진화하는 기호 제어기

초록

기호 제어기의 아이디어는 브룩스의 서브섬션 아키텍처가 제시하는 상향식 수동 설계와, 진화 로봇공학에서 표준화된 설계자 없는 하향식 접근 사이의 간극을 메우는 것이다. 설계자는 기본 행동 집합을 제공하고, 진화 과정은 이들을 조합해 복잡한 과제를 해결하도록 목표를 설정한다. 두 실험을 통해 이 접근법의 효율성과 재귀성을 입증했으며, 특히 기본 행동에 대한 민감도와 최종 제어기의 일반화에 대한 강인성을 상세히 조사하였다.

상세 요약

본 논문은 로봇 제어 설계 분야에서 오래된 두 패러다임, 즉 인간 설계자가 직접 계층적 구조를 정의하는 서브섬션 아키텍처와, 진화 알고리즘이 스스로 행동을 탐색·조합하는 진화 로봇공학(Evolutionary Robotics, ER) 사이의 중간 지점을 찾고자 한다. 이를 위해 ‘기호(symbolic) 행동’이라는 개념을 도입한다. 설계자는 로봇이 수행할 수 있는 가장 기본적인 행동—예를 들어 전진, 회전, 장애물 회피 등—을 미리 정의하고, 이를 ‘기호’라는 형태로 캡슐화한다. 이러한 기호는 인간이 이해하기 쉬운 수준의 추상화이면서도, 진화 알고리즘이 직접 조작할 수 있는 이산적인 유전자를 제공한다는 점에서 독특하다.

진화 과정에서는 유전자가 이러한 기호들을 어떤 순서와 조건으로 호출할지를 결정한다. 즉, 진화는 ‘어떤 기호를 언제, 어떤 감각 입력에 따라 실행할 것인가’를 최적화한다. 이 접근법은 전통적인 신경망 기반 진화와 달리, 행동의 의미가 명시적으로 보존되므로 해석 가능성이 크게 향상된다. 또한, 설계자가 제공한 기호 집합이 충분히 풍부하면, 진화는 복잡한 행동을 단순한 조합으로 재구성함으로써 학습 속도를 크게 단축시킬 수 있다.

논문에서 제시한 두 실험은 첫째, 기본 행동 집합을 변화시켰을 때 진화된 제어기의 성능 변화를 측정함으로써 ‘민감도(sensitivity)’를 평가하였다. 결과는 특정 핵심 기호(예: 장애물 회피)가 누락되면 성능이 급격히 저하되지만, 다수의 보조 기호가 존재하면 대체 경로를 찾아내는 복원력이 있음을 보여준다. 둘째, 학습에 사용되지 않은 새로운 환경이나 장애물 배치에 대해 테스트함으로써 ‘일반화(generalization)’ 능력을 검증하였다. 여기서도 기호 기반 제어기가 전통적인 블랙박스 신경망보다 높은 성공률을 기록했으며, 이는 기호가 환경 변화에 대한 규칙성을 보다 명확히 포착하기 때문이다.

이러한 결과는 몇 가지 중요한 시사점을 제공한다. 첫째, 설계자가 제공하는 기호 집합이 로봇의 작업 도메인에 대한 도메인 지식을 효과적으로 인코딩한다면, 진화는 그 지식을 재사용·재조합함으로써 학습 효율을 극대화한다. 둘째, 기호 기반 구조는 해석 가능성과 디버깅이 용이하므로, 실제 산업 현장에서 안전성 검증과 인증 절차를 간소화할 수 있다. 셋째, 재귀적인 설계—즉, 진화된 제어기가 다시 새로운 기호를 생성하거나 기존 기호를 변형하는 메커니즘—를 도입하면, 시스템은 스스로 행동 집합을 확장하며 점진적인 복잡도 상승을 달성할 수 있다.

향후 연구 방향으로는 (1) 자동으로 기호를 추출·정제하는 메타-진화 기법, (2) 다중 로봇 협업 상황에서 기호 교환을 통한 분산 학습, (3) 심층 강화학습과의 하이브리드 구조를 통한 연속적인 제어와 이산적인 기호 선택의 통합 등을 제안한다. 이러한 확장은 기호 기반 진화 제어가 복잡하고 동적인 실제 세계 로봇 시스템에 적용될 수 있는 기반을 마련할 것으로 기대된다.