다른 로봇 경험 빌려 낯선 길 잰다…UNIST, 로봇 ‘눈’ 밝히는 연합학습 개발 작성일 09-03 76 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">소프트 군집화 적용한 단안 깊이 추정 기술 개발<br>드론·로봇 간 데이터 이질성 해소…오차 32% 감소<br>원본 유출 없는 분산 학습으로 보안·통신비 절감</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="VKMuEMUZCO"> <figure class="figure_frm origin_fig" contents-hash="de419469918927429803d8eb21514d13418fd7c839751326a0968e5b9c33fe7e" dmcf-pid="f9R7DRu5ys" dmcf-ptype="figure"> <p class="link_figure"><img alt="연합학습의 일종인 FeDepth의 구조. 연구그림=UNIST" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202609/03/seouleconomy/20260903102550905hgem.jpg" data-org-width="597" dmcf-mid="9x5m25rNlC" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202609/03/seouleconomy/20260903102550905hgem.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 연합학습의 일종인 FeDepth의 구조. 연구그림=UNIST </figcaption> </figure> <p contents-hash="047b893f1bf4ddf25702080054f9c9d718136dd0027c17dfe780afe7247f31d5" dmcf-pid="42ezwe71hm" dmcf-ptype="general">드론과 보행로봇 등 서로 다른 로봇들이 현장에서 얻은 시각 경험을 공유해 낯선 환경에서도 거리를 정확하게 가늠할 수 있도록 돕는 인공지능(AI) 기술이 개발됐다. 로봇 카메라의 원본 영상을 외부로 전송하지 않아 개인정보 침해와 통신비 부담을 덜면서도 자율주행 정밀도를 대폭 끌어올릴 수 있는 기술이다.</p> <p contents-hash="8c7911e4fc376d6a969b360eec41addfc2ccd5a3bab16fad5c228c0631be3e5c" dmcf-pid="8fJBmJqFvr" dmcf-ptype="general">울산과학기술원(UNIST)은 인공지능대학원 주경돈 교수팀이 윤성환 교수팀과 함께 로봇의 단안 깊이 추정 AI 모델을 정밀하게 학습시키는 새로운 연합학습 기술 ‘페뎁스(FeDepth)’를 개발했다고 3일 밝혔다.</p> <p contents-hash="8587bcf27753650d17e5232ff2fd48850ed20cd247525502a4cc85539de7f1fa" dmcf-pid="64ibsiB3Ww" dmcf-ptype="general">단안 깊이 추정은 고가의 복잡한 센서 없이 단일 카메라 영상만으로 물체와 공간 사이의 거리를 계산하는 기술이다. 로봇이 미지의 환경에서 안전하게 경로를 인식하려면 방대한 데이터 학습이 필수적이지만, 고해상도 영상을 중앙 서버로 모으는 기존 방식은 막대한 통신 비용과 개인정보 유출 위험이 뒤따랐다. 원본 데이터를 공유하지 않고 학습 결과만 주고받는 ‘연합학습’이 대안으로 떠올랐으나, 비행 드론과 실내 서빙로봇처럼 플랫폼과 시야각, 주변 환경이 완전히 다른 로봇 데이터를 하나로 단순 평균 내면 성능이 저하되는 한계가 있었다.</p> <p contents-hash="0af9dd987e4ea1abbde18b71ed0209d789a60e7af0449e37e03131c491c276c9" dmcf-pid="P8nKOnb0hD" dmcf-ptype="general">연구팀은 이 같은 데이터 이질성을 극복하기 위해 ‘소프트 클러스터링(유연 군집화)’ 기법을 도입했다. 로봇의 영상 특성을 요약한 정보를 비교해 유사한 환경을 경험한 로봇끼리 묶어 학습시키되, 한 로봇을 특정 그룹에 고정하지 않고 연관된 여러 그룹에 중복 참여하도록 설계했다. 예컨대 숲을 비행한 드론은 같은 숲을 누빈 사족보행로봇과 한 그룹을 이루는 동시에 도심을 비행한 드론과도 별도 그룹을 형성해 학습을 공유하는 방식이다. 이를 통해 상충되는 데이터의 왜곡은 차단하면서도 공통된 공간 특성을 빠짐없이 모델에 반영했다.</p> <p contents-hash="03f53f4b1d21faf716fe7bf141965b046754d41928c1637fda6dc339a5e66c63" dmcf-pid="Q6L9ILKpTE" dmcf-ptype="general">실증 실험 결과 페뎁스는 로봇 플랫폼과 주행 환경이 혼재된 조건에서 일반 연합학습 대비 거리 추정 상대 오차를 약 17~32% 줄였다. 기존 단일 그룹 배정 방식과 비교한 실험에서도 상대 오차가 0.264에서 0.249로 약 6% 감소했다. 10m 이내 근거리 실내 환경부터 최대 80m에 이르는 원거리 실외 환경까지 고른 성능 향상을 입증했으며, 서로 다른 구조의 단안 깊이 추정 AI 모델 3종 모두에서 동일한 개선 효과를 나타냈다.</p> <p contents-hash="b7301b8bca4261ca6cb90395c3861434c2fb0a5d1c009f3735f00aa09d170ae1" dmcf-pid="xPo2Co9UCk" dmcf-ptype="general">연구팀은 “페뎁스는 영상 원본을 주고받지 않고도 로봇 기종과 작업 환경의 차이를 반영해 효율적인 공동 학습을 구현한 기술”이라며 “자율주행차, 물류·배송, 서비스 로봇, 재난 구조, 산림 감시 등 다양한 무인 이동체 분야의 공간 인지 역량을 한 단계 높일 것”이라고 설명했다.</p> <figure class="figure_frm origin_fig" contents-hash="c0c2b0c412dec0129a48a2a3ed89390df829d863509f832f37f13aaa8f55c56a" dmcf-pid="yvtOftsACc" dmcf-ptype="figure"> <p class="link_figure"><img alt="로봇의 단안 깊이 추정 AI 모델을 정밀하게 학습시키는 새로운 연합학습 기술 ‘페뎁스(FeDepth)’를 개발한 연구진. 왼쪽부터 주경돈 교수, 이강현 연구원, 이인하 연구원. 사진제공=UNIST" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202609/03/seouleconomy/20260903102552224rike.jpg" data-org-width="1200" dmcf-mid="2PP0AP3GyI" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202609/03/seouleconomy/20260903102552224rike.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 로봇의 단안 깊이 추정 AI 모델을 정밀하게 학습시키는 새로운 연합학습 기술 ‘페뎁스(FeDepth)’를 개발한 연구진. 왼쪽부터 주경돈 교수, 이강현 연구원, 이인하 연구원. 사진제공=UNIST </figcaption> </figure> <p contents-hash="fc292f71307a5253a0222ddd4fe2d29eeb647004328a17bbd650d5039a2ff593" dmcf-pid="WTFI4FOclA" dmcf-ptype="general">이번 연구에는 이강현·이인하 연구원이 제1저자로 참여했다. 연구 성과는 컴퓨터 비전 분야 최고 권위 국제학술대회인 ‘유럽 컴퓨터 비전 학술대회(ECCV 2026)’에 채택돼 오는 9월 8일부터 12일까지 스웨덴 말뫼에서 공식 발표된다. 연구 수행은 과학기술정보통신부 정보통신기획평가원(IITP)과 한국연구재단(NRF)의 지원을 받아 이뤄졌다.</p> <p contents-hash="0f04b8e5b0e8db89803666d79b31723132dfc7b979795cbacf3aad68aed9a13f" dmcf-pid="YGUSQUlwCj" dmcf-ptype="general">울산=장지승 기자 jjs@sedaily.com</p> </section> </div> <p class="" data-translation="true">Copyright © 서울경제. 무단전재 및 재배포 금지.</p> 관련자료 이전 신상석 리드 플래너 "몬헌 나우, 3주년 맞아 진입장벽 완화…신규·복귀 안착 총력" 09-03 다음 [취재] 3주년 맞이한 몬스터헌터 나우, 화산으로 영역 넓힌 시즌 11 예고 09-03 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
