년 AI 및 로봇 연구 동향

1. 서론: 2001년, 인공지능의 변곡점

2001년은 대중문화 속에서 인공지능(AI)에 대한 상상력이 정점에 달했던 시기이다. 스탠리 큐브릭과 아서 C. 클라크의 영화 ’2001: 스페이스 오디세이’에 등장하는 HAL 9000은 인간과 같은 지능을 가진 기계의 가능성과 위험성을 상징하는 아이콘이 되었다.1 1960년대 AI의 선구자 허버트 사이먼이나 마빈 민스키와 같은 연구자들은 불과 수십 년 안에 기계가 인간이 할 수 있는 모든 일을 수행할 수 있을 것이라 예측했고, HAL 9000은 이러한 예측의 구체적인 형상이었다.1 같은 해 스티븐 스필버그의 영화 ‘A.I. Artificial Intelligence’ 역시 감정을 가진 로봇의 존재론적 고뇌를 탐구하며 AI에 대한 철학적 질문을 던졌다.2

그러나 이러한 문화적 상상과 2001년 당시 학계의 연구 현실 사이에는 상당한 괴리가 존재했다. 1970년대와 1980년대 후반에 걸친 두 차례의 ’AI 겨울’을 겪으며, 연구계는 인간 수준의 범용 인공지능(AGI)이라는 거대 담론에서 벗어나 보다 현실적이고 검증 가능한 문제에 집중하는 방향으로 선회했다.1 연구자들은 ’야심찬 몽상가’로 낙인찍힐 것을 두려워하며 인간 수준의 지능이라는 표현을 기피하기 시작했고, 그 대신 음성 인식, 추천 알고리즘과 같이 명확한 성과를 낼 수 있는 ‘응용 AI(applied AI)’ 분야에 집중했다.1

이러한 배경 속에서 2001년은 허구적 AGI의 원년이 아닌, 현대적 의미의 실용적이고 데이터 기반 AI의 기틀이 다져진 결정적 변곡점으로 기록되어야 한다. 이 해에 발표된 주요 연구들은 지각, 추론, 행동과 같은 AI의 핵심 과제를 불확실성 하에서 강건하게 해결하기 위한 통계적, 확률론적 방법론의 완성을 보여주었다. 본 보고서의 핵심 논지는 2001년이 ‘확률적 앙상블을 통한 복잡성 극복’ 이라는 패러다임이 학계를 지배하기 시작한 해라는 것이다. 이 패러다임은 기계학습, 컴퓨터 비전, 로봇 공학 등 여러 분야에 걸쳐 동시다발적으로 나타났으며, 단일의 완벽한 모델을 찾기보다는 다수의 불완전한 모델을 효과적으로 결합하여 문제의 본질적 복잡성과 불확실성에 대응하려는 시도였다.

본 보고서는 이러한 관점에서 2001년 AI 및 로봇 공학 분야의 주요 연구 지형도를 분석한다. 제1장에서는 NIPS, ICML 등 당대 최고의 학술대회를 통해 2001년 연구의 전체적인 흐름과 지적 기반을 조망한다. 이어지는 장들에서는 이 시기의 가장 중요한 성과들을 심층적으로 분석한다. 제2장에서는 레오 브레이먼의 랜덤 포레스트를 중심으로 앙상블 기법이 기계학습의 주류로 부상하는 과정을, 제3장에서는 폴 비올라와 마이클 존스의 객체 탐지 프레임워크가 어떻게 컴퓨터 비전 분야에 실시간 혁명을 가져왔는지를 다룬다. 제4장에서는 로봇 공학의 핵심 난제였던 동시적 위치 추정 및 지도 작성(SLAM) 문제에서 FastSLAM 알고리즘이 제시한 확장 가능한 해법을, 제5장에서는 혼다의 ASIMO를 통해 구현된 휴머노이드 로봇 기술의 정점을 살펴본다. 결론적으로, 이 보고서는 2001년의 성과들이 개별적인 발견을 넘어, 이후 20년간 AI 기술의 폭발적인 성장을 가능하게 한 근본적인 알고리즘적, 철학적 토대를 마련했음을 논증할 것이다.

2. 2001년 인공지능 연구의 지형도

2001년의 인공지능 연구는 특정 분야에 국한되지 않고 통계학, 확률론, 신경과학 등 다양한 학문과의 융합을 통해 지적 지평을 넓혀가고 있었다. 이러한 경향은 당대의 주요 학술대회들의 주제와 발표 내용에서 명확하게 드러난다. NIPS(Neural Information Processing Systems), ICML(International Conference on Machine Learning), ACL(Association for Computational Linguistics) 등은 각기 다른 초점을 가지면서도 확률 모델, 커널 기반 학습, 통계적 기법이라는 공통된 지적 기반 위에서 발전을 모색하고 있었다.

2.1 주요 학술대회 동향

NIPS 2001 (Neural Information Processing Systems)

2001년 12월 캐나다 밴쿠버에서 개최된 제15회 NIPS는 신경 정보 처리 시스템 분야의 대표적인 학회로서, 그 명성에 걸맞게 인지과학자, 컴퓨터 과학자, 신경과학자, 통계학자, 수학자 등 다양한 분야의 전문가들을 아우르는 학제적 성격을 뚜렷이 보여주었다.3 제출된 논문 중 약 30%만이 채택될 정도로 높은 수준을 유지했으며, 이는 당시 연구의 질적 우수성을 방증한다.5

NIPS 2001의 프로그램은 당시 연구계의 핵심 관심사가 무엇이었는지를 명확히 보여준다. 크리스토퍼 매닝의 “확률적 언어학과 자연어 처리의 확률 모델” 튜토리얼은 자연어 처리에 통계적 접근법이 깊숙이 자리 잡았음을 시사했다.3 또한 주디아 펄의 “계산 학습으로서의 인과관계 추론“과 앨리슨 고프닉의 “아기와 베이즈넷: 아동, 침팬지, 과학자, 컴퓨터에서의 인과 추론“과 같은 발표는 AI가 단순한 패턴 인식을 넘어 인과관계를 이해하고 추론하는 방향으로 나아가고 있음을 보여주었다.4

워크숍 주제들은 이러한 경향을 더욱 구체화했다. “커널 기반 학습(Kernel-Based Learning)”, “인과적 학습 및 추론(Causal Learning and Inference)”, “변수 및 특징 선택(Variable & Feature Selection)”, “뇌-컴퓨터 인터페이스(Brain-Computer Interfaces)” 등의 워크숍은 데이터로부터 의미 있는 구조를 학습하고, 고차원 데이터의 복잡성을 다루며, 인간의 두뇌와 기계를 직접 연결하려는 시도들이 활발히 이루어지고 있었음을 나타낸다.3 이는 신경과학과 인지과학이 AI 모델에 영감을 주는 원천으로 작용함과 동시에, 엄밀한 통계적 학습 이론이 그 아이디어를 구현하는 핵심 도구로 사용되는 ’신경-통계적 종합(neuro-statistical synthesis)’의 시대가 도래했음을 의미한다.

ICML 2001 (International Conference on Machine Learning)

2001년 6월 말 미국 윌리엄스 칼리지에서 열린 제18회 ICML은 기계학습 분야의 핵심적인 알고리즘 개발과 이론적 분석에 집중했다.6 이 학회에서 발표된 논문들은 부스팅, 강화학습, 커널 방법, 클러스터링 등 기계학습의 근간을 이루는 주제들을 다루었다.7 특히 “준지도 학습을 위한 미분류 데이터 경쟁(Competition: Unlabeled Data for Supervised Learning)“과 같은 워크숍 주제는 레이블이 부족한 대규모 데이터셋을 효과적으로 활용하려는 초기 연구 동향을 보여준다.4 이는 훗날 딥러닝 시대의 중요한 화두가 될 문제에 대한 선구적인 논의였다. 마리오 마샹과 존 쇼-테일러의 “The Set Covering Machine“이나 시어도어 퍼킨스와 앤드류 바르토의 “Lyapunov Design for Safe Reinforcement Learning“과 같은 논문들은 각각 커널 기법과 강화학습 분야에서 중요한 이론적, 방법론적 진전을 이루었다.7

ACL 2001 (Association for Computational Linguistics)

프랑스 툴루즈에서 개최된 제39회 ACL은 자연어 처리(NLP) 분야, 특히 통계 기반 기계 번역(Statistical Machine Translation, SMT)이 지배적인 패러다임으로 자리 잡았음을 명확히 보여주었다.9 당시 SMT는 베이즈 정리를 이용한 ’잡음 채널 모델(noisy channel model)’을 기반으로 발전하고 있었다.11 이 모델은 번역 문제를 주어진 소스 문장 s에 대해 타겟 문장 t의 조건부 확률 P(t|s)를 최대화하는 문제로 정의하고, 이를 다시 언어 모델 확률 P(t)와 번역 모델 확률 P(s|t)의 곱으로 분해하여 해결한다.11

ACL 2001에서는 이러한 SMT 프레임워크를 정교화하려는 다양한 시도들이 발표되었다. 야마다와 나이트의 “A Syntax-based Statistical Translation Model“은 단어나 구문 단위를 넘어 문장의 통사적 구조를 번역 모델에 통합하려는 시도였으며, 이는 언어 간의 구조적 차이가 큰 경우에 번역 품질을 향상시키는 중요한 돌파구였다.10 또한, 게르만 연구팀의 “Fast Decoding and Optimal Decoding for Machine Translation“은 방대한 탐색 공간을 가진 번역 문제에서 최적의 해를 효율적으로 찾기 위한 디코딩 알고리즘의 중요성을 부각시켰다.10 이러한 연구들은 SMT가 단순한 단어 대치를 넘어, 언어의 구조적, 통계적 특성을 깊이 있게 모델링하는 방향으로 진화하고 있음을 보여준다.

아래 표는 2001년에 개최된 주요 AI 및 로봇 공학 관련 학술대회의 개요를 요약한 것이다.

표 1: 2001년 주요 AI/로봇 학술대회 개요

이처럼 2001년의 학술 지형도는 AI 연구가 순수 이론을 넘어 실제 세계의 복잡성과 불확실성을 다루기 위한 강력한 수학적, 통계적 도구들을 적극적으로 수용하고 발전시키고 있었음을 보여준다. 특히 신경과학과 통계학의 결합은 이후 AI 분야의 혁신을 이끌어낼 지적 자양분이 되었다.

3. 기계학습의 패러다임 전환: 앙상블 기법의 부상

2001년은 기계학습 분야에서 앙상블(ensemble) 방법론이 유망한 연구 주제를 넘어 산업 전반에 영향을 미치는 핵심 패러다임으로 도약한 해로 평가된다. 이 시기는 복잡한 문제에 대해 단 하나의 정교하고 최적화된 모델을 찾으려는 전통적인 접근 방식의 한계가 드러나면서, 여러 개의 비교적 단순한 모델들을 결합하여 예측의 정확성과 강건성(robustness)을 높이려는 철학적 전환이 이루어진 시점이다. 이러한 흐름의 정점에는 레오 브레이먼(Leo Breiman)의 랜덤 포레스트(Random Forests)가 있었고, 그 기저에는 요아브 프로인트(Yoav Freund)와 로버트 샤피르(Robert Schapire)의 에이다부스트(AdaBoost)가 강력한 이론적, 실용적 기반을 제공하고 있었다.

3.1 랜덤 포레스트: Leo Breiman의 혁신적 제안

2001년 레오 브레이먼이 발표한 논문 “Random Forests“는 앙상블 학습의 역사에서 기념비적인 성과로 평가받는다.20 이 논문은 기존의 배깅(Bagging) 기법을 확장하고, 결정 트리(decision tree) 앙상블의 성능을 극대화하는 혁신적인 방법을 제시했다.

랜덤 포레스트의 정의와 알고리즘

브레이먼은 랜덤 포레스트를 “각각의 트리가 독립적으로 샘플링된 랜덤 벡터 값에 의존하는 트리 예측기(tree predictor)의 조합“으로 정의했다.20 공식적으로 랜덤 포레스트 분류기는 독립적이고 동일한 분포를 따르는 랜덤 벡터 \lbrace \Theta_k \rbrace에 의해 결정되는 트리 구조 분류기 \lbrace h(\mathbf{x}, \Theta_k), k=1, \dots \rbrace의 집합이며, 각 트리는 입력 벡터 \mathbf{x}에 대해 가장 인기 있는 클래스에 한 표를 행사한다.20

랜덤 포레스트의 핵심은 예측기들 사이의 상관관계를 줄이기 위해 두 가지 핵심적인 무작위성(randomness)을 주입하는 데 있다.

1. 배깅 (Bagging, Bootstrap Aggregating): 앙상블을 구성하는 각 트리는 전체 훈련 데이터에서 중복을 허용하여 무작위로 복원 추출한 부트스트랩 샘플(bootstrap sample)을 사용하여 학습된다. 이 과정은 각 트리가 데이터의 약간 다른 측면을 학습하게 하여 다양성을 확보하는 역할을 한다.20
2. 무작위 특징 선택 (Random Feature Selection): 기존의 결정 트리가 노드를 분기할 때 모든 특징 중에서 최적의 분기점을 찾는 것과 달리, 랜덤 포레스트는 각 노드에서 전체 특징의 부분집합을 무작위로 선택하고, 그 부분집합 내에서만 최적의 분기점을 찾는다.20 이 과정은 앙상블 내 트리들 간의 상관관계를 낮추는 데 결정적인 역할을 한다.

일반화 오차의 이론적 분석

브레이먼의 연구가 갖는 중요한 의의는 단순히 새로운 알고리즘을 제안한 것을 넘어, 왜 이 알고리즘이 효과적인지에 대한 깊은 이론적 통찰을 제공했다는 점이다. 그는 랜덤 포레스트의 일반화 오차(generalization error)가 앙상블에 포함된 트리의 수가 증가함에 따라 특정 값으로 수렴함을 보였다.20 또한, 이 일반화 오차는 두 가지 요소에 의해 결정된다고 분석했다.

• 개별 트리의 강도 (Strength): 앙상블 내 개별 결정 트리의 정확도. 강도가 높을수록 전체 앙상블의 성능이 향상된다.
• 트리 간의 상관관계 (Correlation): 앙상블 내 트리들의 예측 오류가 얼마나 유사한지. 상관관계가 낮을수록 각 트리의 오류가 서로 상쇄될 가능성이 커져 전체 앙상블의 성능이 향상된다.

랜덤 포레스트의 무작위 특징 선택은 개별 트리의 강도를 약간 희생시키는 대신(최적의 특징을 사용하지 못할 수 있으므로), 트리 간의 상관관계를 극적으로 감소시킨다. 이 트레이드오프(trade-off)를 통해 전체적으로는 더 낮은 일반화 오차를 달성하는 것이 랜덤 포레스트의 핵심 원리이다.20

Out-of-Bag (OOB) 오차와 변수 중요도

랜덤 포레스트는 별도의 검증 데이터셋 없이도 모델의 일반화 성능을 추정할 수 있는 독창적인 방법을 내장하고 있다. 각 트리를 학습시킬 때 사용되지 않은 데이터 샘플, 즉 ‘Out-of-Bag’ 샘플들이 존재한다. 이 OOB 샘플들을 해당 트리의 예측 성능을 평가하는 데 사용하여 계산한 오차를 OOB 오차라고 하며, 이는 교차 검증(cross-validation)과 유사한 효과를 내는 일반화 오차의 불편향 추정치(unbiased estimate)가 된다.20 또한, 특정 변수의 값을 무작위로 섞었을 때 OOB 오차가 얼마나 증가하는지를 측정함으로써 해당 변수가 예측에 얼마나 중요한 역할을 하는지(variable importance)를 정량적으로 평가할 수 있다.20

3.2 에이다부스트와 그 영향력

랜덤 포레스트가 앙상블 방법론의 정점을 보여주었다면, 에이다부스트는 그 기반을 닦은 선구적인 알고리즘이다. 1995년 프로인트와 샤피르에 의해 제안된 에이다부스트는 ’약한 학습기(weak learner)’를 반복적으로 결합하여 ’강한 학습기(strong learner)’를 만드는 부스팅(boosting) 계열의 대표적인 알고리즘이다.25 약한 학습기란 무작위 추측보다 약간 더 나은 성능을 내는 단순한 분류기를 의미한다.

핵심 원리 및 수학적 공식

에이다부스트의 핵심 아이디어는 적응성(adaptive)에 있다. 알고리즘은 일련의 라운드를 거치며 학습을 진행하는데, 각 라운드에서 이전 라운드까지의 모델이 잘못 분류한 데이터 샘플에 더 높은 가중치를 부여한다. 이 가중치가 적용된 데이터셋을 사용하여 다음 약한 학습기를 훈련시키고, 이 과정을 반복한다. 결과적으로, 알고리즘은 분류하기 어려운 ‘까다로운’ 샘플에 점차 집중하게 된다.25

훈련이 완료되면, 각 라운드에서 생성된 약한 학습기 h_t(\mathbf{x})들을 가중 합하여 최종 분류기 H(\mathbf{x})를 만든다.
H(\mathbf{x}) = \text{sign} \left( \sum_{t=1}^{T} \alpha_t h_t(\mathbf{x}) \right)
여기서 \alpha_t는 각 약한 학습기의 중요도를 나타내는 가중치로, 해당 학습기의 훈련 오차 \epsilon_t가 낮을수록 더 큰 값을 가진다. \alpha_t는 다음과 같이 계산된다.
\alpha_t = \frac{1}{2} \ln \left( \frac{1 - \epsilon_t}{\epsilon_t} \right)
이 알고리즘의 강력함은 이론적 보장에서 나온다. 각 약한 학습기의 오차 \epsilon_t가 무작위 추측(0.5)보다 조금이라도 낮다면(\epsilon_t = 0.5 - \gamma_t where \gamma_t > 0), 최종 분류기의 훈련 오차는 라운드가 진행됨에 따라 지수적으로 감소하여 0에 수렴함이 증명되었다. 훈련 오차의 상한은 다음과 같이 주어진다.27
\text{Training Error} \le \exp \left( -2 \sum_{t=1}^{T} \gamma_t^2 \right)
다른 연구를 가능하게 한 역할

에이다부스트의 진정한 영향력은 독립적인 분류기로서의 성능을 넘어, 다른 혁신적인 연구를 가능하게 한 ’기반 기술’로서의 역할에서 드러난다. 특히, 제3장에서 다룰 비올라-존스 객체 탐지 프레임워크는 에이다부스트 없이는 구현이 불가능했을 것이다. 비올라-존스 프레임워크는 수만 개에 달하는 잠재적인 특징(Haar-like features) 풀에서 얼굴 탐지에 가장 유용한 소수의 특징들을 선택하는 문제를 해결해야 했다. 에이다부스트는 이 문제에 대한 완벽한 해법을 제공했다. 각 특징을 하나의 약한 학습기로 간주하고 에이다부스트를 적용함으로써, 알고리즘은 자동으로 가장 변별력 있는 특징들을 선택하고 이들을 결합하여 강력한 분류기를 구축할 수 있었다.28

결론적으로, 2001년은 기계학습 분야가 단일 모델의 완벽성을 추구하던 시각에서 벗어나, 다수 모델의 협력과 다양성을 통해 문제의 본질적 복잡성에 대응하는 ’앙상블 철학’으로 전환되었음을 보여주는 중요한 해였다. 랜덤 포레스트와 에이다부스트는 이러한 패러다임 전환을 이끈 쌍두마차였으며, 이들의 성공은 이후 기계학습 연구의 방향성에 지대한 영향을 미쳤다. 이는 복잡한 문제를 해결하는 길이 하나의 우아한 알고리즘이 아니라, 다수의 단순한 구성 요소들을 효과적으로 결합하는 데 있을 수 있다는 중요한 시사점을 남겼으며, 이는 현대 딥러닝 아키텍처의 철학과도 맥을 같이 한다.

4. 컴퓨터 비전의 도약: 실시간 객체 탐지

2001년은 컴퓨터 비전 분야에서 이론적 성과가 실용적 기술로 구현되어 산업 지형을 바꾼 기념비적인 해였다. 그 중심에는 폴 비올라(Paul Viola)와 마이클 존스(Michael Jones)가 발표한 객체 탐지 프레임워크가 있다. 이들의 연구는 당시까지 학술적 영역에 머물러 있던 얼굴 탐지 문제를 일반 소비자용 기기에서도 실시간으로 처리할 수 있는 수준으로 끌어올림으로써, 컴퓨터 비전을 응용 과학의 최전선으로 이끌었다. 이 성과는 새로운 모델링 패러다임을 발명한 것이 아니라, 기존의 아이디어들을 독창적으로 조합하고 극적인 계산 효율성을 달성한 ’알고리즘 공학(algorithmic engineering)’의 승리였다.

4.1 Viola-Jones 프레임워크: 얼굴 탐지의 혁명

2001년 IEEE 컴퓨터 비전 및 패턴 인식 학회(CVPR)에서 발표된 논문 “Rapid Object Detection using a Boosted Cascade of Simple Features“는 얼굴 탐지 분야의 혁명으로 평가받는다.30 이 프레임워크는 당시 일반적인 700 MHz 펜티엄 III 프로세서에서 384x288 픽셀 이미지에 대해 초당 15프레임(fps)의 속도로 얼굴을 탐지하는 경이로운 성능을 보여주었다.28 이는 디지털 카메라, 웹캠 등에서 실시간 얼굴 탐지 기능이 상용화되는 직접적인 계기가 되었다. 이 프레임워크의 성공은 네 가지 핵심 아이디어의 유기적인 결합에 기인한다.

1. 하르 유사 특징 (Haar-like Features)

비올라-존스 프레임워크는 이미지의 픽셀 값을 직접 사용하는 대신, ’하르 유사 특징’이라는 매우 단순한 형태의 특징을 사용했다. 이 특징들은 두 개 이상의 인접한 사각형 영역으로 구성되며, 흰색 영역의 픽셀 값 합계에서 검은색 영역의 픽셀 값 합계를 뺀 값으로 정의된다.30 예를 들어, 두 개의 사각형으로 구성된 특징은 수직 또는 수평 방향의 에지(edge)를 감지하는 데 유용하며, 세 개의 사각형으로 구성된 특징은 선(line)을, 네 개의 사각형으로 구성된 특징은 대각선 방향의 패턴을 감지할 수 있다.30 얼굴의 경우, 눈 영역이 뺨 영역보다 어둡고, 코의 양옆보다 콧대가 밝은 경향이 있는데, 이러한 국소적인 밝기 변화 패턴을 하르 특징들이 효과적으로 포착할 수 있다. 문제는 24x24 픽셀의 작은 탐지 창에서도 이러한 특징의 종류와 위치, 크기를 고려하면 잠재적인 특징의 수가 18만 개를 훌쩍 넘어간다는 점이다.

2. 적분 이미지 (Integral Image)

수많은 하르 특징들을 실시간으로 계산하기 위해, 비올라와 존스는 ’적분 이미지’라는 결정적인 계산 기법을 도입했다. 적분 이미지는 원본 이미지의 특정 위치 (x, y)에, 원점 (0, 0)부터 해당 위치까지의 모든 픽셀 값의 합을 저장하는 누적 합 테이블이다. 일단 적분 이미지가 생성되면(이미지 전체를 한 번 스캔하여 계산 가능), 이미지 내의 어떤 사각형 영역의 픽셀 합도 단 네 번의 배열 참조와 세 번의 덧셈/뺄셈 연산만으로 상수 시간 O(1)에 계산할 수 있다. 이 기법 덕분에 수많은 하르 특징의 값을 매우 빠르게 계산하는 것이 가능해졌고, 이는 프레임워크 전체의 실시간 성능을 담보하는 핵심 열쇠가 되었다.30

3. 특징 선택을 위한 에이다부스트 (AdaBoost for Feature Selection)

18만 개가 넘는 방대한 특징 풀에서 얼굴 탐지에 가장 유용한 소수의 특징들을 어떻게 선택할 것인가? 이 문제에 대한 해답으로 비올라와 존스는 에이다부스트 알고리즘을 사용했다.28 각 하르 특징에 간단한 임계값을 적용한 것을 하나의 ’약한 분류기’로 간주하고, 에이다부스트를 훈련시켰다. 에이다부스트는 훈련 과정에서 자동으로 가장 변별력이 높은 특징(즉, 가장 성능이 좋은 약한 분류기)들을 순차적으로 선택하고, 이들을 가중 결합하여 강력한 최종 분류기를 생성한다. 결과적으로, 수만 개의 특징 중 단 몇천 개의 핵심 특징만으로도 높은 정확도의 얼굴 탐지기를 만들 수 있었다. 이는 에이다부스트를 단순히 분류기 훈련 도구가 아닌, 효율적인 특징 선택 도구로 활용한 탁월한 발상의 전환이었다.

4. 집중식 캐스케이드 (Attentional Cascade)

실시간 성능을 달성한 마지막 비결은 ’집중식 캐스케이드’라 불리는 분류기 구조에 있다. 이는 다단계의 분류기들이 연쇄적으로 연결된 구조로, 초기 단계에는 계산이 빠르고 간단한 분류기를, 후기 단계로 갈수록 계산이 복잡하고 정교한 분류기를 배치한다.28 이미지의 특정 하위 영역(sub-window)이 입력되면, 먼저 첫 번째 단계의 분류기가 검사를 수행한다. 만약 이 영역이 ’얼굴이 아님’으로 판정되면 즉시 기각되고 다음 영역으로 넘어간다. ’얼굴일 가능성이 있음’으로 판정된 영역만이 다음 단계의 분류기로 전달된다.30

이 구조의 핵심은 이미지의 대부분을 차지하는 얼굴이 아닌 배경 영역들을 아주 적은 계산량만으로 신속하게 걸러내는 데 있다. 실제 이미지에서 얼굴이 차지하는 영역은 극히 일부이므로, 대다수의 하위 영역들은 캐스케이드의 첫 몇 단계를 통과하지 못하고 기각된다. 오직 얼굴일 가능성이 매우 높은 소수의 후보 영역만이 모든 단계를 통과하여 최종적으로 얼굴로 판정된다.28 이러한 ‘비대칭적 계산 비용’ 구조, 즉 ’아님’을 증명하는 비용은 매우 저렴하고 ’맞음’을 증명하는 비용은 비싸게 설계하는 철학은 알고리즘의 평균 실행 시간을 극적으로 단축시켰다.

4.2 CVPR 2001의 주요 연구 동향

비올라-존스 프레임워크가 2D 객체 탐지 분야에서 혁신을 일으키는 동안, 2001년 하와이 카우아이에서 개최된 CVPR에서는 컴퓨터 비전의 다른 핵심 분야들에서도 꾸준한 발전이 이루어지고 있었다.14 주요 연구 주제들은 다음과 같았다.

• 3차원 복원 및 기하학: 다중 시점 영상으로부터 3차원 구조와 움직임을 복원하는 연구(“Structure and Motion from Uncalibrated Catadioptric Views”, “The 3D Line Motion Matrix and Alignment of Line Reconstructions”)는 당시 컴퓨터 비전의 핵심적인 연구 흐름이었다.13 이는 훗날 증강현실(AR), 자율주행, 로보틱스 분야의 기반 기술로 발전한다.
• 이미지 분할 및 그룹핑: 이미지 내에서 의미 있는 영역을 분할하고 그룹화하는 기술(“Efficient Spatiotemporal Grouping Using the Nyström Method”, “Model-Based Curve Evolution Technique for Image Segmentation”) 역시 활발히 연구되었다.13 이는 객체 인식과 장면 이해의 전처리 단계로서 매우 중요한 역할을 한다.
• 움직임 분석: 비디오 시퀀스에서 움직임을 분석하고 추적하는 연구(“3D-Orientation Signatures with Conic Kernel Filtering for Multiple Motion Analysis”, “Tracking Multiple Moving Objects with a Mobile Robot”)는 동적 환경에서의 시각적 이해 능력을 향상시키는 데 기여했다.13

이러한 연구 동향은 비올라-존스의 성과가 단독으로 나타난 것이 아니라, 컴퓨터 비전 분야 전반의 이론적, 기술적 성숙을 배경으로 하고 있음을 보여준다. 비올라-존스 프레임워크는 실시간 성능이라는 실용적 목표를 달성하기 위해 기존의 강력한 이론(에이다부스트)과 독창적인 공학적 해법(적분 이미지, 캐스케이드)을 결합한 최고의 사례였으며, 이는 컴퓨터 비전 연구가 학계를 넘어 산업계에 직접적인 영향을 미칠 수 있음을 증명한 사건이었다.

5. 자율 로봇 공학의 핵심 과제: SLAM

2001년, 자율 이동 로봇 분야는 근본적인 딜레마에 직면해 있었다. 로봇이 미지의 환경에서 자신의 임무를 수행하기 위해서는 현재 위치를 아는 ’위치 추정(Localization)’과 주변 환경의 지도를 만드는 ’지도 작성(Mapping)’이 필수적이다. 그러나 이 두 문제는 서로 맞물려 있다. 정확한 지도가 있어야 현재 위치를 알 수 있고, 현재 위치를 정확히 알아야 일관된 지도를 작성할 수 있다. 이처럼 닭과 달걀의 문제와 같은 딜레마를 ’동시적 위치 추정 및 지도 작성(Simultaneous Localization and Mapping, SLAM)’이라 부른다.31 2000년대 초반, 이 문제에 대한 지배적인 해법은 확률론적 접근에 기반한 확장 칼만 필터(EKF)였으나, EKF-SLAM은 환경이 커짐에 따라 계산량이 폭발적으로 증가하는 본질적인 한계를 안고 있었다. 이러한 상황에서 2001-2002년에 걸쳐 등장한 FastSLAM 알고리즘은 통계적 문제 자체를 재구성함으로써 이 한계를 극복하는 혁신적인 대안을 제시했다.

5.1 확률론적 로봇 공학의 대두와 SLAM 문제 정의

SLAM 문제를 이해하기 위해서는 먼저 ’확률론적 로봇 공학(Probabilistic Robotics)’의 개념을 이해해야 한다. 이는 로봇의 센서 측정값과 구동계의 움직임에 내재된 불확실성을 명시적으로 모델링하고, 통계적 추론을 통해 상태를 추정하려는 접근 방식이다.31 이 패러다임 하에서 SLAM은 로봇의 경로(과거 모든 시점의 위치) s^t = \{s_1, \dots, s_t\}와 지도 m에 대한 후험 확률(posterior probability) p(s^t, m|z^t, u^t)을 재귀적으로 추정하는 문제로 정의된다. 여기서 z^t는 센서 측정값의 시퀀스이고, u^t는 제어 입력(움직임)의 시퀀스이다.

5.2 확장 칼만 필터 SLAM (EKF-SLAM)의 현황과 한계

2001년 당시 SLAM 문제에 대한 가장 표준적인 해법은 EKF를 이용하는 것이었다.34 EKF-SLAM은 로봇의 상태와 모든 지도 특징(landmark)의 위치를 하나의 거대한 상태 벡터로 결합하여 관리한다.

• 상태 벡터와 공분산 행렬: 2차원 공간에서 n개의 랜드마크가 존재할 때, 상태 벡터 \mathbf{x}는 로봇의 자세(pose) (x, y, \theta)와 각 랜드마크의 위치 (m_{1,x}, m_{1,y}, \dots, m_{n,x}, m_{n,y})를 모두 포함하는 (3+2n) 차원의 벡터가 된다.36 EKF의 핵심은 이 상태 벡터의 평균 \mu와 함께, 상태 변수들 간의 불확실성과 상관관계를 모두 표현하는 (3+2n) \times (3+2n) 크기의 공분산 행렬 \Sigma를 유지하고 갱신하는 것이다.36
• 알고리즘 주기: EKF-SLAM은 예측(prediction)과 수정(correction)의 두 단계를 반복한다.

1. 예측: 로봇의 움직임 모델을 기반으로 다음 시점의 로봇 자세와 그에 따른 불확실성을 예측한다.
2. 수정: 로봇이 랜드마크를 관측하면, 예측된 관측값과 실제 관측값의 차이(innovation)를 이용하여 칼만 이득(Kalman gain)을 계산하고, 이를 통해 상태 벡터 전체(로봇 자세와 모든 랜드마크 위치)의 추정치와 공분산 행렬을 갱신한다.36

• O(n^2)의 한계: EKF-SLAM의 치명적인 약점은 계산 복잡도에 있었다. 로봇이 단 하나의 랜드마크만 관측하더라도, 상태 벡터 내 모든 변수 간의 상관관계를 갱신해야 하므로 공분산 행렬 전체를 업데이트해야 한다. 이 연산 비용은 랜드마크의 수 n에 대해 제곱에 비례하는 O(n^2)의 계산 복잡도를 가진다.34 이로 인해 랜드마크 수가 수백 개만 넘어가도 실시간 처리가 불가능해졌고, 대규모 환경에서의 SLAM 적용에 심각한 제약으로 작용했다.

5.3 FastSLAM: Rao-Blackwellized 파티클 필터를 이용한 해법

이러한 EKF-SLAM의 확장성 문제를 해결하기 위해 2002년 몬테멜로(Montemerlo), 스런(Thrun) 등이 제안한 FastSLAM은 SLAM 문제에 대한 접근 방식을 근본적으로 바꾸었다.38

• 핵심 아이디어 (Rao-Blackwellization): FastSLAM의 핵심 통찰은 SLAM 후험 확률의 구조적 특성을 이용한 것이다. 만약 로봇의 전체 경로를 정확히 알고 있다면, 각 랜드마크의 위치 추정 문제는 서로 독립적인 문제가 된다. 즉, 랜드마크 추정치들 사이의 상관관계는 오직 로봇 경로의 불확실성을 통해서만 발생한다.41 이 통찰에 기반하여, 거대한 결합 확률 분포 p(s^t, m|z^t, u^t)를 다음과 같이 인수분해(factorization)할 수 있다.
  p(s^t, m | z^t, u^t) = p(s^t | z^t, u^t) \prod_{i=1}^{n} p(m_i | s^t, z^t, u^t)
  이러한 분해를 Rao-Blackwellized 인수분해라고 하며, 이는 고차원의 추정 문제를 다수의 저차원 문제들의 집합으로 변환하는 것을 가능하게 한다.39

• Rao-Blackwellized 파티클 필터 구현: FastSLAM은 이 인수분해된 구조를 ’Rao-Blackwellized 파티클 필터(RBPF)’를 사용하여 효율적으로 구현한다.

1. 로봇 경로 추정 (파티클 필터): 로봇의 경로에 대한 후험 확률 p(s^t|z^t, u^t)는 파티클 필터(particle filter)를 사용하여 추정한다. 여기서 각 파티클 [k]는 로봇의 전체 경로에 대한 하나의 가설 s^{t, [k]}를 나타낸다. 수백, 수천 개의 파티클 집합이 경로의 확률 분포를 비모수적으로 근사한다.
2. 랜드마크 위치 추정 (독립적인 EKF들): 각 파티클 [k]에는 n개의 독립적인 소규모 EKF가 할당된다. i번째 EKF는 해당 파티클이 제시하는 경로 가설 s^{t, [k]}가 주어졌을 때의 i번째 랜드마크 위치에 대한 조건부 확률 p(m_i|s^{t, [k]}, z^t, u^t)를 추정한다. 각 EKF는 단일 랜드마크의 2차원 위치만을 다루므로, 그 상태 벡터와 공분산 행렬의 크기는 매우 작다.38

• 장점 및 영향: 이 구조는 EKF-SLAM의 O(n^2) 병목 현상을 완벽하게 해결했다. 새로운 관측이 들어왔을 때, 각 파티클 내에서는 관측된 랜드마크에 해당하는 EKF 하나만 갱신하면 된다. 이 갱신 비용은 상수 시간 O(1)이다. 전체 알고리즘의 시간 복잡도는 파티클의 수 M과 랜드마크 수 n에 대해 O(M \log n)(효율적인 자료구조 사용 시)으로, 랜드마크 수에 대해 로그 선형적으로 증가한다.40 이 덕분에 FastSLAM은 수만 개의 랜드마크를 가진 대규모 환경에서도 SLAM을 성공적으로 수행할 수 있었으며, 이는 자율주행차, 무인 탐사 로봇 등 미래 기술의 가능성을 여는 중요한 이정표가 되었다. 또한, 각 파티클이 독립적인 데이터 연관(data association) 가설을 유지할 수 있어, EKF-SLAM보다 데이터 연관 오류에 훨씬 강건한 특성을 보였다.41

아래 표는 EKF-SLAM과 FastSLAM의 핵심적인 특징을 비교하여 요약한 것이다.

표 2: SLAM 알고리즘 비교: EKF-SLAM vs. FastSLAM

결론적으로, FastSLAM의 등장은 SLAM 연구의 패러다임을 바꾸었다. EKF-SLAM이 단일 최적해를 찾는 데 집중했다면, FastSLAM은 다수의 가설을 확률적으로 유지하고 경쟁시키는 접근을 통해 문제의 복잡성과 불확실성을 정면으로 돌파했다. 이는 2001년 AI 연구의 거대한 흐름이었던 ’앙상블을 통한 복잡성 극복’이라는 주제가 로봇 공학 분야에서 가장 극적으로 구현된 사례라 할 수 있다.

6. 휴머노이드 로봇의 진화

2001년 AI 연구가 알고리즘의 혁신에 집중하는 동안, 로봇 공학 분야에서는 이러한 지능적 알고리즘을 물리적 세계에서 구현하기 위한 하드웨어 및 제어 기술의 발전이 정점을 향해 나아가고 있었다. 이 시기 휴머노이드 로봇 기술의 결정체는 단연 혼다(Honda)의 아시모(ASIMO)였다. 아시모는 단순히 두 발로 걷는 기계를 넘어, 제어 이론, 기계 공학, 센서 기술, 그리고 초보적인 인지 능력이 총체적으로 결합된 ’시스템 통합(systems integration)’의 위대한 성과였다. 아시모의 등장은 순수 알고리즘 개발과는 다른, 물리적 실체(embodiment)를 가진 AI의 구현이라는 또 다른 차원의 도전과 성취를 보여주었다.

6.1 혼다 ASIMO: 21세기 휴머노이드의 서막

2000년 11월에 처음 공개된 아시모(ASIMO, Advanced Step in Innovative Mobility)는 21세기 휴머노이드 로봇의 서막을 연 상징적인 존재였다.42 이전의 P2, P3 프로토타입이 거대하고 투박했던 것과 달리, 아시모는 키 120 cm, 무게 54 kg으로 소형화 및 경량화를 이루었으며, 이는 인간의 생활 공간에서 함께 활동하는 것을 목표로 설계되었음을 시사한다.42

기술 제원 및 핵심 기술

2000-2002년 모델의 아시모는 당시 로봇 기술의 최정점을 보여주는 제원을 갖추고 있었다. 아래 표는 해당 모델의 주요 기술 제원을 요약한 것이다.

표 3: 혼다 ASIMO (2000-2002 모델) 기술 제원

아시모의 가장 혁신적인 부분은 보행 기술에 있었다. ‘i-WALK(intelligent real-time flexible walking)’ 기술로 명명된 이 시스템은 아시모가 이전 로봇들처럼 방향을 바꿀 때마다 멈출 필요 없이, 부드럽고 연속적으로 걷고 회전할 수 있게 했다.43 이 기술의 핵심은 ’예측 운동 제어(predicted movement control)’에 있었다. 아시모는 다음 움직임을 실시간으로 예측하고, 회전에 대비하여 미리 무게 중심을 이동시킴으로써 높은 안정성을 확보했다.43 또한, 저장된 보행 패턴에만 의존했던 이전 로봇들과 달리, 실시간으로 보폭을 조절하여 보행 속도를 유연하게 변경할 수 있었다.

인지 및 상호작용 능력

아시모는 단순한 보행 기계를 넘어, 주변 환경을 인지하고 인간과 상호작용하는 능력을 갖추고 있었다. 머리에 장착된 두 개의 카메라 ’눈’은 시각 센서 역할을 하여 움직이는 물체, 사람의 자세와 제스처를 인식하고 거리와 방향을 판단했다.42 이를 통해 사람이 다가오면 마주보거나 따라가는 행동이 가능했다. 또한, 음성 명령을 이해하고(초기에는 일본어만 지원), 악수나 손 흔드는 동작을 인식하여 적절히 반응할 수 있었다.42 몸체 하단에는 레이저 센서와 적외선 센서가 장착되어 바닥 표면과 경로 유도를 위한 마킹을 감지했으며, 초음파 센서는 장애물 회피에 사용되었다.42 이러한 다양한 센서들의 정보를 통합하여 자율적으로 항해하는 기초적인 능력을 보여주었다.

6.2 이족 보행 제어 연구 동향

아시모가 공학적 시스템 통합의 정점을 보여주는 동안, 학계에서는 이족 보행의 근본 원리를 탐구하는 연구가 활발히 진행되었다. 2001년 서울에서 개최된 ICRA(International Conference on Robotics and Automation)와 마우이에서 개최된 IROS(International Conference on Intelligent Robots and Systems)와 같은 주요 로봇 학회에서는 생물학적 원리에서 영감을 받은 제어 기법들이 중요한 연구 주제로 다루어졌다.16

특히 주목받은 접근법 중 하나는 ‘중추 패턴 생성기(Central Pattern Generator, CPG)’ 모델이었다. CPG는 척추동물의 척수 등에 존재하며, 뇌의 고차원적인 개입 없이도 걷기나 헤엄치기와 같은 리드미컬한 운동 패턴을 생성하는 신경 회로망을 의미한다.45 로봇 공학 연구자들은 이 원리를 모방하여, 복잡하고 정밀한 보행 궤적을 미리 계산하는 대신, 단순한 결합 진동자(coupled oscillator) 시스템을 통해 기본적인 보행 리듬을 생성하고자 했다. 이 모델에서 로봇의 각 관절은 사인파와 같은 주기 함수로 제어되며, 압력 중심(center of pressure)과 같은 센서 피드백을 통해 로봇의 동역학적 위상과 진동자의 위상을 동기화(synchronization)시킨다.45 이 접근법은 외부의 작은 교란에 대해 강건하고, 환경 변화에 유연하게 적응할 수 있는 보행을 구현할 수 있는 가능성을 제시했다.

아시모의 성공이 정교한 모델 기반 제어와 엔지니어링의 승리였다면, CPG와 같은 생체 모방 연구는 보다 단순하고 강건한 원리를 통해 보행 제어의 본질에 접근하려는 시도였다. 이 두 가지 흐름은 서로 다른 철학을 가지고 있었지만, ’안정적이고 적응적인 이족 보행’이라는 동일한 목표를 향해 나아가고 있었다. 아시모가 당시 기술로 달성할 수 있는 최상의 결과물을 보여주었다면, CPG 연구는 미래 휴머노이드 로봇이 나아갈 또 다른 방향을 제시한 셈이다. 이처럼 2001년은 정교한 시스템 공학과 근본적인 과학적 탐구가 병행되며 휴머노이드 로봇 기술의 지평을 넓혀가던 역동적인 시기였다.

7. 결론: 2001년의 유산과 미래 전망

2001년은 인공지능의 역사에서 과장된 공상과학적 기대가 저물고, 실용적이고 강력한 기술적 토대가 마련된 조용한 혁명의 해였다. 이 해에 발표된 연구들은 각기 다른 분야에서 출발했지만, ’복잡성을 확률적 앙상블과 계산 효율성으로 극복한다’는 하나의 거대한 지적 흐름으로 수렴했다. 2001년의 유산은 이후 10여 년간 AI 기술의 발전 방향을 결정지었고, 오늘날 우리가 경험하는 AI 혁명의 필수적인 알고리즘적 구성 요소를 제공했다.

본 보고서에서 심층적으로 분석한 세 가지 핵심 성과—랜덤 포레스트, 비올라-존스 프레임워크, 그리고 FastSLAM—는 이러한 시대정신을 명확하게 보여준다.

• 랜덤 포레스트는 단일 최적 모델을 향한 집착에서 벗어나, 다수의 불완전한 모델(결정 트리)을 무작위성으로 다양화하고 이를 집단 지성으로 결합함으로써 예측의 정확성과 안정성을 동시에 달성할 수 있음을 증명했다. 이는 복잡한 데이터에 대한 강건한 분류 및 회귀 모델을 구축하는 표준적인 방법론으로 자리 잡았으며, 딥러닝이 부상하기 전까지 수많은 데이터 과학 문제에서 가장 신뢰받는 ‘기성(out-of-the-box)’ 분류기 중 하나로 군림했다.
• 비올라-존스 프레임워크는 실시간 객체 탐지라는 실용적 목표를 달성하기 위해, 단순한 특징(Haar-like features), 영리한 계산 기법(적분 이미지), 강력한 학습 알고리즘(에이다부스트), 그리고 효율적인 아키텍처(캐스케이드)를 천재적으로 융합했다. 이는 AI 연구가 학술적 성과를 넘어 수억 개의 소비자 기기에 탑재될 수 있는 상용 기술로 전환될 수 있음을 보여준 최초의 사례 중 하나였다. 이 프레임워크가 제시한 집중식 처리(attentional cascade)의 원리는 이후 효율적인 컴퓨터 비전 시스템 설계의 기본 원칙으로 자리 잡았다.
• FastSLAM은 자율 로봇 공학의 핵심 난제였던 대규모 환경에서의 지도 작성 문제를 해결하는 돌파구를 마련했다. EKF-SLAM의 계산 복잡도 한계를 Rao-Blackwellized 파티클 필터라는 우아한 통계적 재구성으로 극복함으로써, 로봇이 수만 개의 특징점을 가진 넓은 공간을 실시간으로 매핑하는 것을 가능하게 했다. 이는 자율주행차, 실내 서비스 로봇, 무인 탐사 드론 등 오늘날 로봇 공학의 주요 응용 분야를 위한 필수적인 기반 기술을 제공했다.

이러한 성과들은 2001년이 AI 연구의 패러다임이 고전적인 기호주의적 접근에서 데이터 기반의 통계적, 확률론적 접근으로 완전히 전환되었음을 확증하는 해였음을 보여준다. 불확실성을 문제 해결의 방해 요소가 아닌, 명시적으로 모델링하고 관리해야 할 핵심 요소로 인식하기 시작한 것이다. 혼다의 ASIMO는 이러한 지능적 알고리즘들이 정교한 기계공학 및 제어 시스템과 결합될 때 얼마나 강력한 물리적 구현으로 이어질 수 있는지를 보여주는 실증적 사례였다.

2001년의 관점에서 미래를 전망한다면, 이 해에 마련된 토대 위에서 AI 기술이 나아갈 길은 명확했다. 실시간으로 이미지를 처리하고(비올라-존스), 복잡한 데이터를 강건하게 분류하며(랜덤 포레스트), 대규모 공간을 이해하고 항해하는(FastSLAM) 능력은 더욱 정교하고 통합된 지능 시스템을 구축하기 위한 필수 전제 조건이었다. 이 시기의 성공은 데이터의 중요성을 부각시켰고, 더 많은 데이터와 더 강력한 컴퓨팅 파워가 결합될 때 어떤 잠재력이 발현될지에 대한 기대를 낳았다. 결국, 2001년의 유산은 10여 년 후 GPU의 부상과 함께 폭발한 딥러닝 혁명의 씨앗이 되었다. 2001년은 AI가 상상 속의 존재에서 현실 세계의 문제를 해결하는 강력한 도구로 거듭난, 진정한 의미의 변곡점이었다.

8. 참고 자료

1. Artificial general intelligence - Wikipedia, https://en.wikipedia.org/wiki/Artificial_general_intelligence
2. A.I. Artificial Intelligence, Steven Spielberg, 2001. | Download Scientific Diagram - ResearchGate, https://www.researchgate.net/figure/AI-Artificial-Intelligence-Steven-Spielberg-2001_fig3_372231248
3. NIPS 2001 - NeurIPS 2025, https://neurips.cc/Conferences/2001/CMUPage
4. Neural Information Processing Systems 2001 (NIPS*2001) - CMU School of Computer Science, https://www.cs.cmu.edu/Groups/NIPS/NIPS2001/
5. Advances in Neural Information Processing Systems: Proceedings of the 2001 Conference, Volume 14, Issues 1-2 - Google Books, https://books.google.com/books/about/Advances_in_Neural_Information_Processin.html?id=GbC8cqxGR7YC
6. ICML - ACM SigMod, http://www.sigmod.org/publications/dblp/db/conf/icml/index.html
7. JMLR Special Issue on the Eighteenth International Conference on Machine Learning (ICML 2001), http://www.jmlr.org/papers/special/icml01.html
8. Machine Learning 2001 - arXiv, https://arxiv.org/list/cs.LG/2001
9. Towards Automatic Classification of Discourse Elements in Essays - ACL Anthology, https://aclanthology.org/P01-1014/
10. Annual Meeting of the Association for Computational Linguistics …, https://aclanthology.org/events/acl-2001/
11. An overview of the phrase-based statistical machine translation techniques | The Knowledge Engineering Review | Cambridge Core, https://www.cambridge.org/core/journals/knowledge-engineering-review/article/an-overview-of-the-phrasebased-statistical-machine-translation-techniques/0A201185832F0B6B2605DDA9F2502AD3
12. Machine Translation Systems Based on Classical-Statistical-Deep-Learning Approaches, https://www.mdpi.com/2079-9292/12/7/1716
13. Proceedings of the 2001 IEEE Computer Society Conference on …, https://www.computer.org/csdl/proceedings/cvpr/2001/12OmNx7ouUK
14. CVPR 2001 : proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition : 8-14 December, 2001, Kauai, Hawaii, USA - Solent Library Catalogue, https://catalogue.solent.ac.uk/discovery/fulldisplay?docid=alma9997006058904796&context=L&vid=44SSU_INST:VU1&lang=en&search_scope=MyInst_and_CI&adaptor=Local%20Search%20Engine&tab=Combined&query=sub%2Cexact%2CInvestigative%20Techniques%2CAND&mode=advanced&offset=0
15. proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition : 8-14 December, 2001, Kauai, Hawaii, USA - OCAD University - Ex Libris, http://ocadu.primo.exlibrisgroup.com/discovery/fulldisplay?docid=alma991001082793707481&context=L&vid=01OCUL_OCAD:OMNI&lang=en&search_scope=MyInst_and_CI&adaptor=Local%20Search%20Engine&tab=Everything&query=sub%2Cexact%2C%20%20Image%20Interpretation%2C%20Computer-Assisted%20%2CAND&mode=advanced&offset=0
16. Proceedings - Google Books, https://books.google.com/books/about/Proceedings.html?id=p_pVAAAAMAAJ
17. 2001 ICRA IEEE International Conference on Robotics and Automation - EIA, http://eia.udg.es/~qsalvi/papers/2001-ICRA-Credits.pdf
18. Mobile Robotics in the Long Term - The Australian National University, https://researchportalplus.anu.edu.au/en/publications/mobile-robotics-in-the-long-term
19. IROS: Proceedings of the … IEEE/RSJ International Conference on … - Google Books, https://books.google.com/books/about/IROS.html?id=Xw1WAAAAMAAJ
20. 1 RANDOM FORESTS Leo Breiman Statistics Department University …, https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf
21. Random Forests - ResearchGate, https://www.researchgate.net/publication/275342330_Random_Forests
22. Analysis of a Random Forests Model - Journal of Machine Learning Research, https://www.jmlr.org/papers/volume13/biau12a/biau12a.pdf
23. (PDF) Random Forests - ResearchGate, https://www.researchgate.net/publication/236952762_Random_Forests
24. 1 RANDOM FORESTS–RANDOM FEATURES Leo Breiman Statistics Department University of California Berkeley, CA 94720 Technical Report, https://www.stat.berkeley.edu/~breiman/random-forests.pdf
25. AdaBoost - Wikipedia, https://en.wikipedia.org/wiki/AdaBoost
26. Explaining AdaBoost - Robert Schapire, http://www.schapire.net/papers/explaining-adaboost.pdf
27. A Short Introduction to Boosting, https://www.site.uottawa.ca/~stan/csi5387/boost-tut-ppr.pdf
28. Viola–Jones object detection framework - Wikipedia, https://en.wikipedia.org/wiki/Viola%E2%80%93Jones_object_detection_framework
29. Detection of Face using Viola Jones and Recognition Using Back Propagation Neural Network - arXiv, https://arxiv.org/pdf/1701.08257
30. Face Detection using Viola Jones Algorithm - Great Learning, https://www.mygreatlearning.com/blog/viola-jones-algorithm/
31. Probabilistic robotics | Request PDF - ResearchGate, https://www.researchgate.net/publication/220423943_Probabilistic_robotics
32. Probabilistic Robotics (Intelligent Robotics and Autonomous Agents) | Request PDF, https://www.researchgate.net/publication/319770634_Probabilistic_Robotics_Intelligent_Robotics_and_Autonomous_Agents
33. Probabilistic Robotics - Sebastian Thrun, Wolfram Burgard, Dieter Fox - Google Books, https://books.google.com/books/about/Probabilistic_Robotics.html?id=k_yOQgAACAAJ
34. EKF SLAM is O(n) - Universidad de Zaragoza, http://diis.unizar.es/biblioteca/00/17/001771.pdf
35. Consistency of the EKF-SLAM Algorithm - The University of Sydney, https://www-personal.acfr.usyd.edu.au/tbailey/papers/ekfslam.pdf
36. EKF SLAM - Jihong Ju, https://jihongju.github.io/2018/10/05/slam-05-ekf-slam/
37. An EKF-SLAM algorithm with consistency properties - arXiv, https://arxiv.org/pdf/1510.06263
38. DP-SLAM: Fast, Robust Simultaneous Localization and Mapping Without Predetermined Landmarks - IJCAI, https://www.ijcai.org/Proceedings/03/Papers/163.pdf
39. FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem | Request PDF - ResearchGate, https://www.researchgate.net/publication/224773156_FastSLAM_A_Factored_Solution_to_the_Simultaneous_Localization_and_Mapping_Problem
40. FastSLAM: A Factored Solution to the Simultaneous Localization …, https://cdn.aaai.org/AAAI/2002/AAAI02-089.pdf
41. FastSLAM: An Efficient Solution to the Simultaneous Localization And Mapping Problem with Unknown Data Association - Sebastian Thrun, http://robots.stanford.edu/papers/Thrun03g.pdf
42. ASIMO - Wikipedia, https://en.wikipedia.org/wiki/ASIMO
43. Honda’s Advanced Humanoid Robot ‘ASIMO’ Makes U.S. Debut, https://hondanews.com/en-US/releases/release-6d3f77ac0cb7c24f66e07a004c34c752-hondas-advanced-humanoid-robot-asimo-makes-u-s-debut
44. ASIMO AND AIBO AND SONY, TOYOTA AND HONDA ROBOTS - Facts and Details, https://factsanddetails.com/japan/cat26/sub163/item872.html
45. Humanoid Locomotion and the Brain - Humanoid Robotics and Neuroscience - NCBI, https://www.ncbi.nlm.nih.gov/books/NBK299039/