신뢰의 해독: 머신러닝 모델이 로봇 협업 시 인간의 편안함을 예측하는 방법

신뢰의 해독: 머신러닝 모델이 로봇 협동 중 인간의 편안함을 예측하는 방법

산업 5.0이 인간 중심 제조로 초점을 전환함에 따라, 로봇이 인간의 신뢰도를 측정하는 능력은 중요한 안전 요구 사항이 되었습니다. Aalborg University와 Istituto Italiano di Tecnologia (IIT)의 연구진은 기계가 행동 신호를 해석할 수 있게 하는 데이터 기반 프레임워크를 개발하여, 로봇이 실시간으로 움직임을 조정하고 인간 작업자와 라포(rapport)를 형성할 수 있도록 했습니다. 전통적인 상호작용 후 설문 조사를 넘어, 연구팀은 기계가 물리적 움직임과 상호작용 매개변수를 통해 인간 신뢰라는 무형의 가치를 정량화할 수 있음을 성공적으로 입증했으며, 위험도가 높은 산업 환경에서 높은 수준의 예측 정확도를 달성했습니다.

산업 5.0의 진화

산업 환경은 현재 초효율성과 대량 자동화를 우선시했던 산업 4.0에서 더 미세한 목표를 지향하는 산업 5.0으로의 패러다임 전환을 겪고 있습니다. 이 새로운 시대는 인간 중심 제조를 강조하며, 여기서 협동 로봇(코봇)은 단순한 도구가 아니라 인간 작업자와 함께 일하는 파트너입니다. 이러한 전환은 작업장 안전, 인간공학 및 심리적 편안함에 대한 심도 있는 집중을 필요로 합니다. 협업 환경에서 '맹목적인' 자동화는 더 이상 충분하지 않습니다. 너무 빠르거나 작업자에게 너무 가까이 움직이는 로봇은 스트레스를 유발하고, 휴먼 에러를 초래하거나, 심지어 신체적 해를 끼칠 수 있기 때문입니다.

신뢰는 이러한 상호작용의 핵심입니다. 이 분야의 연구자들이 정의한 바에 따르면, 신뢰는 특히 불확실하거나 취약한 상황에서 에이전트가 개인의 목표를 지원할 것이라는 믿음입니다. 산업 현장에서 신뢰의 불균형은 위험합니다. 신뢰가 부족하면 작업자가 기계를 미세 관리(micro-manage)하게 되어 과부하가 걸릴 수 있고, 과잉 신뢰는 방심과 안전 위험으로 이어질 수 있습니다. 이를 해결하기 위해 Giulio Campagna와 Arash Ajoudani를 포함한 연구팀은 로봇이 이러한 미묘한 심리 상태를 감지하고 그에 따라 행동을 재조정할 수 있는 시스템을 구축하고자 했습니다.

신뢰 모델링의 메커니즘

최근 IEEE Robotics and Automation Letters에 발표된 이 연구의 핵심은 행동 지표를 통해 신뢰를 평가하도록 설계된 새로운 데이터 기반 프레임워크에 있습니다. 그 중심에는 선호 기반 최적화(Preference-Based Optimization, PBO) 알고리즘이 있습니다. 사용자의 선호를 추측할 수도 있는 기존 모델과 달리, PBO 알고리즘은 특정 로봇 궤적을 생성한 다음 작업자의 피드백을 적극적으로 요청합니다. 이는 특정 실행 시간이나 이격 거리와 같은 로봇의 어떤 움직임이 인간 파트너에게 신뢰할 수 있는 것으로 인식되는지 로봇이 학습하는 피드백 루프를 생성합니다.

이번 연구는 Aalborg University의 Human-Robot Interaction Lab 연구진과 함께 IIT의 Human-Robot Interfaces and Interaction Lab 소속 Marta Lagomarsino와 Marta Lorenzini를 포함한 다학제적 팀에 의해 수행되었습니다. 연구팀은 주관적인 인간의 감정을 수학적 상호작용 매개변수로 정량화함으로써 인간 심리와 로봇 제어 사이의 간극을 메웠습니다. 이 프레임워크는 로봇의 실행 시간, 인간과 기계 사이의 물리적 거리, 그리고 로봇의 말단 장치(end-effector)와 사용자의 머리 사이의 수직 근접성이라는 세 가지 주요 변수를 최적화합니다.

행동을 데이터로 변환하기

로봇 공학의 중요한 과제는 질적 관찰에서 양적 예측 모델링으로 전환하는 것입니다. 이를 극복하기 위해 연구진은 인간의 바디랭귀지와 로봇 자체의 움직임 모두에서 파생된, 신뢰 수준을 나타내는 특정 행동 지표를 식별했습니다. 인간 관련 요인은 전신 모션 캡처를 통해 추적되었으며, 주저함이나 편안함의 징후를 찾기 위해 머리와 상체를 모니터링했습니다. 이러한 지표들은 로봇의 운동 특성과 결합되어 협업에 대한 종합적인 관점을 제공했습니다.

연구진은 작업자의 명시적인 피드백을 '실측 자료(ground truth)'로 사용하여 머신러닝 모델이 신뢰의 물리적 특징을 인식하도록 훈련시켰습니다. 제1저자인 Giulio Campagna와 동료들은 로봇의 경로에 대응하여 인간이 움직이는 방식 사이의 역동적인 관계에 집중했습니다. 이 방법론을 통해 모델은 작업자가 능동적인 피드백을 제공하지 않을 때도 신뢰 선호도를 예측할 수 있으며, 침묵하는 물리적 행동을 로봇의 다음 움직임에 정보를 제공하는 풍부한 데이터 스트림으로 전환합니다.

사례 연구: 화학 산업 시뮬레이션

현실적인 고위험 환경에서 프레임워크를 테스트하기 위해 연구팀은 화학 물질을 혼합하는 위험한 작업이 포함된 시나리오를 구현했습니다. 이 시뮬레이션에서 로봇 매니퓰레이터는 화학 작용제를 붓고 운반하는 인간 작업자를 보조했습니다. 이 환경은 위험 가능성이 높고 따라서 신뢰의 필요성이 본질적으로 높기 때문에 특별히 선택되었습니다. 실험은 로봇이 PBO 알고리즘의 매개변수를 기반으로 다양한 궤적을 수행하는 동안 작업자의 전신 움직임을 추적하는 방식으로 진행되었습니다.

결과는 주목할만했습니다. 연구팀은 여러 머신러닝 모델을 평가했으며, 그중 '보팅 분류기(Voting Classifier)'가 84.07%라는 뛰어난 정확도를 기록했습니다. 더욱 인상적인 것은 이 모델이 높은 수준의 신뢰성과 서로 다른 신뢰 수준을 구별하는 강력한 능력을 나타내는 지표인 ROC 곡선 하단 면적(AUC-ROC) 점수 0.90을 기록했다는 점입니다. 이러한 수치들은 프레임워크가 단순히 추측하는 것이 아니라, 인간의 움직임과 내부 신뢰 상태 사이의 관계를 정확하게 해독하고 있음을 시사합니다.

작업장 안전에 대한 미래의 시사점

이 연구의 시사점은 실험실 그 너머까지 확장됩니다. 실시간 신뢰 감지 기능을 산업용 로봇에 통합함으로써 기업은 작업장 안전을 크게 향상시킬 수 있습니다. 작업자의 불편함을 감지한 로봇은 자율적으로 움직임을 늦추거나 거리를 벌려 작업자의 인지 부하와 스트레스를 줄일 수 있습니다. 이는 로봇이 최적의 신뢰 수준을 유지하기 위해 지속적으로 자신의 행동을 재조정하는 '폐루프(closed-loop)' 시스템을 구축하여, 종종 인간과 로봇 간의 마찰로 인해 발생하는 사고를 예방합니다.

또한, 연구에서 SHAP(SHapley Additive exPlanations) 값을 사용함으로써 AI에 설명 가능성을 더했습니다. 이를 통해 연구자들은 인간이 뒤로 물러나는 속도나 머리의 각도와 같은 어떤 행동 지표가 신뢰 점수에 가장 큰 영향을 미치는지 정확히 확인할 수 있습니다. Arash Ajoudani와 IIT 연구팀이 이러한 모델을 계속 정교화함에 따라, 초점은 개인화로 옮겨갈 것으로 보입니다. 미래의 시스템은 개별 작업자의 고유한 성격 특성과 정서적 반응에 적응하여 더 직관적이고 탄력적인 협업 생태계를 조성할 수 있을 것입니다. 산업 5.0의 세계에서 가장 효율적인 로봇은 곧 자신의 인간 파트너를 가장 잘 이해하는 로봇이 될 것입니다.