년 2분기 AI 및 로봇 연구 동향

1. 서론: 2013년, 딥러닝 혁명과 지능형 로봇 공학의 변곡점

2013년은 인공지능(AI) 및 로봇 공학 분야의 역사에서 중요한 변곡점으로 기록된다. 2012년 말, 이미지넷 대규모 시각 인식 챌린지(ILSVRC)에서 AlexNet이 압도적인 성능을 보이며 딥러닝의 잠재력을 전 세계에 각인시킨 직후, 학계와 산업계는 새로운 패러다임의 가능성에 대한 기대와 동시에 그 방법론적 기반을 공고히 해야 하는 과제에 직면했다. 이러한 배경 속에서 2013년 2분기는 새로운 아키텍처의 발견보다는, 딥러닝이라는 강력하지만 다루기 어려운 도구를 어떻게 하면 더 안정적이고, 견고하며, 대규모로 운용할 수 있을지에 대한 **방법론적 통합(methodological consolidation)**이 이루어진 결정적인 시기였다.

이 시기의 연구 동향은 ’딥러닝이 작동할 수 있다’는 가능성의 증명을 넘어, ’어떻게 하면 딥러닝을 제대로 작동시킬 것인가’라는 공학적 질문에 답을 찾는 과정으로 전환되었음을 명확히 보여준다. 이는 발견의 시대를 지나 공학의 시대로 진입하는 기술 성숙도의 중요한 지표이다. 2012년이 딥러닝의 ’발견’에 관한 해였다면, 2013년은 그 주변에 ’공학적 원칙’을 구축하는 해였다. 정규화(regularization), 최적화(optimization), 그리고 자동화된 모델 탐색과 같은 주제들이 주요 학회의 중심 의제로 부상한 것은 우연이 아니다.1 연구 커뮤니티가 이 강력하지만 깨지기 쉬운 모델들을 신뢰할 수 있고 재현 가능하게 만들기 위한 실질적인 도전을 해결하기 시작했음을 의미하기 때문이다. 이러한 공학적 기반이 마련됨으로써 이후 AI 기술의 폭발적인 응용 확산이 가능해졌다.

본 보고서는 바로 이 결정적인 시기, 즉 2013년 2분기(4월 1일-6월 30일) 동안 발표된 AI 및 로봇 공학 분야의 핵심 연구들을 심층적으로 분석하고 종합하는 것을 목표로 한다. 보고서는 총 3개의 장으로 구성된다.

제1장에서는 5월에 개최된 로봇 공학 분야의 최고 권위 학회인 ICRA(International Conference on Robotics and Automation)를 중심으로, 인간 중심의 로봇 공학이라는 시대적 요구와 이에 부응하기 위한 제어 이론의 발전을 조망한다. 특히, 로봇의 행동에 대한 안정성을 수학적으로 보장하려는 시도들이 어떻게 구체화되었는지 살펴볼 것이다.

제2장에서는 6월에 집중적으로 개최된 머신러닝 및 컴퓨터 비전 분야의 대표 학회들—ICML(International Conference on Machine Learning), CVPR(Conference on Computer Vision and Pattern Recognition), RSS(Robotics: Science and Systems)—을 분석한다. 이 시기는 딥러닝 방법론이 폭발적으로 성장하며 후속 연구의 기틀을 다진 중요한 기간이었다. 정규화, 활성화 함수, 최적화 기법 등 오늘날까지도 딥러닝의 근간을 이루는 핵심 기술들이 이 시기에 제안되고 논의되었다.

제3장에서는 학술적 성과를 넘어, 당시 주요 연구소들의 설립, 산업계의 기술 동향, 그리고 각국의 전략적 R&D 정책을 살펴봄으로써 기술 발전의 거시적 맥락을 제공한다. 알고리즘의 진보가 어떻게 산업적 투자와 하드웨어의 발전을 촉진하고, 이는 다시 국가적 차원의 전략 수립으로 이어졌는지 그 선순환 구조를 분석한다.

결론적으로, 본 보고서는 2013년 2분기라는 특정 시점을 현미경처럼 들여다봄으로써, AI와 로봇 공학이 어떻게 현재의 모습으로 발전해왔는지 그 기원과 동력을 추적하고자 한다. 이 시기에 단단하게 다져진 방법론적 토대가 없었다면, 오늘날 우리가 목도하는 AI의 시대는 불가능했을 것이다.

2. 2013년 5월 - 로봇 제어 및 인간-로봇 상호작용의 진화

2013년 5월, 로봇 공학계의 시선은 독일 칼스루에로 향했다. 이 시기 로봇 공학 연구의 핵심은 단순히 기계의 성능을 높이는 것을 넘어, 인간의 삶과 공간 속으로 로봇이 안전하고 유용하게 통합되기 위한 근본적인 문제들을 해결하는 데 집중되었다. 이는 제어 이론의 정교화, 인간-로봇 상호작용에 대한 깊은 고찰, 그리고 다양한 응용 분야로의 확장을 통해 구체화되었다.

2.1 ICRA 2013 개요: “인간을 위한 기술, 앤스로포매틱스”

2013년 IEEE 로봇 및 자동화 국제 학회(ICRA 2013)는 5월 6일부터 10일까지 독일 칼스루에에서 개최되었다.4 이 학회의 대주제는 **“앤스로포매틱스 – 인간을 위한 기술(Anthropomatics – Technologies for Humans)”**로 설정되었다.4 ’앤스로포매틱스’는 인간과 로봇이 어떻게 협력하고, 상호작용하며, 공존할 수 있는지를 이해하고 개선하는 과학을 의미하는 용어로, 칼스루에의 한 정보학 교수에 의해 만들어졌다.6 이 주제는 당시 로봇 공학의 연구 방향이 고도로 통제된 공장 환경을 벗어나 예측 불가능하고 복잡한 인간의 일상 공간으로 이동하고 있음을 명확하게 시사했다.

이러한 주제 의식은 학회와 함께 열린 다양한 부대 행사에서도 엿볼 수 있었다. 대표적으로, 로봇 소프트웨어 프레임워크의 생태계를 주도하는 ROS 개발자 컨퍼런스(ROSCon 2013)가 인근 슈투트가르트에서 개최되었으며, ’의미론적 인식, 매핑 및 탐사(Semantic Perception, Mapping and Exploration)’와 같은 워크숍이 열렸다.7 이는 로봇이 단순히 물리적 작업을 수행하는 것을 넘어, 주변 환경의 의미를 이해하고 고수준의 판단을 내리는 방향으로 나아가고 있음을 보여주는 증거였다. 즉, 하드웨어와 소프트웨어, 그리고 고수준 지능에 이르는 로봇 공학 생태계 전반이 ’인간과의 공존’이라는 목표를 향해 정렬되고 있었던 것이다.

2.2 핵심 연구: 안정성 보장을 통한 제어 설계

ICRA 2013에서 가장 주목받은 연구는 단연 ’최우수 컨퍼런스 논문상(Best Conference Paper Award)’을 수상한 Anirudha Majumdar와 그의 동료 연구자들이 발표한 제어 설계에 관한 연구였다.8 이 논문은 로봇이 동적인 작업을 수행할 때 그 안정성과 안전성을 수학적으로 ’보장’하는 문제에 대한 실용적인 해법을 제시했다는 점에서 높은 평가를 받았다.

2.2.1 문제 제기: 불확실한 세상 속 로봇을 위한 보증의 필요성

로봇이 인간과 같은 공간에서 활동하기 위해서는 예측 불가능한 상황에서도 결코 위험한 행동을 하지 않을 것이라는 보증이 필수적이다. 특히 애크로뱃(Acrobot)과 같이 동역학이 복잡하고 비선형적인 시스템은 제어하기가 매우 까다롭다.11 기존의 선형 모델 예측 제어(Linear MPC)와 같은 기법들은 특정 조건 하에서는 우수한 성능을 보이지만, 시스템의 전체 비선형 동역학에 대한 안정성을 보장해주지는 못하는 한계가 있었다.12 Majumdar의 연구는 바로 이 지점에서 출발했다. 즉, 어떻게 하면 로봇이 주어진 목표를 향해 움직이는 동안 어떠한 방해 요인이 있더라도 결코 경로를 벗어나지 않고 안전할 것이라고 수학적으로 증명할 수 있는가 하는 문제였다.

2.2.2 핵심 방법론: ’퍼널’과 제곱합(SOS) 프로그래밍

이 연구의 핵심 아이디어는 **‘퍼널(funnel)’**이라는 개념을 도입하고, 이를 제곱합(Sums-of-Squares, SOS) 프로그래밍이라는 강력한 최적화 도구를 이용해 계산하는 것이다.

**‘퍼널’**은 로봇이 따라가야 할 목표 궤적 주변의 특정 영역을 의미한다. 만약 로봇의 상태가 이 ‘퍼널’ 안에 한 번 진입하면, 제어기는 로봇이 외부의 방해에도 불구하고 결코 이 영역을 벗어나지 않고 최종 목표 지점에 도달하도록 보장한다.11 연구의 목표는 이러한 안정성이 보장되는 ’퍼널’의 크기를 최대한으로 만드는 제어기를 설계하는 것이었다.

이러한 보증은 **랴푸노프 안정성 이론(Lyapunov stability theory)**에 기반한다. 랴푸노프 함수 V(x)는 시스템의 ’에너지’와 유사한 스칼라 함수로, 특정 조건을 만족하면 시스템의 안정성을 증명할 수 있다. 그 조건이란, 평형점을 제외한 모든 상태 x에서 V(x) > 0이고, 시간이 지남에 따라 랴푸노프 함수의 값이 항상 감소(\dot{V}(x) < 0)하는 것이다. 이 두 조건을 만족하는 랴푸노프 함수를 찾을 수 있다면, 시스템은 안정적이라고 결론 내릴 수 있다.

문제는 다항식으로 표현되는 복잡한 비선형 시스템에 대해 이러한 랴푸노프 부등식을 증명하는 것이 계산적으로 매우 어렵다는 점이다. 연구팀은 이 문제를 해결하기 위해 제곱합(SOS) 프로그래밍을 도입했다.12 SOS 프로그래밍은 ’어떤 다항식이 다른 다항식들의 제곱의 합으로 표현될 수 있다면, 그 다항식은 항상 0 이상이다’라는 사실에 착안한다. 이 원리를 이용하면, 다항식의 비음수성(non-negativity)을 확인하는 어려운 문제를 **준정부 프로그래밍(Semidefinite Program, SDP)**이라는 볼록 최적화(convex optimization) 문제로 변환할 수 있으며, 이는 컴퓨터를 통해 효율적으로 풀 수 있다.11

연구팀은 랴푸노프 안정성 조건을 만족하는 제어기를 찾는 문제를, 안정성이 보장된 영역(즉, 퍼널의 크기)을 나타내는 매개변수 \rho를 최대화하는 최적화 문제로 공식화했다. 시간 불변 제어기(time-invariant controller)를 설계하는 경우, 이 최적화 문제는 다음과 같이 표현될 수 있다 12:

\max_{\rho, L(x), V(x), u(x)} \rho
이때 다음의 제약 조건들을 만족해야 한다:

\begin{cases} V(x) - \epsilon(x) & \text{is SOS} \\ -\dot{V}(x, u(x)) + L(x)(V(x) - \rho) & \text{is SOS} \\ L(x) & \text{is SOS} \end{cases}
여기서 V(x)는 랴푸노프 함수, \rho는 안정된 영역 {<code>$x \vert V(x) \le \rho$</code>}의 크기를 정의하며, L(x)는 S-프로시저(S-procedure)라 불리는 SOS 승수 다항식으로, 이 영역 내에서 \dot{V} < 0임을 보장하는 역할을 한다.

2.2.3 연구의 의의와 영향

이 연구는 로봇 제어 분야에 중요한 두 가지 기여를 했다. 첫째, 성능뿐만 아니라 안전성을 수학적으로 보장하는 제어기를 설계할 수 있는 실용적인 계산 도구를 제공했다. 이는 로봇을 인간의 일상 환경에 도입하기 위해 반드시 넘어야 할 신뢰성의 장벽을 낮추는 핵심적인 진전이었다. 둘째, 이 연구는 MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)에서 수행되었으며 12, 제어 이론과 최적화 기법을 로봇 공학의 난제에 성공적으로 접목한 대표적인 사례가 되었다.

2.3 주요 수상 논문 분석 및 동향

ICRA 2013의 다른 수상 논문들을 살펴보면, 당시 로봇 공학 연구가 다루던 문제의 폭과 깊이를 짐작할 수 있다.8

• 자동화(Automation): 예측 가능한 환경에서 장시간 자율적으로 작동하는 시스템에 초점 (수상: Hao Tieng 등)

• 인지 로보틱스(Cognitive Robotics): 가정 및 산업 환경에서의 인지 능력 향상을 위한 학제간 연구 강조 (수상: Vivian Chu 등)

• 조작(Manipulation): 동적인 환경에서의 계획 및 실행 능력에 대한 혁신적 연구 조명 (수상: Danica Kragic 등)

• 의료 로보틱스(Medical Robotics): 임상 효능을 높이는 새로운 의료 로봇 및 장치 개발 인정 (수상: Mehran Armand 등)

• 서비스 로보틱스(Service Robotics): 전문 및 가정용 서비스 로봇 응용 분야의 연구개발 촉진 (수상: Ali Abdul Khaliq 등)

• 비전(Vision): 로봇 공학 관련 최우수 비전 연구 (수상: Pieter Abbeel, John Schulman, Alex Lee)

이러한 연구 동향을 종합적으로 분석하면, 2013년 당시 ’AI’와 ‘로봇 공학’ 분야가 잠시 각자의 길을 걷고 있었음을 알 수 있다. ICRA에서 논의된 주제들은 제어 이론, 물리적 상호작용, 동역학 등 로봇의 ’몸’과 관련된 문제에 깊이 뿌리내리고 있었다. 반면, 같은 시기 ICML이나 CVPR과 같은 머신러닝 학회에서는 대규모 정적 데이터셋을 이용한 패턴 인식, 즉 ’지능’의 문제에 집중하고 있었다.

이러한 분석은 다음과 같은 단계적 추론을 통해 도출된다. 첫째, ICRA 2013의 핵심 주제인 ’앤스로포매틱스’와 최우수 논문상 수상작인 Majumdar의 연구는 물리 법칙과 실시간 의사결정이라는 로봇 공학의 고유한 문제에 집중하고 있음을 확인한다.4 둘째, 이를 잠시 후 제2장에서 살펴볼 ICML/CVPR의 주제들—대규모 이미지 분류, 심층 신경망 훈련 기법—과 비교한다.16 두 커뮤니티는 명백히 다른 문제들을 다른 도구(제어 이론 vs. 통계적 학습)로 풀고 있었다.

하지만 이 일시적인 분기 속에서도 미래의 융합을 예고하는 중요한 단서가 존재한다. 바로 ICRA의 ’최우수 비전 논문상’이다. 비전은 로봇이 외부 세계를 인식하는 가장 중요한 감각이며, AI와 로봇 공학을 잇는 핵심적인 다리 역할을 한다. 이 상의 수상자인 Pieter Abbeel과 John Schulman은 이후 심층 강화 학습(Deep Reinforcement Learning) 분야의 선구자가 되어, 딥러NING 기반의 강력한 인식 능력을 로봇 제어 문제에 직접적으로 적용하는 연구를 주도하게 된다.

따라서 ICRA 2013은 전통적인 로봇 공학이 제어 이론을 바탕으로 정점에 이르렀던 순간을 포착하는 동시에, 다른 한편에서는 딥러닝 혁명에 의해 변모될 미래의 씨앗을 품고 있었던, 중요한 과도기의 단면을 보여준다. 로봇 공학의 ’몸’이 딥러닝이라는 강력한 ’뇌’를 만나기 직전의 상황을 생생하게 증언하고 있는 것이다.

3. 2013년 6월 - 딥러닝과 컴퓨터 비전의 폭발적 성장

2013년 6월은 AI 연구 역사상 가장 뜨거웠던 달 중 하나로 기억된다. 머신러닝(ICML), 컴퓨터 비전(CVPR), 로봇 공학(RSS) 분야의 세계 최고 권위 학회들이 연이어 개최되면서, AlexNet 이후 본격화된 딥러닝 혁명의 방법론적 기틀이 다져지고 그 영향력이 전 분야로 확산되는 양상이 뚜렷하게 나타났다. 이 시기에 발표된 연구들은 이후 10년간 AI 기술의 발전 방향을 결정지은 청사진과도 같았다.

3.1 ICML 2013: 딥러닝 방법론의 약진

제30회 국제 머신러닝 학회(ICML 2013)는 6월 16일부터 21일까지 미국 애틀랜타에서 개최되었다.18 이 학회는 딥러닝을 단순한 ’성공 사례’에서 신뢰할 수 있는 ’공학 분야’로 격상시킨 핵심적인 방법론들이 대거 발표된 장이었다.

3.1.1 심층 신경망 정규화 기법: DropConnect와 Maxout Networks

대규모 신경망은 파라미터 수가 매우 많아 훈련 데이터에 과적합(overfitting)되기 쉽다. 2012년 제안된 드롭아웃(Dropout)은 이 문제를 해결하는 데 획기적인 기여를 했고, ICML 2013에서는 이를 더욱 발전시킨 정규화 기법들이 등장했다.

DropConnect는 Li Wan 등이 제안한 기법으로, 드롭아웃을 일반화한 형태이다.22 드롭아웃이 훈련 과정에서 무작위로 뉴런의 활성화(activation) 값을 0으로 만드는 반면, DropConnect는 뉴런 간의 연결 자체, 즉 *가중치(weight)*를 무작위로 0으로 만든다.23 이는 각 뉴런이 이전 계층의 뉴런들 중 무작위 일부로부터만 입력을 받게 함으로써, 결과적으로 더욱 강력한 정규화 효과를 가져온다. DropConnect 계층의 출력 r은 다음과 같이 공식화될 수 있다 22:
r = a((M \odot W)v)
여기서 M은 각 원소가 베르누이 분포에 따라 샘플링되는 이진 마스크 행렬, W는 가중치 행렬, v는 입력 벡터, \odot는 원소별 곱셈(element-wise product)을 의미한다. 이 연구는 여러 이미지 인식 벤치마크에서 당시 최고 수준의 성능(state-of-the-art)을 달성하며 딥러닝 모델의 일반화 성능을 한 단계 끌어올렸다.22

Maxout Networks는 Ian Goodfellow 등이 제안한 새로운 유형의 활성화 함수로, 특히 드롭아웃과 함께 사용될 때 시너지를 내도록 설계되었다.27 Maxout 유닛의 출력은 여러 개의 선형 함수 결과값 중 최댓값을 취하는 방식으로 결정된다.28 Maxout 활성화 함수 h_i(x)의 핵심 수식은 다음과 같다 30:
h_i(x) = \max_{j \in [1,k]} z_{ij}
여기서 z_{ij} = x^T W_{\cdots ij} + b_{ij} 이다. 이 구조를 통해 Maxout 네트워크는 임의의 볼록 함수(convex function)에 대한 조각별 선형 근사(piecewise linear approximation)를 학습할 수 있다. 이는 기존의 ReLU(Rectified Linear Unit) 활성화 함수가 겪던 ‘죽은 뉴런(dying ReLU)’ 문제를 방지하고, 드롭아웃의 모델 평균화 효과를 개선하여 MNIST, CIFAR-10, CIFAR-100, SVHN과 같은 주요 벤치마크에서 최고 성능을 기록하는 데 기여했다.27

3.1.2 최적화의 재발견: 초기화와 모멘텀의 중요성

딥러닝 모델의 성공적인 훈련은 오랫동안 매우 어려운 과제로 여겨졌으며, 헤시안-프리(Hessian-Free, HF)와 같은 복잡한 2차 최적화 기법이 필요하다는 인식이 지배적이었다. 그러나 Ilya Sutskever, James Martens, George Dahl, Geoffrey Hinton이 발표한 “On the importance of initialization and momentum in deep learning” 논문은 이러한 통념을 뒤집었다.3

이 연구의 핵심 주장은, 두 가지 조건만 충족된다면 단순한 **확률적 경사 하강법(Stochastic Gradient Descent, SGD)**만으로도 심층 신경망을 효과적으로 훈련시킬 수 있다는 것이었다. 그 두 조건은 바로 (1) 잘 설계된 무작위 초기화와 (2) 신중하게 관리되는 모멘텀 스케줄이었다.34

특히 저자들은 **네스테로프 가속 경사 하강법(Nesterov’s Accelerated Gradient, NAG)**의 효과를 강조했다. NAG는 기존의 클래식 모멘텀(Classical Momentum, CM)을 개선한 방식으로, 현재 위치가 아닌 ’모멘텀에 의해 한 걸음 앞으로 나아간 가상 위치’에서 그래디언트를 계산하는 것이 특징이다. 이 작은 차이가 최적화 과정을 더 안정적이고 반응적으로 만든다. NAG의 업데이트 규칙은 다음과 같이 표현된다 3:

\begin{aligned} v_{t+1} &= \mu v_t - \epsilon \nabla f(\theta_t + \mu v_t) \\ \theta_{t+1} &= \theta_t + v_{t+1} \end{aligned}
여기서 v_t는 모멘텀(또는 속도), \mu는 모멘텀 계수, \epsilon은 학습률을 의미한다. 또한, 훈련 초반에는 모멘텀 계수 \mu를 낮은 값에서 시작하여 점차적으로 증가시키는 스케줄을 사용하는 것이 중요함을 보였다. 이 연구는 딥러닝 최적화에 대한 장벽을 크게 낮추었고, 잘 조정된 1차 최적화 기법이 대부분의 문제에 충분하다는 사실을 입증하며 오늘날까지도 딥러닝 훈련의 표준적인 접근법으로 자리 잡게 했다.

3.1.3 모델 탐색의 과학화: 자동화된 하이퍼파라미터 최적화

머신러닝 모델의 성능은 학습률, 정규화 강도 등 수많은 하이퍼파라미터(hyperparameter)에 의해 결정된다. 2013년 이전까지 이러한 하이퍼파라미터 튜닝은 주로 연구자의 직관과 경험에 의존하는, 재현 불가능하고 비과학적인 ‘블랙 아트(black art)’ 영역으로 간주되었다.2

James Bergstra, Daniel Yamins, David Cox가 발표한 “Making a Science of Model Search“는 이러한 관행에 정면으로 도전했다.40 이들은 하이퍼파라미터 튜닝을 하나의 공식적인 탐색 문제로 재정의하고, 이를 자동화하기 위한 메타-모델링 접근법을 제안했다.41

이 연구에서 제안한 핵심 방법론은 **베이지안 최적화(Bayesian Optimization)**에 기반한다. 특히, **트리 구조 파르젠 추정기(Tree-structured Parzen Estimator, TPE)**와 같은 알고리즘을 사용하여, 기존에 시도했던 하이퍼파라미터 조합들의 성능 정보를 바탕으로 다음번에 시도해볼 만한 유망한 조합을 더 지능적으로 추천한다.2 이는 무작위 탐색(random search)이나 격자 탐색(grid search)보다 훨씬 효율적으로 최적의 하이퍼파라미터 구성을 찾아낼 수 있다. 이 논문은 자동화된 머신러닝(AutoML) 분야의 대중화를 이끈 기폭제가 되었으며, 모델 개발 과정을 더 체계적이고, 재현 가능하며, 효율적으로 만드는 데 결정적인 기여를 했다.

3.1.4 ICML 2013 핵심 방법론 요약

ICML 2013에서 발표된 이 네 편의 논문은 딥러닝이라는 새로운 기술을 안정적으로 활용하기 위한 네 개의 핵심 기둥—정규화, 활성화 함수, 최적화, 자동화—을 세웠다고 볼 수 있다. 이들의 관계와 핵심 기여는 다음 표로 요약할 수 있다.

이 표는 각 연구가 딥러닝의 실용화를 위해 어떤 문제를 해결하려 했고(핵심 기여), 어떤 기술적 해법을 제시했는지(방법론)를 명확하게 보여준다. 이는 2013년 6월이 딥러닝의 체계화를 위한 결정적 시기였음을 다시 한번 강조한다.

3.2 CVPR 2013: 대규모 객체 인식을 향한 도전

컴퓨터 비전 및 패턴 인식 학회(CVPR 2013)는 6월 23일부터 28일까지 미국 오리건주 포틀랜드에서 개최되었다.43 이 학회에서는 딥러닝의 성공에 힘입어 컴퓨터 비전의 야망이 전례 없는 수준으로 확장되고 있음을 보여주는 연구가 주목받았다.

3.2.1 최우수 논문상: 10만 개 클래스 객체 검출

CVPR 2013 최우수 논문상(Best Paper Award)은 구글 연구팀(Thomas Dean, Jay Yagnik 등)의 **“Fast, Accurate Detection of 100,000 Object Classes on a Single Machine”**에 수여되었다.17

이 연구가 해결하고자 한 핵심 문제는 **확장성(scalability)**이었다. 당시 주류였던 변형 가능 파트 모델(Deformable Part Models, DPMs)과 같은 객체 검출 기법들은 검출하려는 객체 클래스의 수(C)에 따라 계산 시간이 선형적으로 증가(O(LC), 여기서 L은 이미지 내 위치의 수)하는 근본적인 한계를 가지고 있었다.52 이는 수천 개 수준의 클래스를 넘어, 인간의 인식 능력에 근접하는 수만 개 클래스를 다루는 것을 사실상 불가능하게 만들었다.

구글 연구팀은 이 문제에 대한 접근 방식을 근본적으로 전환했다. 그들은 모든 클래스의 필터를 이미지의 모든 위치에 적용하는 ‘스캔 후 매칭(scan-and-match)’ 방식 대신, 해싱(hashing) 기반의 프레임워크를 제안했다. 이 방법은 이미지의 특정 영역에서 추출한 특징(descriptor)을 해싱하여, 그 위치에 존재할 가능성이 있는 소수의 후보 필터 목록을 빠르게 검색한다. 그리고 오직 이 후보 필터들에 대해서만 정확한 점수를 계산한다.52 이는 마치 검색 엔진이 텍스트 문서 전체를 스캔하는 대신, 키워드를 통해 관련 문서를 즉시 찾아내는 역색인(inverted index) 구조와 유사하다. 이 혁신적인 접근법을 통해, 연구팀은 객체 검출의 계산 복잡도를 클래스 수와 무관한 O(L)로 줄이는 데 성공했다.52

그 결과, 단일 머신에서 10만 개의 객체 모델을 20초 이내에 평가하는 경이로운 성능을 보여주었다. 이는 기존 방식에 비해 약 2만 배에 달하는 속도 향상이었다.52 이 연구는 단순히 성능을 개선한 것을 넘어, 대규모 객체 인식을 위한 알고리즘 패러다임 자체를 ’스캔’에서 ’조회(lookup)’로 전환해야 한다는 중요한 방향성을 제시했다. 이는 수만 개의 시각 카테고리를 인식하는 인간 수준의 능력을 기계가 갖추기 위해서는 점진적인 개선이 아닌, 알고리즘 복잡도 자체를 뛰어넘는 개념적 도약이 필요함을 보여준 사례였다.

3.2.2 기타 수상 및 동향

CVPR 2013의 다른 수상작들 역시 당시 컴퓨터 비전 분야의 주요 관심사를 보여준다. 최우수 학생 논문상은 “Discriminative Non-blind Deblurring” 연구에 수여되어, 이미지 복원과 같은 전통적인 저수준 비전 문제 역시 활발히 연구되고 있었음을 나타냈다.17 또한, 2013년 논문인 “Online Object Tracking: A Benchmark“가 훗날 롱게-히긴스 상(Longuet-Higgins Prize, 시대를 초월한 영향력을 준 논문에 수여)을 수상한 것은, 객체 추적과 같은 동영상 이해 분야와 표준화된 평가의 중요성이 커뮤니티 내에서 점차 강조되고 있었음을 시사한다.50 한편, 호주 시각 기술 센터(ACVT, 현 AIML)가 10편의 논문을 게재하는 등 특정 연구 그룹의 약진도 두드러졌다.54

3.3 RSS 2013: 현실 세계 문제 해결을 위한 로봇 공학

로보틱스: 과학 및 시스템(Robotics: Science and Systems IX, RSS 2013) 학회는 6월 24일부터 28일까지 독일 베를린에서 개최되었다.55 이 학회는 로봇이 실험실을 벗어나 복잡하고 예측 불가능한 현실 세계의 문제들을 어떻게 해결할 수 있을지에 대한 깊은 고민을 담고 있었다.

특히 6월 27일에 열린 “혼잡 환경 속 로봇(Robots in Clutter)” 워크숍은 이러한 고민을 집약적으로 보여준다.58 이 워크숍의 발표 모집 공고는 로봇 공학이 직면한 핵심적인 난제들을 명확히 나열하고 있었다. 여기에는 가려짐(occlusion)과 혼잡(clutter) 상황에서의 비전, 동적 환경에서의 항법, 실시간 행동 계획, 시각 정보 없이 물체를 조작하는 블라인드 매니퓰레이션 등이 포함되었다.58

이는 같은 시기 머신러NING 연구에서 사용되던 잘 정제된 대규모 데이터셋과는 극명한 대조를 이룬다. 로봇 공학 연구는 데이터의 통계적 패턴을 학습하는 것을 넘어, 예측 불가능한 물리 법칙과 실시간 상호작용이라는 본질적인 제약을 해결해야만 한다. RSS 2013은 바로 이러한 로봇 공학의 ‘체화된(embodied)’ 특성을 상기시키며, 머신러닝의 발전이 앞으로 로봇 공학의 어떤 실질적인 문제들을 해결해야 할지에 대한 과제를 제시하고 있었다.

4. 2013년 주요 연구소 및 산업 동향

2013년 2분기를 전후한 시기는 학술적 성과뿐만 아니라, AI 및 로봇 공학을 둘러싼 산업 및 국가적 차원의 지형 변화가 뚜렷하게 나타난 중요한 시기였다. 알고리즘의 혁신은 곧바로 산업계의 대규모 투자와 하드웨어 플랫폼의 진화로 이어졌고, 이는 다시 국가 간 기술 경쟁을 촉발하는 선순환 구조를 형성하기 시작했다.

4.1 기업 연구소의 부상과 산업계의 투자 확대

2013년은 기초 AI 연구의 주도권이 학계를 넘어 산업계로 본격적으로 이동하기 시작한 원년으로 평가된다.

페이스북 AI 연구소(FAIR)의 설립은 이러한 변화를 상징하는 대표적인 사건이다. 2013년에 설립된 FAIR는 딥러닝의 대가인 얀 르쿤(Yann LeCun)을 필두로, 단기간의 제품 개발이 아닌 장기적이고 개방적인 기초 연구를 목표로 출범했다.59 이는 거대 기술 기업들이 AI를 단순한 응용 기술이 아닌, 미래 경쟁력의 핵심이 되는 기초 과학 분야로 인식하고 막대한 투자를 시작했음을 알리는 신호탄이었다. FAIR는 이후 자연어 처리와 컴퓨터 비전 분야에서 수많은 혁신을 이끌며 오픈소스 중심의 연구 문화를 확산시키는 데 기여했다.

한편, 2014년 구글에 인수되기 전이었지만, **딥마인드(DeepMind)**는 이미 픽셀 입력만으로 아타리 게임을 학습하는 심층 강화 학습 연구에서 획기적인 진전을 이루고 있었다.59 이는 딥러닝이 정적인 패턴 인식을 넘어, 순차적인 의사결정 문제까지 해결할 수 있는 잠재력을 가지고 있음을 보여주며 산업계의 기대감을 한층 더 높였다.

4.2 휴머노이드 로봇 플랫폼의 발전

알고리즘의 발전은 이를 구현하고 시험할 수 있는 고성능 하드웨어 플랫폼의 등장을 촉진했다.

2013년, 보스턴 다이내믹스(Boston Dynamics)는 휴머노이드 로봇 ’아틀라스(Atlas)’를 공개했다.60 아틀라스는 인간과 유사한 형태로 이족보행을 하며 복잡하고 동적인 동작을 수행할 수 있는 능력에서 기존 로봇들을 압도했다. 이 플랫폼의 등장은 단순히 기술적 성취를 넘어, 제1장에서 논의된 복잡한 제어 알고리즘이나 제2장에서 다룬 진보된 인식 기술을 실제로 적용하고 검증할 수 있는 강력한 실험대를 제공했다는 점에서 중요한 의미를 가진다. 아틀라스는 이후 10년간 로봇 공학 연구의 상징적인 플랫폼으로 자리매김하며 수많은 첨단 제어 알고리즘의 발전을 이끌었다.

4.3 국가적 차원의 전략적 이니셔티브

AI와 로봇 공학의 전략적 중요성이 부각되면서, 주요 국가들은 기술 패권을 확보하기 위한 국가적 차원의 청사진을 제시하기 시작했다.

중국은 2013년에 **“산업용 로봇 산업 발전 촉진 가이드라인”**을 발표했다.61 이 계획은 2020년까지 달성해야 할 구체적인 목표를 제시했는데, 여기에는 3~5개의 글로벌 경쟁력을 갖춘 로봇 제조사 육성, 8~10개의 산업 클러스터 조성, 그리고 하이엔드 로봇 시장의 국산 점유율 45% 달성 등이 포함되었다. 이는 중국 정부가 로봇 산업을 미래 국가 핵심 산업으로 지정하고, 체계적인 지원을 통해 글로벌 리더십을 확보하겠다는 강력한 의지를 표명한 것이었다.

대한민국 역시 **“제1차 지능형로봇 기본계획(2009-2013)”**의 마지막 해를 보내고 있었다.61 이 계획은 시장 형성 시점에 따라 제품군을 전략적으로 선택하고 정책 지원을 집중하는 것을 핵심 전략으로 삼았다. 구체적으로는 제조업용 로봇의 시장 확대, 교육·청소·감시정찰 로봇을 통한 신시장 창출, 그리고 의료·실버·가사·웨어러블 로봇 등에서의 기술 리더십 확보를 목표로 했다.

이러한 일련의 사건들을 종합해 보면, 2013년은 AI와 로봇 공학의 발전을 이끄는 세 가지 핵심 요소—알고리즘, 하드웨어, 그리고 투자—가 강력한 선순환 고리를 형성하며 서로를 가속화하기 시작한 시점임을 알 수 있다. 이 분석은 다음과 같은 논리적 흐름을 따른다. 첫째, 제2장에서 상세히 분석한 딥러닝 알고리즘의 획기적인 발전은 AI 기술의 새로운 가능성을 열었다. 둘째, 이러한 가능성은 기술의 전략적 가치를 급상승시켰고, 페이스북의 FAIR 설립이나 구글의 딥마인드 투자와 같은 대규모 산업 투자를 유치하는 동력이 되었다.59 셋째, 확보된 투자는 다시 더 진보된 알고리즘 연구와 함께, 아틀라스와 같은 첨단 하드웨어 플랫폼의 개발을 가능하게 했다.60 넷째, 이러한 기술의 발전과 산업적 파급력은 AI와 로봇 공학을 국가의 미래 경쟁력을 좌우할 핵심 자산으로 부상시켰고, 이는 중국과 한국의 사례처럼 국가적 차원의 전략 수립과 투자로 이어졌다.61

결론적으로, 2013년 2분기는 단순히 몇몇 중요한 논문이 발표된 시기를 넘어, 알고리즘의 혁신이 산업 및 국가적 투자를 이끌고, 이 투자가 다시 하드웨어와 알고리즘의 발전을 촉진하는 강력한 성장 엔진이 본격적으로 가동되기 시작한 임계점이었다. 이 시기에 형성된 ’알고리즘-하드웨어-투자’의 삼각편대가 이후 10년간 AI 및 로봇 공학 분야의 폭발적인 성장을 견인했다.

5. 결론: 2013년 2분기 연구의 의의와 미래 전망

2013년 2분기는 인공지능과 로봇 공학의 역사에서 단순한 점진적 발전의 시기가 아닌, 이후 10년의 기술 궤적을 결정지은 근본적인 토대를 마련한 시기로 평가되어야 한다. 본 보고서에서 심층적으로 분석한 바와 같이, 이 기간 동안의 연구 성과와 산업 동향은 여러 분야에서 동시다발적으로 발생한 변곡점들의 집합체였다.

첫째, 딥러닝 분야에서는 방법론적 성숙이 이루어졌다. AlexNet이 열어젖힌 가능성의 문을 통과한 연구자들은 이제 그 가능성을 현실로 만들기 위한 공학적 도구들을 단련하기 시작했다. ICML에서 발표된 DropConnect, Maxout, 그리고 개선된 모멘텀 최적화 기법들은 딥러닝 모델의 신뢰성과 성능을 극적으로 향상시켰고, 자동화된 하이퍼파라미터 튜닝 연구는 모델 개발의 과학화를 이끌었다. 이는 딥러닝이 소수 전문가의 영역에서 벗어나 더 넓은 연구 및 산업 커뮤니티가 활용할 수 있는 강력하고 안정적인 기술로 자리 잡는 결정적인 계기가 되었다.

둘째, 컴퓨터 비전 분야의 야망은 전례 없이 확장되었다. CVPR 최우수 논문이 제시한 10만 개 클래스 객체 검출은, 인간 수준의 시각적 이해를 목표로 하기 위해서는 기존의 알고리즘 패러다임을 근본적으로 뛰어넘어야 한다는 인식을 확산시켰다. 이는 단순히 더 많은 데이터를 처리하는 문제를 넘어, 확장성을 담보할 수 있는 새로운 알고리즘 철학의 필요성을 역설한 것이었다.

셋째, 로봇 공학 분야에서는 인간 중심의 안전한 제어를 향한 중요한 발걸음을 내디뎠다. ICRA 최우수 논문이 제시한 수학적으로 보장된 제어 기법은 로봇이 복잡하고 예측 불가능한 현실 세계로 나아가기 위한 신뢰성의 초석을 다졌다. 동시에, RSS의 ‘혼잡 환경 속 로봇’ 워크숍은 딥러닝 기반의 강력한 인식 기술이 앞으로 해결해야 할 실질적이고 물리적인 도전 과제들이 무엇인지를 명확히 제시했다.

2013년 당시의 시점에서 이 시기의 동향을 바탕으로 미래를 전망했다면, 다음과 같은 네 가지 거대한 흐름을 예측할 수 있었을 것이다.

1. AI와 로봇 공학의 대융합: 머신러닝과 컴퓨터 비전 분야에서 연마된 강력한 인식(perception) 능력은 필연적으로 로봇의 물리적 실행(action) 능력과 결합될 것이었다. RSS에서 제기된 ’혼잡 환경’의 문제들은, 결국 딥러닝 기반의 비전 기술이 로봇의 ’눈’이 되어 해결해야 할 과제였다.

2. 심층 강화 학습의 부상: 딥러닝을 통한 고차원 인식 문제 해결(ICML/CVPR)과 순차적 의사결정 및 제어 문제(ICRA)의 결합은, 심층 강화 학습(Deep Reinforcement Learning)이 차세대 지배적인 패러다임으로 부상할 것임을 강력하게 시사했다.

3. 기업 주도의 AI 연구 경쟁 심화: 페이스북 AI 연구소의 설립은 소수의 거대 기술 기업들이 막대한 자본을 바탕으로 기초 AI 연구를 주도하는 시대의 서막을 알렸다. 이는 학술 연구의 방향과 속도에 지대한 영향을 미칠 전조였다.

4. AI의 국가 전략 자산화: 중국과 한국의 사례에서 볼 수 있듯이, AI와 로봇 공학은 더 이상 순수한 학문 분야가 아니라 국가의 경제적, 지정학적 경쟁력을 좌우하는 핵심 전략 자산으로 자리매김할 것이 분명했다.

결론적으로, 2013년 2분기는 AI와 로봇 공학 분야의 미래를 위한 도구가 벼려지고, 목표가 재설정되었으며, 그 전략적 중요성이 사회 전반에 각인된 결정적인 시기였다. 이 기간에 다져진 견고한 기반 위에서, 이후 10년간의 눈부신 혁신이 피어날 수 있었다.

6. 참고 자료

1. ICML 2013 Reading List - Peekaboo, https://peekaboo-vision.blogspot.com/2013/07/icml-2013-reading-list.html
2. Making a Science of Model Search … - DASH (Harvard), https://dash.harvard.edu/bitstreams/7312037d-226e-6bd4-e053-0100007fdf3b/download
3. On the importance of initialization and momentum in deep learning, https://proceedings.mlr.press/v28/sutskever13.html
4. www.icra2013.org, https://www.icra2013.org/
5. 2013 IEEE International Conference on Robotics and Automation (ICRA 2013) | IR@MI Network - Sites FCT NOVA, https://sites.fct.unl.pt/iraminetwork/announcements/2013-ieee-international-conference-robotics-and-automation-icra-2013
6. ICRA 2013 robot photo essay: “Anthropomatics – Technologies for humans” - Robohub, https://robohub.org/icra-2013-robot-photo-essay-anthropomatics-technologies-for-humans/
7. 2013 IEEE International Conference on Robotics and Automation | Karlsruhe, May 6, https://www.icra2013.org/index1766.html?page_id=21
8. Awards | ICRA 2013, https://ewh.ieee.org/soc/ras/conf/fullysponsored/icra/2013/index14cc.html?page_id=153
9. Awards - ICRA 2013, https://www.icra2013.org/index14cc.html?page_id=153
10. Anirudha Majumdar - Autonomous Systems Laboratory, https://asl.stanford.edu/people/anirudha-majumdar/
11. Control design along trajectories with sums of squares programming - Princeton University, https://collaborate.princeton.edu/en/publications/control-design-along-trajectories-with-sums-of-squares-programmin
12. Control Design along Trajectories with Sums of … - Research - MIT, https://groups.csail.mit.edu/robotics-center/public_papers/majumdar13.pdf
13. [1210.0888] Control Design along Trajectories with Sums of Squares Programming - arXiv, https://arxiv.org/abs/1210.0888
14. Control Design along Trajectories with Sums of Squares Programming - ResearchGate, https://www.researchgate.net/publication/231537631_Control_Design_along_Trajectories_with_Sums_of_Squares_Programming
15. Robust Online Motion Planning with Reachable Sets - Research, https://groups.csail.mit.edu/robotics-center/public_papers/Majumdar13a.pdf
16. Volume 28: International Conference on Machine Learning, 17-19 June 2013, Atlanta, Georgia, USA, https://proceedings.mlr.press/v28/
17. CVPR 2013 Webpage - Awards, https://cvpr2013.thecvf.com/awards.php
18. icml.cc, https://icml.cc/2013/#:~:text=About%20ICML%202013,Machine%20Learning%20Society%20(IMLS).
19. International Conference on Machine Learning (ICML 2013) - ICML Atlanta, https://icml.cc/2013/
20. Call for Papers | ICML Atlanta, https://icml.cc/2013/index.html%3Fpage_id=25.html
21. The Conference | ICML Atlanta, https://icml.cc/2013/index.html%3Fpage_id=33.html
22. Regularization of Neural Networks using DropConnect, https://proceedings.mlr.press/v28/wan13.html
23. Regularization of Neural Networks using DropConnect | Request PDF - ResearchGate, https://www.researchgate.net/publication/319770264_Regularization_of_Neural_Networks_using_DropConnect
24. Regularization of Neural Networks Using Dropconnect: Hinton Et Al. 2012 Hinton Et Al. 2012 | PDF | Artificial Intelligence - Scribd, https://www.scribd.com/document/408150721/Drop-Connect
25. Regularization of neural networks using dropconnect | Request PDF - ResearchGate, https://www.researchgate.net/publication/291735245_Regularization_of_neural_networks_using_dropconnect
26. [PDF] Regularization of Neural Networks using DropConnect - Semantic Scholar, https://www.semanticscholar.org/paper/Regularization-of-Neural-Networks-using-DropConnect-Wan-Zeiler/38f35dd624cd1cf827416e31ac5e0e0454028eca
27. Maxout Networks - Proceedings of Machine Learning Research, https://proceedings.mlr.press/v28/goodfellow13.html
28. Maxout Networks | Request PDF - ResearchGate, https://www.researchgate.net/publication/319770418_Maxout_Networks
29. [1302.4389] Maxout Networks - arXiv, https://arxiv.org/abs/1302.4389
30. Maxout Networks - arXiv, https://arxiv.org/pdf/1302.4389
31. (PDF) Maxout Networks - ResearchGate, https://www.researchgate.net/publication/235639035_Maxout_Networks
32. [PDF] Maxout Networks - Semantic Scholar, https://www.semanticscholar.org/paper/Maxout-Networks-Goodfellow-Warde-Farley/b7b915d508987b73b61eccd2b237e7ed099a2d29
33. On the importance of initialization and momentum in deep learning - BibBase, https://bibbase.org/network/publication/sutskever-martens-dahl-hinton-ontheimportanceofinitializationandmomentumindeeplearning-2013
34. Paper Summary: On the importance of initialization and momentum in deep learning, https://karan3-zoh.medium.com/paper-summary-on-the-importance-of-initialization-and-momentum-in-deep-learning-8b8121d21aa9
35. On the importance of initialization and momentum in deep learning - ResearchGate, https://www.researchgate.net/publication/286271944_On_the_importance_of_initialization_and_momentum_in_deep_learning
36. On the importance of initialization and momentum in deep learning - Semantic Scholar, https://www.semanticscholar.org/paper/On-the-importance-of-initialization-and-momentum-in-Sutskever-Martens/aa7bfd2304201afbb19971ebde87b17e40242e91
37. On the importance of initialization and momentum in deep learning, https://www.cs.toronto.edu/~wangjk/slides/nn_dynamics.pdf
38. [1209.5111] Making a Science of Model Search - arXiv, https://arxiv.org/abs/1209.5111
39. Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures - Proceedings of Machine Learning Research, https://proceedings.mlr.press/v28/bergstra13.html
40. Making a Science of Model Search - ResearchGate, https://www.researchgate.net/publication/230996575_Making_a_Science_of_Model_Search
41. Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures - Semantic Scholar, https://www.semanticscholar.org/paper/Making-a-Science-of-Model-Search%3A-Hyperparameter-in-Bergstra-Yamins/29935173af73aef20336db72d608e0ef5b0e0c16
42. [1209.5111] Making a Science of Model Search - ar5iv, https://ar5iv.labs.arxiv.org/html/1209.5111
43. cvpr2013.thecvf.com, https://cvpr2013.thecvf.com/attending.php#:~:text=CVPR%202013%20and%20its%20co,June%2023%2D28th%2C%202013.
44. CVPR 2013 Webpage, https://cvpr2013.thecvf.com/
45. CVPR 2013 Conference: Program, Schedule, Papers - Pamitc, https://www.pamitc.org/cvpr13.html
46. CVPR 2013 Webpage - Attending, https://cvpr2013.thecvf.com/attending.php
47. CVPR Paper Awards - IEEE Computer Society Technical Committee on Pattern Analysis and Machine Intelligence, https://tc.computer.org/tcpami/awards/cvpr-paper-awards/
48. CVPR Best Paper Award - IEEE Computer Society Technical Committee on Pattern Analysis and Machine Intelligence, https://tc.computer.org/tcpami/2022/08/22/cvpr-best-paper-award/
49. CVPR 2013 Awards - Recognition of Excellence in Computer Vision Research - Pamitc, https://pamitc.org/cvpr13/awards.html
50. SarahRastegar/Best-Papers-Top-Venues - GitHub, https://github.com/SarahRastegar/Best-Papers-Top-Venues
51. Fast, Accurate Detection of 100000 Object Classes on a Single Machine, http://vision.ia.ac.cn/zh/senimar/reports/wzh_seminar_1210.pdf
52. Fast, Accurate Detection of 100000 Object … - Google Research, https://research.google.com/pubs/archive/40814.pdf
53. Fast, Accurate Detection of 100000 Object Classes on a Single Machine - ResearchGate, https://www.researchgate.net/publication/244706524_Fast_Accurate_Detection_of_100000_Object_Classes_on_a_Single_Machine
54. 10 papers accepted at CVPR 2013, including 2 oral presentations | Australian Institute for Machine Learning (AIML) | University of Adelaide, https://www.adelaide.edu.au/aiml/news/list/2013/03/05/10-papers-accepted-at-cvpr-2013-including-2-oral-presentations
55. Robotics: Science and Systems - Online Proceedings, https://www.roboticsproceedings.org/
56. RSS 2013 Berlin Call for Papers - Robotics, https://rss2013.robotics.tu-berlin.de/index.php/call-for-papers.html
57. Conferences - RSS Foundation, https://roboticsfoundation.org/conferences/
58. Proceedings of the 2nd Workshop on Robots in Clutter: Preparing robots for the real world (Berlin, 2013) | Request PDF - ResearchGate, https://www.researchgate.net/publication/238950032_Proceedings_of_the_2nd_Workshop_on_Robots_in_Clutter_Preparing_robots_for_the_real_world_Berlin_2013
59. 8 AI Research Labs Pushing the Boundaries of Artificial Intelligence - Open Data Science, https://opendatascience.com/8-ai-research-labs-pushing-the-boundaries-of-artificial-intelligence/
60. 21 top companies in the vanguard of the rise of humanoid robots - Ross Dawson, https://rossdawson.com/futurist/companies-creating-future/top-companies-rise-humanoid-robots/
61. World Robotics R&D Programs, https://ifr.org/downloads/papers/Executive_Summary_-_World_Robotics_RD_Programs_V02.pdf