[논문 리뷰] Software Testing, AI and Robotics (STAIR) Learning Lab

Simon Haller-Seeber, Thomas Gatterer외 4명|arXiv (Cornell University)|2022. 04. 06.

Robotics and Automated Systems인용 수 4

한 줄 요약

STAIR 학습랩은 K-12 과학, 기술, 공학, 수학 교육을 위한 AI, 소프트웨어 테스트 및 교육용 로봇 기술을 통합한 이중 물리-시뮬레이션 로봇 플랫폼을 소개한다. 커스터마이징된 Sphero RVR와 Lynxmotion 암을 ROS와 함께 사용하여 Teachable Machine, SVM, YOLO 모델을 활용한 실시간 AI 훈련(예: 교통 표지판 인식)을 가능하게 하며, 디지털 트윈과 실제 하드웨어 간의 원활한 테스트를 지원한다.

ABSTRACT

In this paper we presented the Software Testing, AI and Robotics (STAIR) Learning Lab. STAIR is an initiative started at the University of Innsbruck to bring robotics, Artificial Intelligence (AI) and software testing into schools. In the lab physical and virtual learning units are developed in parallel and in sync with each other. Its core learning approach is based the develop of both a physical and simulated robotics environment. In both environments AI scenarios (like traffic sign recognition) are deployed and tested. We present and focus on our newly designed MiniBot that are both built on hardware which was designed for educational and research purposes as well as the simulation environment. Additionally, we describe first learning design concepts and a showcase scenario (i.e., AI-based traffic sign recognition) with different exercises which can easily be extended.

연구 동기 및 목표

• 티로리안 학교에서 교육용 로봇 기술과 AI 통합의 격차를 해소하기 위해 접근 가능하고 실습 중심의 학습 경험을 제공한다.
• 물리 컴퓨팅과 시뮬레이션 환경을 결합한 저비용, 내구성 있고 확장 가능한 로봇 플랫폼을 개발하여 AI 및 소프트웨어 테스트 교육을 지원한다.
• 블록 기반 프로그래밍에서 고급 머신러닝 모델 배포에 이르기까지 다양한 수준의 학습을 가능하게 하여 실물 및 가상 로봇에서의 교육 수준을 맞춘다.
• Sphero RVR와 Lynxmotion 암을 위한 표준화된 ROS 기반 소프트웨어 스택을 구축하여 재현 가능하고 테스트 가능하며 확장 가능한 교육 워크플로우를 보장한다.
• 증거 기반 교과 과정 개발과 교사가 참여한 자료 설계를 통해 학습 성과를 평가하고 향상시킨다.

제안 방법

• Sphero RVR를 이동 기반으로, Lynxmotion 4-도르의 암을 조작 기반으로, Nvidia Jetson Nano를 현장 AI 처리용으로 사용하여 하이브리드 로봇 플랫폼을 설계했다.
• 3차원 인식과 센서 융합을 위해 Intel RealSense D435 깊이 카메라를 통합하여 물체 검출 및 SLAM과 같은 고급 AI 작업을 가능하게 했다.
• 물리적 환경과 시뮬레이션 환경 간의 제어, 통신, 테스트를 통합하기 위해 표준화된 ROS 미들웨어 스택을 구축했다.
• Visual Studio Code와 IntelliJ IDEA용 ROS 플러그인을 통해 환경 간 실행을 가능하게 하여 다양한 테스트 프레임워크를 지원하는 자동화된 테스트를 구현했다.
• Teachable Machine(초보자용), SVM(중급자용), YOLO(고급자용) 모델을 활용한 AI 기반 교통 표지판 인식을 중심으로 다단계 학습 시나리오를 개발했다.
• 물리적 로봇의 동작을 그대로 반영하는 디지털 트윈 시뮬레이션 환경을 제공하여 둘 다에서 동일한 코드 실행과 테스트를 가능하게 했다.

실험 결과

연구 질문

• RQ1 통합된 물리-시뮬레이션 로봇 플랫폼은 K-12 학교에서 확장 가능하고 실습 중심의 AI 및 소프트웨어 테스트 교육을 어떻게 지원할 수 있는가?
• RQ2 접근 가능한 하드웨어를 사용할 때, 기본 모델 훈련에서 고급 딥러닝에 이르기까지 AI 개념을 소개하기 위한 가장 효과적인 단계별 학습 경로는 무엇인가?
• RQ3 ROS 기반 미들웨어는 물리적 및 시뮬레이션 로봇 환경 간 일관성 있고 테스트 가능하며 확장 가능한 소프트웨어 개발을 어떻게 가능하게 하는가?
• RQ4 저비용 오픈소스 로봇 구성 요소는 교육 현장에서 고급 AI 및 소프트웨어 테스트 작업을 얼마나 잘 지원할 수 있는가?
• RQ5 교사가 참여한 학습 설계와 증거 기반 평가가 로봇 기반 교육 프로그램의 효과를 어떻게 향상시킬 수 있는가?

주요 결과

• STAIR 학습랩은 Sphero RVR, Lynxmotion 암, Jetson Nano를 통합한 완전 기능을 갖춘 ROS 기반 로봇 플랫폼을 성공적으로 개발하여 실시간 AI 추론과 소프트웨어 테스트를 가능하게 했다.
• 플랫폼은 Teachable Machine에서의 데이터 수집 및 모델 훈련부터 실제 및 시뮬레이션 로봇에서의 배포 및 테스트에 이르기까지 종단 간 AI 워크플로우를 지원한다.
• 디지털 트윈의 사용 덕분에 둘 다에서 동일한 코드 실행과 테스트가 가능해져 소프트웨어 품질을 크게 향상시키고 디버깅 시간을 단축시켰다.
• 단계별 학습 접근 방식을 통해 초보자부터 고급 수준의 학생들이 블록 기반 프로그래밍에서부터 YOLO 모델 훈련 및 평가에 이르기까지 AI에 참여할 수 있게 되었다.
• VS Code와 IntelliJ IDEA 플러그인을 통한 ROS 기반 소프트웨어 스택은 자동화된 테스트와 버전 관리를 지원하여 강력한 소프트웨어 개발 관행을 보장한다.
• GMAR 여름 학교 참가자들을 대상으로 실시한 초도 테스트를 통해 플랫폼의 사용성과 핵심 소프트웨어 개선 사항을 확인하였으며, 향후 증거 기반 교과 과정 개발을 뒷받침했다.