공학의 진화를 사전 로봇 기계 시스템에서 현대의 AI 기반 로봇으로 추적하며, 중요한 기술적 및 개념적 성과를 부각한다.
• 로봇공학 분야에서 지속적으로 존재하는 과제, 즉 높은 통합 비용, 하드웨어 표준화 부족, 상호운용성을 제한하는 전용 통신 프로토콜을 식별한다.
• 특히 H-ROS를 포함한 개방형, 제조사에 종속되지 않는 하드웨어 및 소프트웨어 프레임워크를 주장하여 개발 시간 단축, 비용 절감, 혁신 가속화를 도모한다.
• 허위 기대의 과도기 영향이 로봇공학의 보급에 미치는 영향을 분석하고, 이 분야가 이제 다시 실용적 구현을 향한 새로운 추진력을 얻고 있는 ' enlightenment의 기울기' 단계로 진입했다고 주장한다.
• 딥 러닝이 전통적인 로봇 제어 파이프라인을 대체할 잠재력을 탐색하며, 종단 간 학습이 복잡한 로봇 행동 설계를 단순화하는 데 어떤 영향을 미치는지 살펴본다.

제안 방법

• 15세기부터 2017년까지의 로봇공학 역사적 분석을 수행하며, 네 가지 세대로 분류: 사전 로봇(1950년 이전), 첫 번째 조작기(1950–1967), 두 번째 세대 로봇(1967–1980), 세 번째 세대 로봇(1980–2017).
• 트랜지스터, 디지털 컴퓨터, 수치 제어 시스템, 집적 회로와 같은 핵심 기술적 요소들이 로봇 능력에 미친 영향을 매핑한다.
• 현재 산업용 로봇 생태계의 한계를 분석하며, 특히 PROFINET, ETHERCAT, Modbus TCP와 같은 전용 통신 프로토콜의 증가로 인해 개발 시간이 증가하고 상호운용성이 떨어진다는 점을 규명한다.
• H-ROS(Hardware Robot Operating System)를 하드웨어 추상화를 통합하는 해결책으로 제안하여 모듈러하고 상호교환 가능한 로봇 구성 요소를 가능하게 하고 통합 복잡성을 줄인다.
• 딥 뉴럴 네트워크가 기존 로봇 제어 파이프라인(상태 추정, 모델링, 계획, 저수준 제어)을 종단 간 학습을 통해 대체할 잠재력을 평가한다.
• Gartner의 허위 기대 순환곡선(Hype Cycle) 모델을 적용하여 로봇공학의 현재 성숙도를 평가하고, 이 분야가 과도한 기대의 정점에서 벗어나 ' enlightenment의 기울기' 단계로 진입했다고 결론 내린다.

실험 결과

연구 질문

• RQ1 15세기 이래의 주요 기술 발전이 로봇공학의 진화에 어떻게 기여했으며, 소설에서 산업적 현실로의 전환을 상징하는 핵심 성과는 무엇인가?
• RQ2 특히 하드웨어 통합, 비용, 통신 프로토콜 분열 문제로 인해 산업 분야에서 로봇공학의 광범위한 보급에 어떤 주요 장애물이 존재하는가?
• RQ3 H-ROS와 같은 개방형 표준 하드웨어 플랫폼이 로봇 시스템 간의 상호운용성을 향상시키고 개발 시간과 비용을 얼마나 줄일 수 있는가?
• RQ4 로봇공학의 현재 상태는 허위 기대 순환곡선과 어떻게 연관되어 있으며, 이 분야가 이제 ' enlightenment의 기울기' 단계에 진입했다는 주장을 뒷받침할 증거는 무엇인가?
• RQ5 딥 뉴럴 네트워크가 로봇공학의 다단계 제어 파이프라인을 효과적으로 대체할 수 있으며, 종단 간 학습은 향후 로봇 설계와 복잡성에 어떤 영향을 미치는가?

주요 결과

• 로봇공학 분야는 순수 기계적 시스템(1950년 이전)에서 시작하여 UNIMATE와 같은 프로그래머블 산업용 로봇(1960년대)을 거쳐 이제는 AI 통합형으로 적응 가능한 시스템으로 진화했다.
• 다소의 진전에도 불구하고 산업용 로봇공학은 PROFINET, ETHERCAT, Modbus TCP와 같은 전용 통신 프로토콜로 인해 여전히 제약을 받고 있으며, 이는 개발 시간 증가와 시스템 상호운용성 저하를 초래한다.
• 폐쇄형이고 상호운용성이 없는 시스템은 제조사에 종속되는 문제를 야기하며, 제조사가 추가적인 가치를 제공하지 않는 다수의 프로토콜을 지원해야 하는 불리함을 초래하고 혁신 속도를 저하시킨다.
• H-ROS는 하드웨어 추상화를 통합하는 유일한 계층으로서 모듈러하고 상호교환 가능한 구성 요소를 가능하게 하여 통합 시간과 비용을 줄이고, 개방성과 장기적인 시스템 가용성을 증진시킨다.
• 로봇공학 분야는 Gartner의 허위 기대 순환곡선에서 '과도한 기대의 정점'에서 벗어나 ' enlightenment의 기울기' 단계로 전환되었으며, 이는 실용적 보급 증가와 현실적인 기대치를 의미한다.
• 딥 뉴럴 네트워크는 기존의 다단계 로봇 제어 파이프라인(상태 추정, 계획, 제어)을 대체할 잠재력을 보이며, 종단 간 학습을 통해 복잡하고 적응 가능한 행동을 개발하는 데 있어 설계를 단순화할 수 있다.