로봇 학습 시연에서 참여 신호가 인간 인식에 미치는 영향 분석

초록

본 연구는 로봇 학습 시연(RLfD) 과정에서 로봇이 주는 ‘관심(attention)’·‘모방(imitation)’·‘혼합(hybrid)’ 세 종류의 참여 신호가 인간 교사의 인식, 기대, 시연 품질 평가에 미치는 효과를 시뮬레이션 기반 사용자 실험을 통해 조사한다. 제안된 즉시 주의(Instant attention)와 근사 모방(Approximate imitation) 알고리즘을 활용해 로봇이 실시간으로 참여를 표현하도록 설계했으며, 실험 결과 모방 신호가 가장 큰 영향을 주고, 혼합 신호가 전반적으로 가장 긍정적인 평가를 이끌어냈다.

상세 분석

이 논문은 로봇 학습 시연(RLfD) 분야에서 인간 교사의 행동을 어떻게 유도할 수 있는가에 초점을 맞추었다. 기존 RLfD 연구는 주로 정책 추출 알고리즘에 집중했으며, 로봇이 시연 과정에서 어떠한 비언어적 신호를 보이는지는 거의 다루지 않았다. 저자들은 교육학에서 밝혀진 ‘학습자 참여(engagement)’ 개념을 차용해, 로봇이 인지적 참여(주의)와 행동적 참여(모방)를 시연 단계에서 표현하도록 설계하였다.

먼저 ‘즉시 주의(Instant attention)’는 파티클 필터를 이용해 인간 강사의 관절 움직임을 실시간으로 추적하고, 예측 오차가 큰 관절을 로봇의 주의 포인트로 선택한다. 이는 인간 시각 주의 모델(초기 균등 분포 → 특정 영역 집중)과 일치한다. 두 번째 ‘근사 모방(Approximate imitation)’은 인간 관절의 변환 형태(회전·이동)를 로봇 관절에 매핑하는데, 완전한 모방이 아니라 주요 회전만을 추출해 로봇이 제한된 자유도 내에서 따라하도록 설계했다. 이렇게 두 알고리즘을 조합해 ‘주의’, ‘모방’, ‘혼합’ 세 가지 참여 모드를 구현하였다.

실험은 가상 환경에서 동일한 시연 데이터를 사용하면서 로봇의 행동만을 변형시킨 within‑subject 디자인으로 진행되었다. 피험자들은 로봇이 ‘참여’를 보이는지 여부에 따라 로봇의 학습 능력, 최종 성과에 대한 기대, 시연 품질에 대한 평가가 달라지는지를 측정했다. 결과는 다음과 같다. (1) 참여 신호가 있는 로봇은 전반적으로 더 높은 학습 능력 추정치를 받았다. (2) 모방 신호가 주의 신호보다 인간 인식에 더 큰 영향을 미쳤으며, 특히 기대치와 시연 품질 평가에서 차이가 두드러졌다. (3) 혼합 신호는 두 신호의 장점을 모두 취해 가장 높은 긍정적 평가를 얻었다. 흥미롭게도 실제 학습 알고리즘이 적용되지 않았음에도 불구하고, 인간은 로봇의 ‘참여’를 학습 가능성으로 착각했다는 점이 강조된다.

이 연구는 로봇‑인간 상호작용에서 비언어적 참여 표현이 인간의 인지적 편향을 유발한다는 중요한 시사점을 제공한다. 특히 RLfD와 같은 협업 학습 시나리오에서 로봇이 단순히 수동적인 존재가 아니라 ‘학습자’로서의 존재감을 드러내면, 인간 교사의 피드백 양식과 시연 품질이 향상될 가능성이 있다. 다만, 현재는 시뮬레이션 환경과 제한된 시연 유형에 국한되었으며, 실제 물리 로봇과 다양한 작업에 대한 검증이 필요하다. 또한, 참여 신호가 과도하게 과장될 경우 인간의 기대와 실제 성능 사이의 격차가 발생할 위험도 논의되어야 한다.