년 AI 및 로봇 연구 동향

1. 서론: ’AI 겨울’을 지나 새로운 지평으로

1992년은 인공지능(AI) 분야에 있어 중대한 전환점이었다. 1980년대 후반과 90년대 초반은 1980년대에 상업적으로 큰 성공을 거두었던 전문가 시스템(Expert Systems)과 이를 지원하던 LISP 머신 시장이 1987년을 기점으로 급격히 붕괴하며 ’AI 겨울’이라 불리는 연구 침체기를 맞이한 시기였다.1 XCON과 같은 초기 성공 사례에도 불구하고, 전문가 시스템은 높은 유지보수 비용, 학습 능력의 부재, 그리고 비정상적 입력에 대한 취약성(brittleness) 등 근본적인 한계에 부딪혔다.1 이러한 상업적 실패는 AI 연구 전반에 대한 회의론을 확산시켰다.

그러나 학문적 영역에서는 이러한 위기가 새로운 기회로 작용했다. 1990년대에 들어서면서 AI 연구는 과거의 기호주의적, 규칙 기반 접근법의 한계를 인식하고, 보다 엄격한 수학적 방법론과 경험적 검증을 중시하는 방향으로 선회했다.2 이러한 변화는 단순히 이전 패러다임의 연장선이 아니라, 실패에 대한 깊은 성찰을 통해 탄생한 새로운 패러다임의 시작을 알리는 신호탄이었다. 상업적 실패가 오히려 학문적 순수성과 엄밀함을 강화하는 역설적인 촉매제로 작용한 것이다. 이는 컴퓨터의 연산 능력 증대와 맞물려, AI 연구가 물류, 데이터 마이닝, 의료 진단 등 산업 전반에 실질적으로 응용되기 시작하는 계기가 되었다.2 이 시기의 변화된 연구 방향성은 1992년 Patrick Winston이 AI를 “인식하고, 추론하고, 행동하는 것을 가능하게 하는 계산에 대한 연구“로 정의한 것에서도 잘 드러난다.4

본 보고서는 이러한 전환기 속에서 1992년에 발표된 AI 및 로봇 공학 분야의 핵심 연구들을 심층적으로 분석한다. 제1부에서는 기계학습과 계획(Planning) 분야의 혁신적인 발전을 다룬다. 특히 신경망 최적화를 위한 ‘최적의 뇌 외과의사(Optimal Brain Surgeon)’ 알고리즘, 패턴 인식의 불변성 문제를 다룬 ‘변환 거리(Transformation Distance)’, 그리고 계획 문제를 새로운 시각에서 접근한 ’만족성 문제로서의 계획(Planning as Satisfiability)’을 중심으로 살펴본다. 제2부에서는 로봇 공학 분야의 도약을 조명한다. 자연에서 영감을 얻은 ‘개미 군집 최적화(Ant Colony Optimization)’, 불확실성 하에서의 항법 문제를 다룬 ‘랜드마크 기반 항법(Landmark-Based Navigation)’, 그리고 로봇 조작의 정밀도를 높인 ‘최적 파지 계획(Planning Optimal Grasps)’ 등의 연구를 분석한다. 본 보고서는 각 장에서 주요 학술대회(AAAI, NIPS, ICRA, IROS 등)의 발표 내용을 중심으로 1992년의 연구 지형도를 그리고, 이들이 현대 AI 기술의 발전에 어떠한 초석을 놓았는지 분석할 것이다.

2. 인공지능 연구의 재편

2.1 장: 기계학습, 경험적 혁명의 서막

1992년은 신경망 연구가 이론적 깊이를 더해가던 중요한 해였다. 특히 제5회 신경정보처리시스템학회(NIPS 1992, 현 NeurIPS)에서는 이후 수십 년간 인용될 중요한 방법론들이 발표되었다.5 이 시기의 연구는 생물학적 신경 시스템에 대한 이해와 순수 공학 문제 해결이라는 두 가지 흐름이 공존했으며, 점차 기계학습, 인공지능, 통계학 분야의 논문이 주를 이루게 되었다.7 이 시기 기계학습 연구의 핵심은 ’무엇이 지능인가’라는 철학적 질문에서 벗어나, ’어떻게 성능을 수학적으로 최적화하고 일반화할 것인가’라는 공학적 문제로 구체화되었다는 점이다.

2.1.1 신경망 최적화의 정점: ‘최적의 뇌 외과의사’ 알고리즘 분석

훈련된 신경망에서 불필요한 가중치(weight)를 제거하는 ’가지치기(pruning)’는 모델을 단순화하고 일반화 성능을 높이는 중요한 기술이다. 이전의 ‘최적의 뇌 손상(Optimal Brain Damage)’ (Le Cun, Denker, and Solla, 1990) 기법은 계산의 편의를 위해 헤세 행렬(Hessian matrix)이 대각 행렬(diagonal matrix)이라고 가정했다. 그러나 실제 문제에서 헤세 행렬은 강한 비대각(off-diagonal) 성분을 갖는 경우가 많아, 이 가정은 종종 잘못된 가중치를 제거하는 한계를 낳았다.9

1992년 NIPS에서 Babak Hassibi와 David G. Stork는 이러한 한계를 극복하는 ‘최적의 뇌 외과의사(Optimal Brain Surgeon, OBS)’ 알고리즘을 발표했다.5 OBS는 헤세 행렬의 모든 정보를 활용하여, 특정 가중치를 제거했을 때 발생하는 오차(error) 증가를 최소화하는 정교한 방법을 제시했다. 이는 학습을 단순히 가중치 조정의 문제로 보는 것을 넘어, 모델의 구조 자체를 최적화하는 문제로 확장시켰다는 점에서 큰 의미를 가진다.

OBS의 수학적 원리는 오차 함수 E의 2차 테일러 근사에 기반한다. 가중치 벡터 \mathbf{w}가 오차 함수의 국소 최솟값(local minimum)에 도달했을 때, 1차 미분(gradient)은 0이 되므로 가중치의 작은 변화 \delta\mathbf{w}에 의한 오차 증가는 다음과 같이 근사된다.12

\delta E \approx \frac{1}{2} \delta\mathbf{w}^T \mathbf{H} \delta\mathbf{w}
여기서 \mathbf{H}는 헤세 행렬 \frac{\partial^2 E}{\partial\mathbf{w}^2}이다. 특정 가중치 w_q를 제거하는 것은 가중치 변화량 \delta w_q가 -w_q가 되어야 함을 의미하며, 이는 \mathbf{e}_q^T \delta\mathbf{w} + w_q = 0이라는 선형 제약 조건으로 표현된다. 여기서 \mathbf{e}_q는 q번째 요소만 1인 단위 벡터다. OBS는 이 제약 조건 하에서 \delta E를 최소화하기 위해 라그랑주 승수법(Lagrange multipliers)을 사용한다.10 이를 통해 최적의 가중치 변화 \delta\mathbf{w}와 그로 인한 오차 증가량, 즉 ‘현저성(saliency)’ L_q를 다음과 같이 유도한다.

\delta\mathbf{w} = - \frac{w_q}{[\mathbf{H}^{-1}]_{qq}} \mathbf{H}^{-1} \mathbf{e}_q

L_q = \frac{w_q^2}{2[\mathbf{H}^{-1}]_{qq}}

알고리즘은 모든 가중치에 대해 L_q를 계산하여 그 값이 가장 작은 가중치를 제거 대상으로 선택한다. 그리고 단순히 제거하는 데 그치지 않고, 나머지 가중치들을 계산된 최적의 변화량 \delta\mathbf{w}만큼 조정하여 네트워크의 손상을 최소화한다.10 이 과정은 더 이상 성능 저하 없이 가중치를 제거할 수 없을 때까지 반복된다. OBS는 단순히 가중치를 제거하는 것을 넘어, 다른 가중치들을 재조정하여 네트워크 손상을 최소화한다는 점에서 혁신적이었으며, 이후 모델 압축 및 최적화 연구에 중요한 이론적 기반을 제공했다.

2.1.2 불변성(Invariance)의 구현: Yann LeCun 등의 ‘변환 거리’ 기반 패턴 인식

K-최근접 이웃(K-NN)과 같은 메모리 기반 분류 알고리즘은 일반적으로 유클리드 거리를 사용하는데, 이는 이미지의 평행이동, 회전, 크기 변화 등 변환에 매우 취약하다.14 패턴의 본질은 변하지 않았음에도 픽셀 값의 변화만으로 완전히 다른 패턴으로 인식될 수 있는 근본적인 문제가 있었다. 기존의 해결책인 탄성 매칭(elastic matching)이나 변형 가능 템플릿(deformable templates)은 계산 비용이 높고 특정 문제에만 적용 가능한 한계가 있었다.14

NIPS 1992에서 Patrice Simard, Yann LeCun, John S. Denker는 이러한 문제를 해결하기 위해 ’변환 거리(Transformation Distance)’라는 새로운 거리 척도를 제안했다.5 이 방법의 핵심은 두 패턴 사이의 거리를 계산할 때, 한 패턴에 가능한 모든 변환(예: 회전, 크기 조절, 기울임 등)을 적용하여 만들 수 있는 점들의 집합, 즉 ’매니폴드(manifold)’와 다른 패턴 사이의 최단 거리를 찾는 것이다.15 이는 패턴 인식에서 ’불변성’이라는 사전 지식을 기하학적 제약 조건으로 변환하여 모델에 명시적으로 주입하는 새로운 접근법이었다.

모든 변환을 직접 계산하는 것은 비효율적이므로, 연구진은 각 패턴 주위의 변환 매니폴드를 ’접평면(tangent plane)’으로 선형 근사하는 방법을 사용했다.15 이 접평면은 변환(회전, 스케일링 등)에 대한 패턴의 1차 미분 벡터들, 즉 ’접선 벡터(tangent vectors)’들로 구성된다. 결국 두 패턴 간의 변환 거리는 두 접평면 사이의 최단 거리를 계산하는 간단한 최소 제곱 문제(linear least squares problem)로 귀결되어 효율적인 계산이 가능해진다.15 이 연구는 데이터 증강을 통해 암묵적으로 불변성을 학습시키는 대신, 불변성 자체를 알고리즘에 직접 통합함으로써 데이터 효율성과 일반화 성능을 크게 향상시켰다.19 이는 훗날 컨볼루션 신경망(CNN)에서 컨볼루션과 풀링 연산을 통해 평행이동 불변성을 구조적으로 구현하는 아이디어의 중요한 이론적 토대가 되었다.

2.1.3 강화학습 및 통계적 모델링의 동향

NIPS 1992에서는 Q-러닝, 은닉 마르코프 모델(HMM) 등 다양한 강화학습 및 통계적 모델링 연구가 발표되었다. Charles W. Anderson은 Q-러닝에서 은닉 유닛을 재시작하는 기법을 제안했고 5, Steven J. Bradtke는 최적 제어 문제의 일종인 선형 2차 조절(Linear Quadratic Regulation) 문제에 강화학습을 적용하는 연구를 발표했다.5 이는 강화학습이 전통적인 제어 이론의 문제 해결에도 적용될 수 있음을 보여주었다.

특히 통계적 모델링 분야에서는 HMM의 응용 범위가 확장되는 경향이 뚜렷했다. Pierre Baldi 등은 분자 생물학 데이터 분석에 HMM을 적용하는 새로운 알고리즘을 발표했으며 5, Esther Levin과 Roberto Pieraccini는 HMM을 음성 인식에서 광학 문자 인식(OCR)으로 확장하는 ‘평면 은닉 마르코프 모델링(Planar Hidden Markov Modeling)’ 연구를 선보였다.5 이러한 연구들은 기계학습 모델이 특정 도메인을 넘어 다양한 문제에 적용될 수 있는 일반성을 갖추기 시작했음을 보여준다.

또한, 신경망과 기호주의적 학습을 결합하려는 시도도 있었다. RAPTURE 시스템은 역전파 알고리즘을 수정하여 MYCIN 스타일의 전문가 시스템 규칙의 신뢰도 계수(certainty factors)를 미세 조정하고, ID3의 정보 획득 휴리스틱을 사용하여 새로운 규칙을 추가하는 하이브리드 접근법을 제시했다.20 이는 데이터 기반 접근법과 전통적인 기호주의 AI를 통합하여 상호 보완하려는 초기 연구로서 의미가 있다.

2.2 장: 계획과 추론의 새로운 형식주의

1992년은 AI 계획(Planning) 분야가 자체적인 학문 분야로 독립하고, 기존의 패러다임을 근본적으로 재검토하기 시작한 해였다. 제1회 AI 계획 시스템 국제 학회(AIPS ’92)가 개최되었고 21, 전통적인 연역적(deductive) 접근법을 대체하는 혁신적인 아이디어가 등장했다. 이 시기의 가장 큰 변화는 문제를 어떻게 ’표현(represent)’하는지가 해법의 효율성과 표현력을 결정한다는 인식이 확산된 것이며, 이는 문제 해결기와 문제 표현을 분리하는 강력한 모듈화로 이어졌다.

2.2.1 계획 문제의 재구성: Kautz와 Selman의 ‘만족성 문제로서의 계획’

전통적으로 AI 계획은 초기 상태와 일련의 행동으로부터 목표 상태를 논리적으로 증명하는 연역(deduction) 문제로 형식화되었다.22 이는 STRIPS와 같은 시스템의 기반이었으나, 복잡한 제약 조건을 표현하기 어렵고 계산적으로 비효율적인 경우가 많았다. 예를 들어, 특정 행동이 동시에 일어나지 않아야 한다는 제약이나 자원 제약 등을 표현하기가 까다로웠다.

1992년 유럽 인공지능 학회(ECAI ’92)에서 Henry Kautz와 Bart Selman은 ’만족성 문제로서의 계획(Planning as Satisfiability, SATPLAN)’이라는 획기적인 아이디어를 제시했다.22 이는 계획 문제를 ’증명해야 할 정리’가 아니라 ’충족시켜야 할 모델’로 재정의한 것이다. 이 접근법은 계획 문제를 특정 알고리즘으로 푸는 대신, 범용적인 표현 형식인 명제 논리(propositional logic)로 ’번역(compile)’하는 데 집중했다.

SATPLAN의 핵심 원리는 고정된 길이 n에 대한 계획 문제를 하나의 거대한 명제 논리식으로 인코딩하는 것이다.25 이 논리식은 다음과 같은 요소들을 논리적 ‘AND’(\land)로 연결하여 구성된다:

1. 초기 상태 공리: 시간 0에서의 상태를 기술하는 명제들. 예를 들어, at(Robot, RoomA, 0).

2. 목표 상태 공리: 시간 n에서 만족되어야 할 상태를 기술하는 명제들. 예를 들어, at(Robot, RoomB, n).

3. 행동 공리: 각 시간 단계 i에서 행동이 발생하면 (move(A, B, i)), 그 전제조건이 시간 i에 참이어야 하고(preconditions(i)), 그 효과가 시간 i+1에 참이 됨을 나타내는 함의문(\rightarrow)들.

4. 프레임 공리: 한 행동의 결과로 직접 바뀌지 않는 상태는 그대로 유지된다는 것을 명시하는 공리들. 이는 AI의 고전적인 ’프레임 문제’를 다루는 방식이다.

이 거대한 논리식을 만족시키는 진리값 할당(satisfying assignment 또는 model)이 존재한다면, 그 할당으로부터 시간 0부터 n-1까지 참이 되는 행동 명제들을 순서대로 나열하여 n 단계의 유효한 계획을 추출할 수 있다. 만약 모델이 없다면, n 단계의 계획은 존재하지 않는 것이다.24 이 접근법은 계획 문제를 범용 SAT 솔버로 해결할 수 있는 길을 열었으며, 이후 Blackbox와 같은 시스템의 이론적 기반이 되었다.26 또한, 다양한 종류의 제약 조건을 유연하게 추가할 수 있는 강력한 틀을 제공했다.24

2.2.2 제1회 AI 계획 시스템 국제 학회(AIPS ’92)의 주요 의제

1992년 6월 메릴랜드에서 개최된 AIPS ’92는 계획 연구가 하나의 독립된 학문 분야로서 성숙했음을 상징하는 중요한 사건이었다.21 학회 발표 목록을 통해 당시 연구의 폭과 깊이를 엿볼 수 있으며, 고전적인 STRIPS 스타일의 계획을 넘어선 다양한 주제들이 논의되었음을 알 수 있다.21

주요 의제는 다음과 같이 분류할 수 있다 21:

• 불확실성 및 실시간 대응: ‘의사결정 이론 기반 계획(Decision-Theoretic Planning)’, ‘반응과 숙고의 통합(A Practical Approach to Integrating Reaction and Deliberation)’, ‘열린 루프 및 닫힌 루프 동역학 모니터링 및 활용’ 등은 예측 불가능하고 동적인 환경에서 작동하는 계획 시스템에 대한 높은 관심을 보여준다. 이는 로봇 공학이나 실시간 제어 시스템과의 접점을 모색하는 연구 흐름이었다.

• 학습과 계획의 결합: ‘계획 학습에서의 단순화 프레임워크(A Framework of Simplifications in Learning to Plan)’, ‘사례 기반 계획(Case-Based Planning)’, ‘학습된 지식의 효용성 트레이드오프(Tradeoffs in the Utility of Learned Knowledge)’ 등은 경험으로부터 계획 능력을 점진적으로 향상시키려는 연구가 활발했음을 시사한다. 이는 전문가 시스템의 지식 획득 병목 현상에 대한 대안으로 부상했다.

• 다중 에이전트 및 로봇 계획: ‘협력적 이동 로봇을 위한 아키텍처(An Architecture Supporting Multiple Organizations for Cooperative Mobile Robots)’, ‘이동 로봇을 위한 교통 법규(On Traffic Laws for Mobile Robots)’ 등은 계획 연구가 단일 에이전트의 이상적인 세계를 넘어, 다수의 에이전트가 상호작용하는 복잡한 현실 세계로 확장되고 있었음을 보여준다.

이 학회는 계획 연구가 단순히 행동 순서를 생성하는 것을 넘어, 불확실성, 학습, 다중 에이전트 협력, 실시간 제약 등 현실 세계의 복잡성을 다루는 방향으로 진화하고 있음을 명확히 했다.

2.2.3 지식 표현과 비단조 추론의 연구 동향

1992년에는 지식 표현(Knowledge Representation, KR)과 추론에 대한 연구도 꾸준히 이어졌다. AAAI 봄 심포지엄에서는 ‘명제적 지식 표현(Propositional Knowledge Representation)’, ‘지식 동화(Knowledge Assimilation)’, ‘다이어그램 표현을 이용한 추론(Reasoning with Diagrammatic Representations)’ 등의 주제가 다뤄졌다.30 이는 지식을 효과적으로 표현하고 기존 지식 체계에 새로운 정보를 통합하는 방법에 대한 지속적인 탐구를 보여준다.

또한 제3회 지식 표현 및 추론 원리 국제 학회(KR ’92)가 10월에 케임브리지에서 개최되어, 이 분야의 이론적 기반을 다지는 중요한 논문들이 발표되었다.31 이 시기 연구는 전문가 시스템의 한계였던 ’취약성’을 극복하기 위한 노력의 일환으로, 불완전한 정보 하에서 상식적인 추론을 가능하게 하는 비단조 논리(Nonmonotonic Logic)와 같은 형식주의에 대한 깊이 있는 탐구를 포함했다.1 예를 들어, “새는 날 수 있다“는 일반적인 규칙이 있을 때, “펭귄은 새이지만 날 수 없다“는 예외 정보를 접했을 때 기존의 믿음을 수정하는 과정을 형식화하는 것이 비단조 추론의 핵심 과제 중 하나였다.

3. 지능형 로봇 공학의 도약

1992년은 로봇 공학이 3세대(1978-1999) 기술의 성숙기에 접어든 시점이었다. 이 세대의 로봇들은 자체 프로그래밍이 가능하고 환경과 상호작용하며, 컴퓨터와 연동되는 프로그래밍 언어를 사용했다.33 AAAI-92 학회에서 이동 로봇 전시회가 열린 것은 AI와 로봇 공학의 재결합에 대한 높은 관심을 반영하는 사건이었다.34 연구의 초점은 산업 현장의 정형화된 작업을 넘어, 불확실하고 동적인 실제 환경에서 자율적으로 임무를 수행하는 기술로 이동하고 있었다. 이 시기 연구의 저변에는 ’불확실성과의 타협’이라는 실용주의적 철학이 깔려 있었다. 완벽한 모델과 완벽한 제어를 추구하기보다, 불확실성을 인정하고 이를 관리하거나 우회하는 영리한 방법을 모색하는 방향으로 연구가 진행되었다.

3.1 장: 불확실한 세계에서의 자율 항법

3.1.1 군집 지능의 탄생: Marco Dorigo의 ‘개미 군집 최적화’

1992년, Marco Dorigo는 자신의 박사학위 논문에서 ’개미 군집 최적화(Ant Colony Optimization, ACO)’라는 새로운 메타휴리스틱을 제안했다.35 이 알고리즘은 개미들이 먹이를 찾아 집으로 돌아올 때 페로몬(pheromone) 흔적을 남겨 동료 개미들에게 최단 경로를 알려주는 집단 행동에서 영감을 얻었다.37 이는 결정론적 최적 경로 대신, 다수의 확률적 탐색과 긍정적 피드백을 통해 강인한(robust) 해를 찾아내는 접근법이다.

ACO의 메커니즘은 다음과 같다. 가상의 개미(에이전트)들이 문제 공간을 나타내는 그래프를 탐색하며 해(경로)를 구성한다. 각 개미는 다음 노드를 선택할 때, 각 간선(edge)에 축적된 페로몬의 양과 문제에 특화된 휴리스틱 정보(예: 두 노드 사이의 거리)에 기반한 확률적 결정을 내린다.39 짧은 경로를 발견한 개미는 더 빨리 왕복하며 단위 시간당 더 많은 페로몬을 남기게 되고, 이는 다른 개미들이 해당 경로를 선택할 확률을 높이는 긍정적 피드백 루프(positive feedback loop)를 형성한다. 동시에, 시간이 지남에 따라 페로몬은 증발하여, 더 이상 강화되지 않는 비최적 경로의 매력도를 점차 낮춘다. 이 증발 메커니즘은 시스템이 지역 최적해(local optima)에 고착되는 것을 방지하고 새로운 경로를 탐색할 여지를 남긴다.37

ACO는 중앙 통제 없이 분산된 다수의 단순한 에이전트들이 상호작용을 통해 외판원 문제(Traveling Salesman Problem)와 같은 복잡한 조합 최적화 문제의 준수한 해를 찾아내는 군집 지능(Swarm Intelligence) 분야의 효시가 되었다.40 이는 로봇 경로 계획 35뿐만 아니라 네트워크 라우팅, 도시 교통 시스템 등 다양한 분야에 적용될 수 있는 강력하고 유연한 프레임워크를 제공했다.

3.1.2 환경 공학을 통한 문제 해결: Latombe 등의 ‘랜드마크 기반 로봇 항법’

로봇이 현실 세계에서 작동하기 위해서는 제어와 센싱의 불확실성을 다룰 수 있어야 한다. 그러나 모든 불확실성을 고려하여 완벽한 계획을 세우는 것은 계산적으로 매우 어렵다. 이러한 문제를 해결하기 위해 AAAI-92에서 Anthony Lazanas와 Jean-Claude Latombe는 ’랜드마크 기반 로봇 항법(Landmark-Based Robot Navigation)’이라는 실용적인 접근법을 제안했다.41

이 접근법의 핵심은 작업 공간에 ’랜드마크(landmark)’라는 특정 영역을 설정하는 것이다. 로봇은 랜드마크의 영향권 내에서는 자신의 위치를 정확히 알고 완벽하게 제어할 수 있지만, 그 밖에서는 제어가 불완전하고 센싱이 불가능하다고 극단적으로 가정한다.44 이는 알고리즘의 복잡성을 환경 설계로 전가하는 실용적 해법이다. 플래너는 목표 지점으로부터 역방향으로 ’비방향성 선행 이미지(non-directional preimage)’를 계산한다. 이는 ‘이 영역에만 도달하면, 불확실성에도 불구하고 확실하게 다음 단계로 나아갈 수 있는’ 영역들의 집합이다. 이 과정을 로봇의 초기 위치 영역이 완전히 포함될 때까지 반복하여, 일련의 반응 규칙(reaction rules)으로 구성된 보장된 계획(guaranteed plan)을 생성한다.44

이 연구는 복잡한 계획 문제를 다루기 위해 로봇이나 작업 공간 자체를 ’공학적으로 설계(workspace engineering)’할 수 있다는 새로운 관점을 제시했다는 점에서 큰 의의를 가진다.42 이는 모든 문제를 순수하게 알고리즘으로만 해결하려는 시도에서 벗어나, 문제 자체를 단순화하여 다루기 쉽게 만드는 실용적인 접근법의 중요성을 강조했다.

3.1.3 하이브리드 아키텍처와 센서 기반 접근법

1992년 ICRA에서 J. H. Connell은 서보 제어(servo-control), subsumption, 기호적 계층(symbolic layer)을 결합한 SSS라는 3계층 하이브리드 아키텍처를 제안했다.47 이 아키텍처는 각 계층의 장점을 최대한 활용하면서, 계층 간 인터페이스(상황 인식기, 이벤트 탐지기)를 통해 시너지를 창출했다. 이를 통해 로봇이 실내 환경을 자동으로 매핑하고 초당 2.6피트의 빠른 속도로 부드럽게 항해하는 것을 시연했다.47 이는 순수 반응형 아키텍처의 유연성과 순수 숙고형 아키텍처의 목표 지향성을 결합하여, 두 접근법의 한계를 극복하려는 중요한 시도였다.

3.2 장: 로봇 조작과 상호작용 기술의 심화

3.2.1 힘 제어와 최적 파지: Ferrari와 Canny의 ‘최적 파지 계획’

로봇이 물체를 안정적으로 잡기 위해서는 단순히 물체를 쥘 수 있는지를 넘어, ‘얼마나 잘’ 쥘 수 있는지를 평가하고 최적의 파지(grasp)를 계획하는 것이 중요하다. 1992년 ICRA에서 Carlo Ferrari와 John Canny는 ’최적 파지 계획(Planning Optimal Grasps)’이라는 논문에서 이 문제에 대한 엄밀한 수학적 접근법을 제시했다.48

그들은 파지 품질을 정량적으로 평가하기 위한 두 가지 기준, 즉 총 손가락 힘(total finger force)과 최대 손가락 힘(maximum finger force)을 제안했다. 이 연구는 외부에서 가해지는 어떠한 힘과 토크(이를 합쳐 ’렌치(wrench)’라 함)에도 저항할 수 있는 ‘힘 폐쇄(force-closure)’ 파지를 가정했다.48 렌치 공간(wrench space)이라는 6차원 공간을 도입하고, 다양한 메트릭을 사용하여 파지의 ’효율성’을 정의했다. 기하학적 해석을 통해, 주어진 물체에 대해 이러한 품질 척도를 최대화하는 최적의 파지 지점을 찾는 효율적인 알고리즘을 제시했다.48

이 연구는 로봇 조작 분야에 엄밀한 최적화 이론을 적용한 대표적인 사례로, 로봇의 물리적 상호작용을 직관이 아닌 수학적 모델링과 분석을 통해 다루는 현대 로봇 공학 연구의 방향을 제시했다. 같은 해에 힘 제어(Force Control) 기술이 수술 로봇 49, 핸드 컨트롤러 50 등 다양한 응용 분야에서 안전성과 직관적인 인터페이스를 제공하기 위해 활발히 연구된 것 역시 이러한 흐름의 일환이다.

3.2.2 센서 융합과 환경 인식

이 시기 로봇 연구는 단일 센서의 한계를 극복하기 위해 다중 센서의 정보를 통합하는 센서 융합(Sensor Fusion) 기술의 중요성을 인식하기 시작했다.51 IROS ’92 학회의 부제인 “센서 기반 로봇 공학과 산업 응용 기회“는 이러한 경향을 명확히 보여준다.54

로봇 비전, 센싱, 인식 기술은 로봇이 환경과 지능적으로 상호작용하기 위한 핵심 요소로 연구되었다. RGB 카메라, LiDAR, 레이더, 소나와 같은 외부 센서(exteroceptive sensors)와 엔코더, IMU 같은 내부 센서(proprioceptive sensors)로부터 얻은 데이터를 융합하여 물체를 인식하고 장면을 이해하며, 이를 통해 자율 항법 및 조작의 신뢰성을 높이는 연구가 진행되었다.51 이는 불확실성을 줄이기 위해 여러 소스에서 정보를 보완적으로 얻으려는 시도로, 현대 자율주행 기술의 핵심인 센서 융합의 초기 형태로 볼 수 있다.

4. 결론: 1992년의 유산과 현대 AI에의 영향

1992년은 AI 역사에서 단순한 한 해가 아니라, 패러다임이 전환되는 분기점이었다. ’AI 겨울’의 혹독한 환경 속에서 살아남은 연구들은 더 단단하고 실용적인 뿌리를 내렸다. 이 시기에 제시된 아이디어들은 21세기 AI 기술의 폭발적인 성장을 이끈 핵심적인 씨앗이 되었다.

NIPS에서 발표된 수학적으로 정교한 신경망 최적화 및 패턴 인식 기법(OBS, 변환 거리)은 오늘날 딥러닝 모델의 압축, 최적화, 그리고 CNN의 구조적 설계에 대한 초기 영감을 제공했다.5 계획 문제를 SAT 문제로 환원한 Kautz와 Selman의 연구는 AI의 여러 하위 분야(계획, 추론, 탐색)를 통합할 수 있는 가능성을 보여주었으며, 현대의 강력한 제약 만족 솔버 기반 접근법의 원형이 되었다.22 Dorigo의 ACO와 같은 생체 모방 알고리즘은 분산되고 자율적인 시스템 설계에 새로운 영감을 주었으며, 이는 오늘날 군집 로봇, 물류 최적화, 네트워크 관리 등 다양한 분야에서 활용되고 있다.35 로봇 공학 분야에서 불확실성을 다루기 위한 실용적인 접근법들(랜드마크 항법, 센서 융합, 힘 제어)은 자율주행차, 협동 로봇 등 현대 로봇 시스템이 현실 세계와 안전하고 효과적으로 상호작용하는 데 필수적인 기술들의 토대를 마련했다.41

결론적으로, 1992년은 AI 연구가 기호주의의 한계를 넘어 데이터와 수학, 그리고 현실 세계와의 상호작용을 중시하는 ’경험적 과학’으로 거듭나는 결정적인 해였다. 이 시기의 전환은 AI가 소수의 연구실을 벗어나 산업 전반에 영향을 미치는 범용 기술로 발전하는 데 필수적인 지적 토양을 제공했다. 1992년에 뿌려진 씨앗들은 수십 년의 연구를 거쳐, 오늘날 우리가 경험하고 있는 AI 혁명의 거대한 나무로 성장했다.

5. 참고 자료

1. AI winter - Wikipedia, https://en.wikipedia.org/wiki/AI_winter
2. Global Research on Artificial Intelligence from 1990–2014: Spatially-Explicit Bibliometric Analysis - MDPI, https://www.mdpi.com/2220-9964/5/5/66
3. Timeline of artificial intelligence - Wikipedia, https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence
4. AI Watch Historical Evolution of Artificial Intelligence - JRC Publications Repository, https://publications.jrc.ec.europa.eu/repository/bitstream/JRC120469/jrc120469_historical_evolution_of_ai-v1.1.pdf
5. Advances in Neural Information Processing Systems 5 (NIPS 1992), https://proceedings.neurips.cc/paper/1992
6. Neural Information Processing Systems (NIPS) - SIGMOD, http://www.sigmod.org/publications/dblp/db/conf/nips/index.html
7. Conference on Neural Information Processing Systems - Wikipedia, https://en.wikipedia.org/wiki/Conference_on_Neural_Information_Processing_Systems
8. List of Proceedings, https://papers.nips.cc/
9. Second Order Derivatives for Network Pruning: Optimal Brain Surgeon - Caltech Authors, https://authors.library.caltech.edu/records/d0dqg-kr329/latest
10. Second Order Derivatives for Network Pruning: Optimal Brain Surgeon, https://proceedings.neurips.cc/paper/1992/file/303ed4c69846ab36c2904d3ba8573050-Paper.pdf
11. Optimal Brain Surgeon via Lagrange multipliers - Mathematics Stack Exchange, https://math.stackexchange.com/questions/3241315/optimal-brain-surgeon-via-lagrange-multipliers
12. Optimal Brain Surgeon and general network pruning - Neural Networks, 1993., IEEE International Conference on - Babak Hassibi, https://www.babak.caltech.edu/pubs/conferences/00298572.pdf
13. Optimal Brain Surgeon - Lei Mao’s Log Book, https://leimao.github.io/blog/Optimal-Brain-Surgeon/
14. Efficient Pattern Recognition Using a New Transformation Distance - NIPS, https://proceedings.neurips.cc/paper/1992/hash/26408ffa703a72e8ac0117e74ad46f33-Abstract.html
15. Efficient Pattern Recognition Using a New Transformation Distance - NIPS, https://papers.neurips.cc/paper_files/paper/1992/file/26408ffa703a72e8ac0117e74ad46f33-Paper.pdf
16. Efficient pattern recognition using a new transformation distance - NYU Scholars, https://nyuscholars.nyu.edu/en/publications/efficient-pattern-recognition-using-a-new-transformation-distance
17. Efficient Pattern Recognition Using a New Transformation Distance - Semantic Scholar, https://www.semanticscholar.org/paper/Efficient-Pattern-Recognition-Using-a-New-Distance-Simard-LeCun/8314dda1ec43ce57ff877f8f02ed89acb68ca035
18. Pattern Recognition and Neural Networks Yann LeCun Yoshua Bengio Rm 4G332, AT&T Bell Laboratories Dept. Informatique et Rech, https://yann.lecun.org/exdb/publis/pdf/lecun-bengio-95b.pdf
19. Transformation Invariance in Pattern Recognition – Tangent Distance and Tangent Propagation | Request PDF - ResearchGate, https://www.researchgate.net/publication/216792777_Transformation_Invariance_in_Pattern_Recognition_–_Tangent_Distance_and_Tangent_Propagation
20. Combining Neural and Symbolic Learning to Revise Probabilistic Rule Bases - NIPS, https://proceedings.neurips.cc/paper/1992/hash/f76a89f0cb91bc419542ce9fa43902dc-Abstract.html
21. Artificial Intelligence Planning Systems - 1st Edition | Elsevier Shop, https://shop.elsevier.com/books/artificial-intelligence-planning-systems/hendler/978-0-08-049944-4
22. Planning as Satisfiability - CS@Cornell, https://www.cs.cornell.edu/selman/papers/pdf/92.ecai.satplan.pdf
23. Planning as Satisfiability: state of the art, https://users.aalto.fi/~rintanj1/satplan.html
24. Planning as Satisfiability - Henry Kautz and Bart Selman AI Principles Research Department AT&T Bell Laboratories, https://www.cs.virginia.edu/~rmw7my/papers/satplan.pdf
25. Planning as Satisfiability with Blackbox - Computer Science & Engineering, https://www.cse.lehigh.edu/~munoz/AIPlanning/classes/PlanningSatisfiability.ppt
26. Unifying SAT-based and Graph-based Planning - IJCAI, https://www.ijcai.org/Proceedings/99-1/Papers/047.pdf
27. Planning as Satisfiability. | Request PDF - ResearchGate, https://www.researchgate.net/publication/220837924_Planning_as_Satisfiability
28. (PDF) AI Planning: Systems and Techniques - ResearchGate, https://www.researchgate.net/publication/220605101_AI_Planning_Systems_and_Techniques
29. AI Planning: Systems and Techniques | AI Magazine - AAAI Publications, https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/833
30. AAAI 1992 Spring Symposium Series - The Association for the Advancement of Artificial Intelligence, https://aaai.org/conference/spring-symposia/sss92/
31. KR 1992 - Principles of Knowledge Representation and Reasoning, https://kr.org/proceedings/KR-1992-proceedings-scanned.pdf
32. AI ’92 - World Scientific Publishing, https://www.worldscientific.com/worldscibooks/10.1142/1897
33. History of Robotics: Robotic Generations, Coding, and More | IMTS September 14 - 19, 2026, https://www.imts.com/read/article-details/History-of-Robotics-Robotic-Generations-Coding-and-More/1199/type/Read/1
34. AAAI-92: Tenth National Conference on Artificial Intelligence, https://aaai.org/conference/aaai/aaai92/
35. Classical and Heuristic Approaches for Mobile Robot Path Planning: A Survey - MDPI, https://www.mdpi.com/2218-6581/12/4/93
36. Research progress of path planning algorithm for mobile robot navigation - ResearchGate, https://www.researchgate.net/publication/386992012_Research_progress_of_path_planning_algorithm_for_mobile_robot_navigation
37. Ant colony optimization, http://evelyne.lutton.free.fr/ACO.html
38. Ant Colony Optimization: A New Meta-Heuristic - Marco Dorigo, http://staff.washington.edu/paymana/swarm/dorigo99-cec.pdf
39. (PDF) Ant Colony Optimization - ResearchGate, https://www.researchgate.net/publication/2883153_Ant_Colony_Optimization
40. (PDF) Ant Colony Optimization - ResearchGate, https://www.researchgate.net/publication/308953674_Ant_Colony_Optimization
41. 1992-Landmark-Based Robot Navigation - The Association for the Advancement of Artificial Intelligence, https://cdn.aaai.org/AAAI/1992/AAAI92-126.pdf
42. Landmark-Based Robot Navigation - AAAI, https://aaai.org/papers/00816-aaai92-126-landmark-based-robot-navigation/
43. fall-1992-02 Archives - AAAI - The Association for the Advancement of Artificial Intelligence, https://aaai.org/proceeding/fall-1992-02/
44. Landmark-Based Robot Navigation, - DTIC, https://apps.dtic.mil/sti/citations/ADA326022
45. Landmark-Based Robot Navigation, - DTIC, https://apps.dtic.mil/sti/tr/pdf/ADA326022.pdf
46. Landmark-Based Robot Motion Planning - The Association for the Advancement of Artificial Intelligence, https://cdn.aaai.org/Symposia/Fall/1992/FS-92-02/FS92-02-015.pdf
47. SSS: A hybrid architecture applied to robot navigation for ICRA 1992 - IBM Research, https://research.ibm.com/publications/sss-a-hybrid-architecture-applied-to-robot-navigation
48. Planning optimal grasps - Robotics and Automation, 1992. Proceedings., 1992 IEEE International Conference on - People @EECS, https://people.eecs.berkeley.edu/~jfc/papers/92/FCicra92.pdf
49. Force sensing and control for a surgical robot, https://www.cs.jhu.edu/~rht/RHT%20Papers/1992/Force%20Sensing%20and%20Control.pdf
50. Human induced instability in powered hand controllers - Robotics and Automation, 1992. Proceedings., 1992 IEEE International Con, https://bleex.me.berkeley.edu/wp-content/uploads/hel-media/Publication/Bobgan.ICRA.Human%20Induce%20Instability%20Power%20Hand%20Controller.V1.05.1992.pdf
51. Research and Education in Robotics: A Comprehensive Review, Trends, Challenges, and Future Directions - MDPI, https://www.mdpi.com/2224-2708/14/4/76
52. Sensor Fusion in Time-Triggered Systems, https://mobile.aau.at/~welmenre/papers/elmenreich_Dissertation_sensorFusionInTimeTriggeredSystems.pdf
53. Sensor and Sensor Fusion Technology in Autonomous Vehicles: A Review - ResearchGate, https://www.researchgate.net/publication/349498440_Sensor_and_Sensor_Fusion_Technology_in_Autonomous_Vehicles_A_Review
54. IROS ’92 : proceedings of the 1992 IEEE/RSJ International Conference on Intelligent Robots and Systems… - National Library of Australia, https://catalogue.nla.gov.au/catalog/778163