Core Concepts
로봇이 물리적 세계에서 효율적이고 강건하게 행동할 수 있도록 하기 위해서는 다양한 가능한 시나리오를 경험하고 생각해볼 수 있는 능력이 중요하다. 이를 위해 불확실성을 정량화하고 평가하는 방법이 필요하다.
Abstract
이 논문은 로봇 학습에서 불확실성의 중요성과 이를 정량화하는 방법에 대해 개괄적으로 설명한다.
불확실성은 로봇이 효율적으로 학습하고 강건하게 행동할 수 있도록 하는 데 중요한 역할을 한다. 로봇이 다양한 가능한 시나리오를 경험하고 생각해볼 수 있는 능력은 강건성과 일반화 능력을 향상시킨다. 그러나 모든 가능한 시나리오를 학습하는 것은 불가능하고 때로는 불필요할 수 있다. 따라서 로봇이 중요한 것과 그렇지 않은 것을 구별할 수 있는 능력을 갖추는 것이 중요하다.
불확실성은 측정 장치, 구동기, 인간 입력 등 물리적 한계, 모델의 한계, 부분적 관측, 환경 동역학, 도메인 변화 등 다양한 원인에서 발생할 수 있다. 이러한 불확실성을 정량화하기 위해서는 알레아토리 불확실성(고유 랜덤성)과 에피스테믹 불확실성(지식의 부족)을 구분하여 접근해야 한다.
불확실성을 정량화하는 다양한 방법들이 소개된다. 앙상블, 몬테카를로 드롭아웃, 라플라스 근사, 변분 추론, 마르코프 체인 몬테카를로, 컨포멀 예측 등이 대표적이다. 또한 이러한 불확실성 추정치의 정확성을 평가하기 위한 지표들도 제시된다.
마지막으로 불확실성을 활용하는 방법들이 논의된다. 지각, 표현, 계획, 제어 등 다양한 로봇 태스크에서 불확실성을 활용할 수 있다. 특히 불확실성은 로봇이 세계를 효과적으로 탐색하고, 강건한 정책을 학습하는 데 도움이 된다.
Stats
로봇의 위치 추정 시 GPS 신호 부족으로 인한 불확실성이 크다.
물체 탐지 시 경계 영역의 불확실성이 매우 높다.
로봇이 예측한 미래 상태에 대한 불확실성이 크다.
Quotes
"로봇이 물리적 세계에서 효율적이고 강건하게 행동할 수 있도록 하기 위해서는 다양한 가능한 시나리오를 경험하고 생각해볼 수 있는 능력이 중요하다."
"불확실성은 측정 장치, 구동기, 인간 입력 등 물리적 한계, 모델의 한계, 부분적 관측, 환경 동역학, 도메인 변화 등 다양한 원인에서 발생할 수 있다."