3일 UNIST에 따르면 인공지능대학원 주경돈 교수팀은 로봇의 단안 깊이 추정 AI 모델을 학습시키는 새로운 연합학습 기술 '페뎁스(FeDepth)'를 개발했다.

단안 깊이 추정은 한 대의 카메라로 촬영한 영상만을 이용해 물체까지의 거리와 공간의 깊이를 계산하는 기술이다. 로봇에 적용하면 라이다나 복수의 카메라 등 복잡한 센서 장비 없이도 주변 환경과 장애물까지의 거리를 파악할 수 있다.

깊이 추정 AI가 처음 접하는 공간에서도 정확한 판단을 내리려면 다양한 환경에서 수집한 데이터를 충분히 학습해야 한다. 그러나 여러 로봇이 촬영한 원본 영상을 한곳에 모으면 데이터 전송에 많은 시간과 통신 비용이 들고 개인정보 유출 우려도 커진다.

연합학습은 각 로봇이 원본 데이터를 외부로 보내지 않은 채 개별적으로 AI 모델을 학습하고 학습 결과만 중앙에서 결합하는 방식이다. 다른 로봇이 현장을 돌아다니며 쌓은 경험을 공유하면서도 원본 영상은 각 로봇 내부에 남아 있어 데이터 전송 부담과 개인정보 침해 위험을 줄일 수 있다.

문제는 로봇마다 수집하는 데이터의 특성이 크게 다르다는 점이다. 숲을 비행하는 드론과 실내를 이동하는 서빙 로봇은 카메라 시야각과 움직임은 물론 주변 지형과 조명 조건도 다르다. 기존 연합학습은 이 같은 차이를 충분히 반영하지 않은 채 각 로봇의 학습 결과를 일괄적으로 평균 내기 때문에 최종 AI 모델의 거리 추정 성능이 떨어질 수 있다.

반면, 페뎁스는 촬영 영상의 특성이 비슷한 로봇끼리 여러 그룹으로 묶어 학습 결과를 결합하는 소프트 클러스터링 방식을 적용해 이런 한계를 보완했다. 로봇 한 대를 특정 그룹에만 고정하지 않고 데이터 특성에 따라 여러 그룹에 동시에 포함할 수 있도록 한 것이 핵심이다.

예를 들어 숲을 촬영한 드론은 같은 숲을 이동한 사족보행 로봇과 하나의 그룹을 이루는 동시에 도심을 촬영한 다른 드론과도 별도의 그룹으로 연결될 수 있다. 이를 통해 특성이 지나치게 다른 데이터가 한꺼번에 섞이는 것을 막으면서도 로봇들이 공유하는 공통된 특성은 학습에 활용할 수 있다.

연구팀이 페뎁스로 세 종류의 깊이 추정 AI 모델을 학습한 결과 일반적인 연합학습 기법을 적용했을 때보다 거리 추정의 상대 오차가 약 17~32% 감소했다.

여러 그룹에 중복으로 참여시키는 방식의 효과도 별도로 확인됐다. 로봇 한 대를 하나의 그룹에만 배정하는 기존 군집 연합학습 방식과 비교한 결과 상대 오차가 0.264에서 0.249로 낮아져 약 6% 개선됐다.

연구팀은 "페뎁스는 원본 영상을 공유하지 않으면서도 로봇의 종류와 촬영 환경에 따라 달라지는 데이터 특성을 반영해 공동 학습할 수 있도록 설계한 기술"이라며 "자율주행과 물류·배송, 서비스 로봇, 재난 구조, 산림 감시 등 다양한 분야에 활용할 수 있을 것"이라고 설명했다.

연구 결과는 컴퓨터 비전 분야의 세계적인 국제학술대회인 '유럽 컴퓨터 비전 학술대회(ECCV) 2026'에 채택됐다. 올해 학술대회는 오는 8일부터 12일까지 스웨덴 말뫼에서 열린다.

연구는 과학기술정보통신부 재원으로 정보통신기획평가원이 추진하는 'AI Bots 협업 플랫폼 및 자기조직 인공지능 기술개발', '인공지능대학원 지원', 'AI 스타펠로우십 지원사업'과 한국연구재단의 '이기종 에이전트 간 적응 가능한 3차원 공간인지를 위한 동적 비전 센서 중심 지능형 융합 센서팩' 사업의 지원을 받아 수행됐다.