KAIST 신효상 교수 연구팀은 로봇과 같은 자율 시스템의 위치 추정을 위한 뇌 모방 모델을 개발했다. 이 모델은 뇌과학과 확률적 추론을 결합해, 센서 정보가 움직임 예측과 크게 충돌하는 불확실한 환경에서도 안정적인 추정 성능 유지한다.

사람이나 동물이 공간을 이동할 때마다, 뇌는 다양한 감각 정보를 종합하여 자신의 정확한 위치를 끊임없이 계산한다. 이를 설명하는 대표적인 생물학적 모델이 연속 어트랙터 신경망(CANN)이다. 이 모델에서 공간 정보는 연속적인 신경장 위에 국소적으로 솟아오른 형태의 신경 활동인 범프(bump)로 표현된다. 이를 내부 지도 위를 움직이는 작은 언덕에 비유할 수 있다. 언덕의 중심 위치는 추정된 위치를, 높이는 그 추정에 대한 확신 정도를 나타낸다.

생물학적 시스템이 지속적으로 자신의 위치를 추적하는 것과 마찬가지로, 자율주행 차량이나 로봇 또한 위치를 정확하게 추정해야 한다. 이들은 "나는 지금 어디에 있는가?"라는 기본적인 질문에 답해야 한다. 일반적인 조건에서 시스템은 움직임 예측과 센서 측정값을 결합하여 위치를 상당히 잘 추정한다. 하지만 센서 관측값이 내부의 움직임 예측과 충돌할 때 심각한 문제가 발생한다. 이러한 충돌 상황에서 기존의 가우시안 필터는 예측과 관측을 하나의 타협된 추정치로 결합하는데, 이는 종종 추정된 위치를 잘못된 방향으로 치우치게 만든다. 파티클 필터는 다중 가설을 표현하여 이를 해결하고자 시도한다. 그러나 예측과 관측의 차이가 크게 벌어질 때, 시스템이 가진 유한한 파티클은 빈번하게 고갈되고 만다.

이 문제를 해결하기 위해 신효상 교수 연구팀은 강건한 공간 상태 추정을 위한 2차원 베이지안 CANN을 개발했다 (개념적 시각화는 그림 1 참조). 연구팀은 CANN의 범프 동역학이 정보 형태의 칼만 필터와 일치할 수 있음을 해석적으로 보였다. 이를 통해 뇌 모방 신경망을 단순한 정성적 신경 모델이 아니라 원리에 기반한 베이지안 추정기로 정립했다.

이 새로운 뇌 모방 프레임워크는 극심한 감각 충돌 상황에서 기존 필터들이 가진 한계를 극복한다. 베이지안 CANN은 충돌하는 데이터를 단일 추정치로 섣불리 융합하거나 유한한 샘플에 의존하는 대신, 먼저 신경망의 연속적인 필드 위에서 선형 중첩을 통해 상충되는 정보를 먼저 수용한다. 그런 다음 비선형 어트랙터 동역학을 사용하여 넓게 퍼져있는 신뢰도 낮은 활성 상태를 능동적으로 억제한다. 그림 2의 마찰력 상실(미끄러짐) 시뮬레이션에서 제안한 방법은 칼만 필터 대비 슬립 구간 오차를 61.7%, 최적 제안 파티클 필터 대비 24.2% 감소시켜 가장 낮은 위치 오차를 기록했다.

공학적 관점에서 이 연구가 갖는 의의는 CANN이 뇌를 모방한 모델을 넘어 강인한 상태 추정을 위한 구조화된 베이지안 추정기로 해석될 수 있다는 점에 있다. 이 프레임워크는 불확실성을 표현하고 해소하는 새로운 방식을 제시함으로써, 예측하기 어려운 조건에서도 자율 시스템이 신뢰도 높은 상태 추정 결과를 유지하도록 돕는다.

본 연구는 현재 Nature Communications의 동료심사를 거쳐 현재 수정 중이다. "강건한 공간 상태 추정을 위한 2차원 베이지안 연속 어트랙터 신경망"이라는 제목의 프리프린트 논문은 온라인에서 확인할 수 있다 (https://doi.org/10.21203/rs.3.rs-9897709/v1).