효율적 학습 방법 제안

Isaac Sim과 ROS2 Humble 통합의 새로운 가능성

Isaac Sim은 물리 기반의 시뮬레이션 환경과 강력한 그래픽 엔진을 제공함으로써, 복잡한 로봇 제어 시스템과 인공지능 학습을 한층 효율적으로 수행할 수 있도록 돕는다. ROS2 Humble과의 긴밀한 연계를 통해 센서 플러그인이나 메시지 트랜스포트 계층을 명시적으로 제어할 수 있으며, 초단위 이하의 정밀한 실험 조건 제어가 가능하다. 이를 통해 실제 물리적 로봇 장비에 의존하지 않고도 대규모 실험을 진행할 수 있으며, 다양한 데이터 수집과 알고리즘 프로토타이핑을 신속하게 반복할 수 있다. 게다가 Isaac Sim의 확장 기능을 사용하면 3D 스캔 데이터나 CAD 설계 파일을 기반으로 복잡한 작업 환경을 가상현실 공간에서 재현할 수 있으므로, 물리 테스트로 발생할 수 있는 기계적 손상이나 안전 문제를 사전에 방지한다.

ROS2의 DDS(Datadistribution Service) 구조와 Isaac Sim이 상호 연결될 때, 네트워크 지연이나 신호 동기화 문제가 학습 과정에 미치는 영향을 체계적으로 모니터링할 수 있다. 예컨대 여러 토픽이 동시에 발행되는 상황에서 데이터 손실 없이 재현되는지를 확인하고, QoS 설정을 바꿔가며 연구자가 원하는 수준의 주기적 통신 안정도를 확보할 수 있다. 또한 Isaac Sim에서 제공하는 UI 기반 시각 디버깅은 주행 궤적이나 복잡한 운동학·동역학을 직관적으로 확인하게 해주므로, 관측·결정·제어 흐름을 빠르게 검증하고 개선할 수 있다.

비전 및 강화학습에 대한 종합적 접근

Isaac Sim과 ROS2 Humble을 함께 사용하면 비전 및 강화학습 연구에서 강력한 시너지 효과가 발생한다. 가령 Isaac Sim에 탑재된 RTX 기반 광선 추적(Rendering) 기능을 통해 현실적인 조명 환경이나 반사 재질, 굴절 효과 등을 자동으로 시뮬레이션하여, 딥러닝 기반 객체 인식 알고리즘의 학습에 필요한 대량의 가상 이미지를 초기에 빠르고 다양하게 생성할 수 있다. 그리고 이러한 가상 이미지 스트림은 ROS2의 이미지 토픽 형태로 발행되어, 별도의 딥러닝 프레임워크(Caffe, PyTorch, TensorFlow 등)와 직접 연동된다.

강화학습 측면에서는 Isaac Sim 상에서 무인 이동 로봇, 협동 로봇, 매니퓰레이터 등의 다양한 시뮬레이션 모델을 빠르게 구성해, 복잡한 행동 정책을 탐색하고 검증할 수 있다. ROS2 Humble은 각종 센서(라이더, 카메라, IMU 등) 및 제어 장치(모터 드라이버, 서보 등)의 메시지 전달을 담당하므로, 물리적 로봇과 마찬가지로 환경에서 관측되는 상태 $s_t$와 행동 $a_t$ 간 상호작용을 정확하게 재현한다. 이때 강화학습의 대상이 되는 누적 보상 함수 $R(\tau)$는 작업 특성에 따라 다양하게 정의될 수 있다. 예를 들어 경로 계획 문제라면 경로 상 장애물 충돌에 대한 패널티, 도착 지점까지 소요된 시간에 대한 보상, 에너지 효율에 대한 가중치 등이 포함될 수 있다.

$$\begin{align} J(\theta) &= \mathbb{E}_{\tau \sim \pi_{\theta}} \big[ R(\tau) \big]\\ \nabla_{\theta}J(\theta) &= \mathbb{E}_{\tau \sim \pi_{\theta}} \Big[ \nabla_{\theta}\log \pi_{\theta}(a_t | s_t) R(\tau) \Big] \end{align}$$

위 식에서 $\pi_{\theta}$는 파라미터 $\theta$에 의해 결정되는 정책 함수이고, $\tau$는 에피소드(trajectory)에 해당한다. Isaac Sim과 ROS2 Humble을 활용하면, 이러한 강화학습 알고리즘의 시행착오를 물리 세계에서 발생하는 자원 소모 없이 매우 빠른 속도로 반복 수행할 수 있다.

대규모 병렬 학습과 클라우드 환경 활용

Isaac Sim은 단일 워크스테이션 환경뿐만 아니라 클라우드나 고성능 컴퓨팅(HPC) 노드에도 배포 가능하므로, 대규모 병렬 학습 시나리오를 구현하기에 매우 적합하다. 예컨대 여러 시뮬레이션 인스턴스를 병렬로 구동하여 로봇 제어 정책에 대한 방대한 경험을 동시에 축적할 수 있으므로, 수렴 시간 및 샘플 효율을 비약적으로 단축할 수 있다. ROS2 Humble에서 제공하는 멀티 노드 구조를 통합하면, 특정 노드는 시뮬레이션에서 발생하는 센서 정보만을 전담하고 다른 노드는 정책 학습 전담, 또 다른 노드는 분산 리플레이 버퍼 등을 담당하는 등 모듈화된 학습 구조를 구성할 수 있다.

병렬 학습 중 시스템 부하 혹은 네트워크 트래픽 병목이 발생할 수 있으므로, 보상 함수의 계산에 필요한 주요한 로봇 상태와 환경 변수를 선택적으로 전송하는 방식이 효율적이다. ROS2 노드 간의 QoS 프로파일을 상세하게 튜닝하면, 병렬 프로세스 간 지연 시간을 줄이고, 불필요한 데이터를 억제함으로써 안정된 학습 속도를 유지할 수 있다. Isaac Sim은 이러한 병렬 환경을 위해 실시간 시뮬레이션 스텝을 동기화하는 옵션도 제공하므로, 에피소드 재생산성(Reproducibility)이 높아진다는 장점도 존재한다.

Domain Randomization 기법의 적용

시뮬레이션 환경에서 학습된 모델을 실제 환경에 적용할 때 발생하는 시뮬레이터-실 세계 간 차이(Sim-to-Real Gap)를 줄이기 위한 방법으로 Domain Randomization이 널리 쓰인다. Isaac Sim은 조명, 텍스처, 물리적 파라미터(마찰계수, 중력 변동, 조인트 마찰 등)를 프로그래밍적으로 무작위 변화시킬 수 있으므로, 모델이 다양한 환경 조건에 대비하도록 학습할 수 있다. 이를 위해 특정 환경 파라미터 집합 $\mathbf{x}{\text{min}}$와 $\mathbf{x}{\text{max}}$ 범위를 정의하고, 무작위 스칼라 $\alpha$(0과 1 사이)를 샘플링하여 아래와 같이 적용할 수 있다.

$$\begin{align} \mathrm{rand}(\mathbf{x}) = \mathbf{x}_{\text{min}} + \alpha (\mathbf{x}_{\text{max}} - \mathbf{x}_{\text{min}})\\ \end{align}$$

ROS2 Humble 상에서 이 무작위화 과정을 제어하는 노드를 두어, 학습 에피소드마다 다양한 파라미터 조합을 Isaac Sim에 전달하면, 시뮬레이션은 그에 맞춰 물리 엔진 설정이나 그래픽 자원을 실시간으로 재설정한다. 이처럼 Domain Randomization을 적용하면 로봇이 동일한 작업 환경에서도 조명 차이나 마찰력 차이를 스스로 극복하고 적응하도록 학습하게 되므로, 실제 물리 세계에서 예기치 않은 변화를 만났을 때도 안정적으로 수행할 가능성이 커진다.

Isaac Sim-ROS2 Humble 상호작용 흐름 예시

상기 예시처럼 ROS2와 Isaac Sim 간의 양방향 데이터를 순환시키면, 학습 환경을 더욱 풍부하게 구성할 수 있다. 동일한 학습 알고리즘 코드 구조를 유지한 채 환경 파라미터를 변경할 수 있으므로, 매우 짧은 개발 주기로 다양한 시나리오를 실험할 수 있다. 이러한 통합은 기존 Gazebo나 Stage 시뮬레이터 대비 사실감 높은 광학적·물리적 효과를 제공하므로, 시뮬레이터 기반 연구에서 한 걸음 더 나아간 가능성을 열어 준다.

계층적 강화학습과 모듈형 아키텍처

Isaac Sim과 ROS2 Humble의 연계를 통해 계층적 강화학습(Hierarchical Reinforcement Learning, HRL) 기법을 효율적으로 적용할 수 있다. 계층적 강화학습에서는 상위 정책(High-level Policy)이 하위 정책(Low-level Policy)을 제어하는 구조를 취하므로, 복잡한 작업을 여러 부분 문제(Subtask)로 분할하고 각각에 대한 세부 전략을 학습하게 된다. 예를 들어 이동 로봇의 경우, 상위 정책은 “주어진 지점까지 전진 이동 후 회전”과 같은 추상 명령을 생성하고, 하위 정책은 바퀴 각각의 회전 제어, 자세 안정화 등의 저수준 동작을 처리한다. Isaac Sim 내에서 계층 간 상호작용을 직관적으로 설계할 수 있고, ROS2 Humble의 멀티 노드 구조를 통해 상·하위 정책을 물리적으로 분산 배치하거나 서로 다른 노드로 구분하여 메시지를 주고받을 수도 있다.

계층적 강화학습을 시뮬레이션 환경에서 구동하면, 하위 정책이 단순 동작(예: 이동, 물체 파지 등)에 집중하고 상위 정책이 임무 수준(예: 특정 지점까지 최단 경로로 이동, 물체 조립 등)을 제어함으로써 학습 효율을 높일 수 있다. ROS2 토픽을 통해 상위 정책 노드는 하위 정책 노드로부터 하위 상태 정보를 받아 적절한 상위 명령을 내리고, 각 정책의 보상 함수를 단계적으로 분리하여 손쉽게 디버깅할 수도 있다. 예컨대 하위 정책 학습이 잘 이루어지지 않는 경우, Isaac Sim의 시각화 툴로 로봇 조인트나 센서 상태를 직접 모니터링하여 즉시 개선 가능성을 찾을 수 있다.

다중 센서 융합 학습 전략

Isaac Sim은 RGB 카메라, 깊이 카메라, 라이더(LiDAR), IMU 등을 동시에 시뮬레이션할 수 있을 뿐만 아니라, 센서 특성(분해능, FOV, 센서 노이즈)까지 상세하게 설정할 수 있다. ROS2 Humble에서 각 센서는 서로 독립된 토픽으로 발행·구독되며, 여러 센서를 조합하여 지도 작성(SLAM), 객체 추적, 자체 위치 추정(Visual Odometry) 등의 복잡한 인공지능 모델을 학습시킬 수 있다. 특히 고난도의 융합 학습(Fusion Learning) 기법을 적용할 때, Isaac Sim 내 센서 모듈을 복수 배치함으로써 실제 로봇 시스템과 유사한 멀티센서 환경을 구성할 수 있다.

다중 센서 데이터를 결합하여 네트워크에 입력하는 경우, 시뮬레이션 단계에서 센서 동기화가 매우 중요하다. 예를 들어 시계열 데이터가 어긋나면 라이더와 카메라가 동일 시점의 장면을 가리키지 않을 수 있는데, ROS2 Humble은 QoS나 Time Sync 노드를 통해 이러한 동기화 이슈를 상당 부분 해결한다. Isaac Sim의 환경 설정에서 센서 발생 주기를 통일하고, ROS2 트랜스포트 계층에서 타임스탬프를 명시적으로 관리하면, 시뮬레이터와 통신 계층 사이에서 발생할 수 있는 타이밍 에러를 줄이는 데 큰 도움을 준다.

Sim-to-Real 전이(Transfer) 최적화 기법

시뮬레이션에서 학습된 모델을 실제 로봇에 성공적으로 이식하기 위해서는, Domain Randomization 외에도 다양한 최적화 기법이 필요하다. 예컨대 Isaac Sim은 실제로 측정된 마찰 계수, 링크(조인트) 관성, 서보 특성을 시뮬레이션 파라미터로 자동 반영할 수 있는데, 이때 ROS2 Humble 기반 로봇에서 측정된 실제 데이터(토크, 조인트 각도, 구동 전류 등)를 주기적으로 받아와 시뮬레이션 파라미터를 갱신(Online Parameter Tuning)하는 절차를 구현할 수 있다. 이를 통해 시뮬레이터가 실제 기기의 동작 특성에 더욱 가까워지므로, 학습 정책의 이식성(Transferability)이 향상된다.

방대한 시뮬레이션 데이터를 통해 사전학습(Pretraining)을 진행한 뒤, 실제 로봇에서 소규모 보정 학습(Fine-tuning)을 수행하는 방법도 대표적인 시뮬레이션-실 환경 전이 전략이다. Isaac Sim은 데이터셋 생성 시점에 카메라 시점, 광학 왜곡, 센서 노이즈, 환경 텍스처 등을 무작위로 바꾸어서 다양한 ‘가상’ 훈련 예시를 만들어 낸다. 그렇게 생성된 모델은 실제 데이터를 조금만 추가로 학습해도 대체로 빠르게 성능을 발휘한다. ROS2 Humble 통합 환경에서는 이러한 시뮬레이션 데이터와 실제 로봇 데이터가 동일한 메시지 구조를 사용하므로, 실 데이터 수집 과정을 자연스럽게 동일 워크플로 안에 녹여낼 수 있다.

온라인 모니터링과 런타임 최적화

대규모 학습 중 발생할 수 있는 병목 현상이나 예외 상황을 처리하기 위해, Isaac Sim과 ROS2 Humble 간 상호작용을 실시간으로 모니터링하고 자동으로 대응하는 메커니즘이 필요하다. 예를 들어 ROS2 Humble는 다양한 모니터링 툴(rqt_graph, rqt_tf 등)을 제공하며, Isaac Sim은 시뮬레이션 내에서 발생하는 물리 충돌, 비정상적인 조인트 각도, 시뮬레이션 시간 스텝 지연 등을 시각적으로 알리는 로그 기능을 제공한다. 연구자는 이러한 정보를 토대로 QoS 설정을 조정하거나, 불필요한 토픽 전송을 제한하여 네트워크 부하를 낮추는 식으로 런타임 최적화를 시도할 수 있다.

Isaac Sim 환경에서 GPU 가속을 활용할 때, 그래픽 렌더링과 물리 연산이 과도하게 충돌하지 않도록 우선순위를 설정하는 것도 중요하다. ROS2 Humble의 멀티 스레드 스피닝(Executor) 구조를 고려하면, 데이터 전송과 시뮬레이션 스텝 연산이 경쟁을 일으키지 않도록 적절히 스레드를 배분해야 한다. 이러한 구조적 조정 과정을 자동화하기 위해서는 추가적으로 컨테이너(Docker 등)나 가상머신(VM) 환경에서 Isaac Sim과 ROS2 Humble을 동시에 구동하고, 프로파일링 툴(nsys, ncu 등)을 사용하여 GPU·CPU 사용량, 네트워크 트래픽 등을 점검하는 방식이 효과적이다.

모델 기반 강화학습(Model-Based RL)과 물리 엔진 상호작용

Isaac Sim이 제공하는 물리 엔진(PhysX 등)은 로봇 환경의 운동학이나 동역학을 정확히 계산해 주므로, 모델 기반 강화학습(Model-Based Reinforcement Learning)을 적용하기에 유리하다. 모델 기반 강화학습은 환경의 동적 모델 $f(s_t, a_t) \approx s_{t+1}$을 예측하는 내부 모델을 학습한 후, 정책을 업데이트하는 과정에서 이 내부 모델을 활용해 샘플 효율을 높이는 기법이다. 실제 로봇에서는 물리 모델을 추정하기가 어렵거나 오차가 누적될 수 있지만, Isaac Sim에서는 기본적으로 매우 정확한 물리 시뮬레이션이 제공되므로, 모델 기반 학습의 시뮬레이터 측 오차가 상대적으로 작다.

물론 시뮬레이터도 완벽한 현실 반영은 불가능하므로, ROS2 Humble과의 통신 경로를 통해 실시간으로 물리 모델과 실제 센서 데이터를 비교하며 모델을 보정할 수 있다. 예컨대 온라인으로 로봇 조인트 토크와 가속도, 속도 등을 비교해, 시뮬레이터에서 추정한 파라미터(조인트 마찰, 관성 등)를 점진적으로 업데이트하면 모델 기반 학습의 예측 정확도가 향상된다. 이러한 접근은 Isaac Sim이 제공하는 Python API를 이용해 물리 엔진 파라미터를 동적으로 재설정하고, ROS2 노드를 통해 갱신된 데이터를 수신해 가며 이루어진다.

Isaac Sim 내장 카메라와 실제 카메라 교정(Calibration) 절차

카메라 기반 로봇 비전 태스크에서는 카메라 교정(Calibration)이 매우 중요하다. Isaac Sim의 내장 카메라는 이상적인 광학 모델로 동작하지만, 실제 카메라에는 왜곡 계수, 초점 거리 편차, 주점(Principal Point) 오차 등이 존재한다. ROS2 Humble에서 제공하는 카메라 인트린식·익스트린식 파라미터 메시지를 Isaac Sim에 반영하면, 시뮬레이션 세계에서도 실제 카메라 왜곡을 가정할 수 있다. 이때 OpenCV나 ROS2 카메라 교정 툴(rqt_image_view, camera_calibration 패키지 등)을 이용해 측정된 파라미터를 그대로 Isaac Sim 카메라 노드에 주입하는 식으로 실제와 유사한 시뮬레이션 이미지를 생성할 수 있다.

반대로 Isaac Sim에서 가정한 카메라 파라미터를 기준으로 실제 카메라를 교정할 수도 있다. 예컨대 Isaac Sim 상에서 가상 체커보드 이미지를 송신하여, 실제 로봇 환경에서도 동일한 체커보드 패턴으로 교정 촬영을 수행하고, 두 결과를 비교함으로써 실제 카메라 왜곡 파라미터가 얼마나 차이나는지 확인할 수 있다. 이는 Sim-to-Real 작업 시 보정 절차를 간소화하고, 동일한 알고리즘 코드를 그대로 활용할 수 있게 해 준다. 시뮬레이션에서 테스트한 교정 알고리즘이 실제 환경에서도 동일한 형식으로 동작하므로, 비전 파이프라인의 재현성이 향상된다.

Isaac Sim과 ROS2 Humble 통합 자동화 파이프라인 예시

위 예시는 CI/CD 파이프라인에서 Isaac Sim과 ROS2 Humble을 컨테이너화한 뒤, 클라우드 HPC 노드에서 분산 학습을 자동으로 수행하고, 결과 데이터(학습된 모델, 로깅 정보, 시뮬레이션 로그 등)를 중앙 레포지토리에 저장하는 과정을 개략적으로 나타낸다. 개발 PC에서 모델과 학습 코드를 작성·테스트한 뒤, GitLab CI/CD나 Jenkins 등을 통해 Docker 이미지를 빌드하고, HPC 노드나 GPU 클러스터에 이를 배포하여 실제 대규모 시뮬레이션이 돌아가게 하는 식이다. Isaac Sim과 ROS2 Humble을 활용한 학습 작업이 확실히 모듈화되어 있으면, 이러한 자동화 파이프라인 구현이 한층 수월해진다.

다중 에이전트 강화학습(Multi-Agent RL)과 협업 시뮬레이션

Isaac Sim과 ROS2 Humble 환경에서 다중 에이전트 강화학습을 시도하면, 여러 로봇 에이전트가 동시에 존재하는 복잡한 시나리오를 비교적 쉽게 구성할 수 있다. 협동 로봇(예: 물건 조립, 부품 이송)이나 자율주행차량의 군집 주행을 가정할 수 있으며, 각 에이전트는 고유한 상태·행동 공간을 갖는다. Isaac Sim은 물리 엔진의 병렬 연산 구조와 GPU 가속을 활용해 다중 에이전트 간 충돌이나 상호 간력(Inter-agent Force)을 빠르게 계산할 수 있다. ROS2 Humble에서는 에이전트별로 노드를 분리하거나, 특정 그룹 단위로 노드를 묶어 메시지를 주고받게 할 수 있다.

다중 에이전트 강화학습에서 각 에이전트는 정책 $\pi_{\theta_i}(a_{i,t}|s_{i,t})$를 학습하게 된다. 에이전트별로 상태 $s_{i,t}$가 존재하고, 전체 시스템 상태를 $\mathbf{s}t = (s{1,t}, s_{2,t}, \dots, s_{N,t})$라 할 때, 각 에이전트의 행동 $a_{i,t}$가 상호작용하며 시스템의 전역 보상 함수를 형성할 수도 있다. 때로는 개별 보상을 부여하거나, 중앙집중식(Centralized) 비전-제어 노드에서 집합적 목표 함수를 계산할 수 있다. 이때 Isaac Sim 상에서 각 에이전트의 센서·액추에이터 모델을 분리해 설정하고, ROS2 토픽을 통해 개별 메시지 통신을 관리하면, 다중 에이전트의 학습 수렴 과정을 시뮬레이션으로 반복 실험할 수 있다.

특히 협동(Cooperative) 환경에서의 다중 에이전트 학습은 상호 간 충돌 회피, 협조적 태스크 분할, 자원 공유 등을 종합적으로 고려해야 하므로 한층 까다롭다. Isaac Sim의 시각화 기능을 이용하면, 에이전트 간 상호작용 패턴을 직관적으로 모니터링하며 정책을 디버깅할 수 있다. 또한 ROS2 Humble의 노드 간 트랜잭션을 기록하여, 어떤 시점에 어떤 에이전트가 어떤 메시지를 주고받았는지 시간축으로 살펴볼 수 있으며, 이를 바탕으로 협업 실패나 병목 지점 등을 파악할 수 있다.

비선형 최적화와 경로 계획 알고리즘 검증

Isaac Sim은 로봇 매니퓰레이터나 자율주행 플랫폼의 동작 범위가 넓고 복잡한 경우에도, 사실적인 물리 모델을 통해 경로 계획 알고리즘 검증을 지원한다. 연구자가 비선형 최적화 문제(Nonlinear Optimization) 공식을 직접 세우고, 딥러닝 기반 경로 계획(예: CVAE 기반 Motion Planning), 샘플링 기반 경로 탐색(RRT*, PRM 등)을 수행해볼 수 있다. ROS2 Humble에선 MoveIt, Nav2 등의 표준 패키지를 활용하거나, 직접 작성한 경로 계획 노드를 Isaac Sim과 연결할 수 있다.

예를 들어 다음과 같은 비선형 제약 조건이 있는 경로 계획 문제를 생각해 볼 수 있다. 각 시점 $t$에서의 로봇 상태를 $\mathbf{x}_t$라 하고, 제어 입력을 $\mathbf{u}_t$라 하면, 이동 모델을 $g(\mathbf{x}_t, \mathbf{u}_t)$라 할 때,

$$\begin{align} \mathbf{x}_{t+1} &= g(\mathbf{x}_t, \mathbf{u}_t) \quad h(\mathbf{x}_t, \mathbf{u}_t) \le 0 \end{align}$$

여기서 $h(\cdot)$는 환경 장애물 충돌, 조인트 한계, 속도·가속도 제한 등을 아우르는 복수의 비선형 제약식을 나타낸다. Isaac Sim은 이러한 장애물 구성이나 조인트 한계를 정밀하게 설정할 수 있으며, ROS2 Humble 노드를 통해 계획 알고리즘이 산출한 $\mathbf{u}_t$ 명령을 직접 시뮬레이션 상에서 검증 가능하다. 검증 결과가 만족스럽지 않다면 제약 조건을 재조정하거나, 충돌 지점의 물리 파라미터(마찰, 관성 등)를 수정하여 시뮬레이션 환경을 세밀하게 튜닝할 수 있다. 이를 반복함으로써 실제 로봇에 탑재하기 전, 매우 안정적인 경로 계획 알고리즘을 확보할 수 있다.

외부 동적 환경과 상호작용

로봇이 동작하는 실제 환경은 정적이지 않고, 사람이나 움직이는 기계와 마찬가지로 동적 요소가 많다. Isaac Sim에선 의도적으로 움직이는 물체나 사람 아바타(Avatar)를 삽입해, 실시간으로 시나리오를 바꿀 수 있다. 예컨대 물체가 떨어지거나, 협동 로봇이 움직이는 경로에 사람이 접근하는 상황을 재현할 수 있다. 이러한 상황에서 로봇은 센서를 통해 새로운 위험 요소를 감지하고, 회피 동작이나 안전 정책을 활성화해야 한다.

ROS2 Humble와 결합하면, 외부 동적 환경이 자체 노드로 동작하거나, 시뮬레이션 메시지를 구독·발행할 수 있다. 예를 들어 사람이 위치하는 좌표나 속도를 지속적으로 업데이트하는 노드를 두어, Isaac Sim 내부에서 인간 아바타의 움직임을 실시간으로 제어한다. 이와 동시에 로봇은 LIDAR, RGB-D 카메라, 레이더 등을 통해 주변을 스캔하고, 동적 장애물이 예측 범위 내에 진입하면 즉시 대응 알고리즘을 실행한다. 이처럼 Isaac Sim-ROS2 Humble 통합을 통해, 실제 안전 기준 시험이나 ISO 규격 준수 테스트 등을 시뮬레이터에서 선행 평가해볼 수 있다.

머신비전 기반 적응형 제어(Adaptive Control)

머신비전이 결합된 로봇 제어에는, 시각 피드백이 예상과 다를 경우 즉석에서 로봇 동작을 수정하는 적응형 제어 기법이 효과적이다. 예를 들어 물체 인식 정확도가 떨어지는 조명 환경이 나타나면, 로봇이 카메라 시야를 재배치하거나 조명 각도를 조절하여 인식 성능을 보완할 수도 있다. Isaac Sim에서 제공하는 광학 특성 설정(조명 강도, 노이즈, 반사 등) 기능을 통해, 다양한 영상 품질 변화를 시뮬레이션할 수 있다. ROS2 Humble 측에서는 비전 분석 노드(예: OpenCV, TensorFlow 기반)를 둬서 이미지 데이터 토픽을 실시간 처리하고, 인식 성능이 일정 임계값 이하로 떨어지면 로봇 자세를 보정하는 메시지를 발행하게 만들 수 있다.

이때 적응형 제어 관점에서, 제어 법칙을 수식으로 표현하면 다음과 같이 쓸 수 있다. 로봇의 목표 상태를 $\mathbf{x}^$, 현재 추정 상태를 $\mathbf{\hat{x}}(t)$라 할 때, 비전 인식으로부터 얻은 오차 $\mathbf{e}(t) = \mathbf{x}^ - \mathbf{\hat{x}}(t)$를 이용해 적응 게인 $K(t)$을 조정한다.

$$\begin{align} \mathbf{u}(t) &= K(t)\,\mathbf{e}(t)\\ K(t) &= K_0 + \Delta K(\mathbf{e}(t), \dot{\mathbf{e}}(t), \dots) \end{align}$$

여기서 $\Delta K(\cdot)$는 인식 정확도나 센서 피드백 품질에 따라 달라질 수 있는 보정 항이다. Isaac Sim은 이러한 알고리즘이 로봇에 적용됐을 때 실제 움직임이 어떻게 변하는지, 시뮬레이션으로 즉시 보여 줄 수 있다. ROS2 Humble는 제어 입력 $\mathbf{u}(t)$를 물리 제어 노드에 전달하고, 다시 센서 데이터를 받아 오차를 계산하는 전 과정을 중단 없이 반복 수행한다.

코시뮬레이션(Co-Simulation)과 외부 CAE 도구 결합

로봇 설계 관점에서 Isaac Sim을 이용해 시뮬레이션을 수행하되, 보다 정밀한 구조 해석(FEA), 열 해석(CFD), 전자기 해석(EM) 등이 필요한 경우가 있다. 이러한 해석 업무를 다른 CAE 툴(Ansys, COMSOL 등)과 연동하여, 서로 데이터를 교환하며 코시뮬레이션을 진행할 수 있다. 예컨대 물리 엔진에서 계산되는 로봇 조인트 부하가 CAE 툴로 전달되어 구조 변형이나 열 발생을 분석하고, 그 결과에 따라 조인트 강성을 실시간 변경한 뒤 Isaac Sim에서 재시뮬레이션하는 식이다.

ROS2 Humble 구조를 활용하면, Isaac Sim-외부 CAE 툴 간 통신을 ROS2 메시지 혹은 브리지(Bridge) 형태로 연결할 수 있다. 이를 통해 다학제적(Multidisciplinary) 설계 검증을 시뮬레이터 단계부터 수행하고, 추후 실제 로봇 제작 비용과 시간을 절감할 수 있다. 가령 로봇 암(Arm)의 특정 부위에 과도한 응력이 집중되는 점이 코시뮬레이션에서 드러나면, 로봇의 행동 정책 학습이나 궤적 최적화에 해당 부위 응력을 최소화하는 보상 항을 추가할 수 있다. 이처럼 Isaac Sim과 ROS2 Humble 통합은 로봇학과 기계·전기·전자 등 다양한 분야의 엔지니어가 협업하기 위한 토대를 제공한다.

에지(Edge)와 클라우드 연동 학습 구조

일부 로봇 시스템은 에지 디바이스(Edge Device)나 온보드 컴퓨터에서 실시간 제어를 수행하고, 클라우드 서버에서 복잡한 학습이나 데이터 처리 작업을 맡는 구조를 사용한다. Isaac Sim과 ROS2 Humble을 연동하면, 시뮬레이션 노드를 클라우드에서 병렬 실행하면서도, 에지 단의 ROS2 노드를 통해 실시간 제어를 모사할 수 있다. 실제 로봇을 배치하기 전, 에지-클라우드 간 통신 지연이나 데이터 전송량 한계 등 현실적인 제약을 가정하여, 학습 알고리즘이 얼마나 견고하게 동작하는지 시험할 수 있다.

ROS2 Humble은 DDS 기반의 네트워크 QoS 제어 기능을 제공하므로, 고정 지연 시간이나 패킷 손실율 등을 인위적으로 설정할 수도 있다. Isaac Sim 상에서 에지 디바이스 노드가 받는 센서 정보를 일정 주기 이상 지연시켜서 전송하거나, 일부 샘플을 누락시켜서 실제 무선 네트워크 불안정성을 재현할 수 있다. 이러한 시뮬레이션을 통해 로봇의 통신 내성(Resilience)이나 강건성(Robustness)을 사전에 평가하고, 필요하다면 ROS2 리트라이 정책, RTPS 파라미터 등을 조정해 실제 환경에서도 안정적으로 동작하도록 대비할 수 있다.

메타학습(Meta-Learning)과 최적 정책 재활용

메타학습 기법을 Isaac Sim과 ROS2 Humble 환경에 적용하면, 여러 태스크에 대한 공통 학습 경험을 바탕으로 새로운 태스크를 빠르게 학습할 수 있다. 예를 들어 로봇에게 다양한 작업(이동, 픽 앤 플레이스, 협동 조립 등)을 시뮬레이션 기반으로 학습하게 한 뒤, 실제 현장에서 처음 해보는 작업을 수행할 때도 적은 샘플만으로 빠르게 적응하도록 만드는 것이다. 이 때 Isaac Sim은 매우 다양한 환경·태스크를 자동 생성하여 로봇에게 광범위한 사전 지식을 쌓게 해주고, ROS2 Humble을 통해 실제 작업 노드에서 인퍼런스를 수행할 때 빠른 파라미터 업데이트가 가능하게끔 한다.

메타학습 알고리즘은 대표적으로 MAML(Model-Agnostic Meta-Learning)이나 ProMP(Probabilistic Meta Policy) 등이 사용된다. 예컨대 MAML에서는 초기 파라미터 $\theta$를 학습한 뒤, 새로운 태스크 $\mathcal{T}$에 대해 소수의 그레디언트 스텝만으로 최적 정책에 수렴하도록 유도한다. Isaac Sim에서 다수의 작업 세트를 생성하고, 각 작업 세트에 대한 학습을 빠르게 병렬화하여 메타 파라미터를 구할 수 있다. 이후 실제 로봇(ROS2 노드)에서 수행해야 할 태스크가 주어지면, 그 태스크 데이터로 극히 짧은 Fine-tuning을 거쳐 즉시 실환경에 적합한 정책을 얻는다. 이는 시뮬레이션과 실환경 간 전이 과정을 매끄럽게 하고, 로봇 개발 초기 단계에서 다양한 가능성을 탐색하기에 매우 유용하다.

고차원 조인트 구조와 동적 시뮬레이션 안정화

최근 협동 로봇이나 인간형 로봇처럼 조인트가 많고 자유도가 높은(High DOF) 로봇이 증가하고 있다. Isaac Sim은 PhysX 기반의 고성능 물리 엔진으로, 복잡한 조인트 구조와 상호작용을 계산할 수 있다. 다만 조인트 수가 늘어날수록 시뮬레이션 시간이 길어지고, 동적 안정성이 떨어질 가능성이 있으므로, ROS2 Humble와 통합하여 안정화 절차를 자동화하는 것이 좋다. 예컨대 모델 예측 제어(Model Predictive Control, MPC)를 적용할 때, 예측 시나리오 폭이 기하급수적으로 커지지 않도록 축소 상태 공간을 설계하거나, 조인트 커플링(Coupling) 방식을 단순화하여 시뮬레이션 부하를 줄일 수 있다.

Isaac Sim에서 조인트별 제한 속도, 토크 한도, 조인트 마찰 등을 맞춤형으로 설정하고, ROS2에서 발생하는 실제 로봇의 진동이나 발열 상태 정보를 피드백 받아가며 시뮬레이션을 정교화하는 방법을 사용할 수 있다. 이를 통해 실제 로봇의 동작 범위를 초과하는 영역이나 위험한 자세를 사전에 감지하고, 제어 알고리즘 수준에서 이를 방지하는 설계를 할 수 있다. Isaac Sim-ROS2 Humble 통합을 통해 이러한 다자유도 로봇 시스템의 전반적인 안정성을 향상시키는 접근은, 향후 더욱 복잡해질 로봇 플랫폼에도 필수적인 전략으로 부상하고 있다.

신경망 구조 탐색(Neural Architecture Search)과 자율 최적화

Isaac Sim과 ROS2 Humble을 결합해 로봇 제어나 컴퓨터 비전, 다중 센서 융합 등에 적용할 딥러닝 모델을 자동으로 최적화하려면, 신경망 구조 탐색(Neural Architecture Search, NAS) 기법을 활용할 수 있다. NAS는 특정 작업(예: 물체 인식, 모션 예측)에 대해 최적의 신경망 구조(레이어 깊이, 필터 크기, 활성화 함수 등)를 스스로 찾는 알고리즘이다. 전통적으로는 수작업 튜닝에 의존했지만, Isaac Sim에서 수많은 가상 데이터를 빠르게 생성하고, ROS2 Humble과 연결된 학습 노드가 자동으로 NAS를 실행하면, 비교적 적은 인적 노력으로 뛰어난 모델 구조를 찾아낼 수 있다.

구체적으로, NAS 알고리즘은 하이퍼파라미터 후보를 샘플링하고, 그에 해당하는 신경망을 학습시킨 뒤, 검증 정확도나 보상 함수 등을 기준으로 성능을 평가한다. 이 과정을 시뮬레이션 환경에서 반복 수행하여, 로봇 태스크에 적합한 최적 아키텍처를 자동으로 찾는다. Isaac Sim에서 물리·그래픽 데이터를 풍부하게 생성하므로, NAS가 요구하는 방대한 학습·검증 세트를 확보하기가 용이하다. ROS2 Humble은 학습 과정에서 발생하는 중간 결과(토픽 형태의 로깅, 전처리된 센서 정보, 배치 단위의 실험 결과 등)를 신속히 공유하므로, 병렬 NAS를 더욱 효율적으로 운용할 수 있다.

임베디드 환경 이식(Deployment) 및 최적화

시뮬레이션에서 학습된 모델이나 제어 로직이 복잡하고 용량이 큰 경우, 실제 로봇의 임베디드 환경(마이크로컨트롤러, NVIDIA Jetson 계열, 혹은 DSP 기반 보드 등)에 탑재하기 위해서는 모델 경량화(Pruning, Quantization)나 소프트웨어 최적화가 필수적이다. Isaac Sim과 ROS2 Humble을 연동하여 개발할 때, 모델 프로파일링 단계에서 GPU·CPU·메모리 사용량 등을 모니터링하고, 병목 지점을 확인한 뒤 이를 임베디드 환경에서 개선할 수 있다.

예컨대 TensorRT, ONNX Runtime, TVM 등과 같은 러너(Runner) 엔진을 Isaac Sim 내에서 시뮬레이션과 함께 테스트하여, 추론 지연 시간을 측정하고 리소스 사용량을 예측한다. 이후 실제 로봇에 ROS2 기반 실행 파일로 탑재했을 때의 성능 저하가 어느 정도인지 미리 파악할 수 있으므로, 배포 단계에서 갑작스러운 문제(메모리 부족, 실시간 제어 불능 등)를 예방한다. 또한 ROS2 메시지 타입을 임베디드 기기에 맞춰 슬림화하거나, 메시지 전송 빈도를 제한해 통신 대역을 줄이는 등의 튜닝도 시뮬레이션 결과를 토대로 수행할 수 있다.

가상-증강 현실(VR/AR) 인터페이스를 통한 학습 가속

Isaac Sim은 VR/AR 환경과 통합될 수 있어, 사람과 로봇이 협력해야 하는 시나리오에서 학습 과정을 더욱 직관적으로 제어할 수 있다. 예컨대 HMD(Head-Mounted Display)를 착용한 작업자가 가상 로봇 팔과 상호작용하면서 로봇에게 시범 동작을 가르치는(Teaching by Demonstration) 방식으로 초기 정책을 학습시킬 수 있다. ROS2 Humble은 이러한 입력 데이터를 표준 메시지 형태로 기록·재생할 수 있으므로, 수동 시연 데이터가 많은 프로젝트에서 Isaac Sim-VR/AR 통합이 유리하다.

시연 데이터를 활용해 사전학습(Supervised Learning)을 진행한 뒤, 이어서 강화학습이나 지도학습+강화학습(IL+RL) 혼합 접근을 할 수 있다. 사람의 동작 궤적이나 물체를 조작하는 방식이 ROS2 토픽으로 전달돼 Isaac Sim 상의 로봇 팔에 재현되면, 로봇 정책이 빠른 속도로 동작 패턴을 파악한다. 이는 단순히 랜덤 초기화를 통해 학습하는 경우보다 훨씬 짧은 시간 안에 고성능 정책을 획득하는 지름길이 된다. 또한 VR/AR 인터페이스에서 시각적으로 피드백을 즉시 확인해가며 잘못된 동작을 교정할 수 있으므로, 개발 및 디버깅 효율이 크게 향상된다.

시뮬레이션-분석-설계(Simulation-Analysis-Design) 통합 루프

Isaac Sim과 ROS2 Humble 환경에서 반복적으로 학습 실험을 진행하고, 그 결과를 바탕으로 로봇 하드웨어 혹은 소프트웨어 설계를 다시 수정하는 ‘시뮬레이션-분석-설계 통합 루프’를 구축할 수 있다. 이는 전통적인 V&V(Verification & Validation) 과정을 앞당겨서, 로봇 프로토타입을 실제로 만들기 전부터 상당 부분 검증을 마칠 수 있게 해 준다. 예를 들어 매니퓰레이터 끝단(Effector)의 형상이 집게 형태인지, 흡착 패드인지, 혹은 그리퍼인지에 따라 적절한 물체 파지(Grasping) 정책이 달라질 것이다. Isaac Sim에서는 다양한 그리퍼 모델을 스위치하듯이 교체·적용한 뒤, ROS2 Humble 기반 그리퍼 제어 노드의 성능을 서로 비교·분석할 수 있다.

또한 전기적·전자적 측면에서 특정 서보 모터 구동 전략이 전력 소모를 낮추는지, 관성 변동이 큰 부하에 대해 과열 문제가 생기지는 않는지 등을 모니터링할 수도 있다. 시뮬레이터는 전력을 정밀하게 측정하긴 어렵지만, 근사 계산을 통해 상대적인 소비량 차이를 비교하는 수준이라면 충분히 가능하다. 그 결과를 바탕으로 하드웨어 BOM(Bill Of Materials)이나 기구부 설계를 재검토하고, 새롭게 수정된 모델을 다시 Isaac Sim에 업데이트해 학습을 진행하는 식의 루프를 손쉽게 구축할 수 있다.

연구 및 산업 현장에서의 적용 전망

이처럼 Isaac Sim과 ROS2 Humble이 상호보완적으로 결합되면, 로봇 제어 이론 연구뿐만 아니라 실제 산업 자동화 프로젝트까지 폭넓게 활용될 수 있다. 전통적으로는 로봇 연구실이나 기업 R&D 부서에서, Gazebo 또는 상용 3D 시뮬레이터를 사용해 왔는데, Isaac Sim이 NVIDIA의 그래픽 하드웨어 및 소프트웨어 생태계와 긴밀히 연결된 점은 신속하고 사실적인 시각효과 및 물리 연산을 구현하는 데에 강력한 이점을 제공한다. ROS2 Humble은 기존 ROS1보다도 실시간성, 보안성, 분산성 면에서 개선이 이루어져, 대규모 시스템 통합에 알맞다.

동시에 Isaac Sim은 Omniverse 플랫폼을 통해 클라우드 협업 기능을 제공하고, USD(Universal Scene Description) 기반으로 씬(scene) 정보를 관리하므로, 여러 연구자가 동일한 프로젝트 파일을 공유하며 모델링과 시뮬레이션을 공동 진행하기에 편리하다. 이러한 기능 조합은 산업 파트너가 공동 프로젝트에서 복잡한 CAD 데이터를 Isaac Sim으로 불러와 시뮬레이션하고, ROS2 노드와 실시간으로 연동하여 로봇 작업 환경을 점검하는 ‘디지털 트윈(Digital Twin)’ 컨셉에도 잘 부합한다. 결과적으로 개발 주기를 단축하고, 시뮬레이션 기반 사전 검증으로 시스템의 신뢰도를 높일 수 있다.

커스텀 플러그인(Plugin) 개발과 Isaac Sim-ROS2 확장

Isaac Sim과 ROS2 Humble 통합 시, 고도화된 기능이 필요하다면 표준 인터페이스(토픽, 서비스, 액션 등)만으로 충분하지 않을 수 있다. 예를 들어 시뮬레이터 내부의 물리 계산 이벤트를 직접 가로채거나, 메시지 전달 시점을 세밀하게 제어하고자 한다면, Isaac Sim의 확장(Extension) 방식과 ROS2의 커스텀 플러그인(예: rclcpp, rmw 계층)을 결합해 개발할 수 있다. 이를 통해 시뮬레이터와 메시지 미들웨어 사이의 핵심 훅(Hook)을 만들어, 별도의 수치 해석 라이브러리나 사용자 정의 충돌 감지 로직을 삽입할 수도 있다.

Isaac Sim은 Omniverse Kit 확장을 통해 Python, C++ 기반 커스텀 플러그인을 작성하고, 시뮬레이션 실행 중에 동적으로 로딩할 수 있도록 지원한다. ROS2 Humble도 rclcpp 기반의 Node, Publisher, Subscriber를 자유롭게 확장하고, DDS 레벨의 QoS 프로필을 커스터마이징할 수 있다. 이러한 구조를 통해, 특정 이벤트(예: 로봇이 장애물과 접촉) 발생 시 파티클(Particle) 단위의 세밀한 물리 분석을 수행하거나, ROS2 노드로 즉시 알림을 전달하도록 설계할 수 있다. 이 방식은 기본 패키지가 제공하지 않는 특수한 센서, 복합 물리 현상(유체, 열 해석 등), 사용자 지정 렌더링 기법 등을 통합할 때도 유용하다.

재현성(Reproducibility)과 기록(Log) 관리

학습이나 시뮬레이션 결과가 불안정하게 나오는 원인 중 하나는 재현성(Reproducibility) 문제다. Isaac Sim에서 물리 시뮬레이션은 결정적(deterministic) 모드와 비결정적 모드(병렬 연산, GPU 랜덤성 등)를 모두 지원하므로, 연구 목적에 따라 결정적 모드를 켜서 시드(Seed)를 고정하거나, 혹은 병렬화 성능을 우선시하는 모드를 고를 수 있다. ROS2 Humble에서 Time Synchronizer나 플레이백(rosbag2) 기능을 사용하면, 시뮬레이션 중 발생한 메시지 스트림을 그대로 기록했다가 재생할 수 있다.

이때 로그 관리는 대규모 실험을 진행할 때 핵심적인 역할을 한다. Isaac Sim은 그래픽 이벤트, 물리 충돌, 센서 데이터 등을 자체적으로 CSV 혹은 바이너리 형태로 저장하고, ROS2 Humble은 토픽 데이터를 rosbag2로 기록한다. 이후 rosbag2를 재생하면 Isaac Sim은 당시와 동일한 순서·타이밍으로 메시지를 받아, 시뮬레이션 결과를 반복 재현한다. 이 과정을 통해 알고리즘 디버깅을 체계적으로 진행하고, 실험 설정(파라미터, 시드, 환경 조건 등)에 따라 결과가 얼마나 변동되는지 정확하게 파악할 수 있다.

사용자 인터페이스 확장과 산업 응용 예시

Isaac Sim에서는 로봇학이나 인공지능 지식이 깊지 않은 현장 엔지니어도 쉽게 접근할 수 있도록, GUI 기반으로 로봇 모델을 배치하고 충돌 지점을 지정하거나, 센서 파라미터를 드래그앤드롭으로 조정하는 방식을 지원한다. ROS2 Humble과 연결할 때도, 토픽·서비스·액션을 Isaac Sim GUI 상에서 시각적으로 확인하여, 특정 메시지가 잘 전달되는지 모니터링이 가능하다.

이런 방식의 직관적 통합은 물류 창고 자동화(AGV·AMR 시스템), 제조 라인 협동 로봇 배치, 자율주행 시뮬레이션 등 산업 현장에서 크게 기여할 수 있다. 예컨대 물류창고 레이아웃을 CAD 파일로부터 Isaac Sim에 임포트한 뒤, 실제 창고 시스템과 동일한 크기의 선반, 통로, 랙을 배치하고, ROS2 Humble 노드로 가상 AGV 수십 대를 동시에 제어해본다. 여기서 교통량이 많은 구역에서 병목이 생기면 로봇 간 협조 알고리즘을 개선하고, 필요한 지점에 충돌 방지 센서를 추가 배치하는 등의 솔루션을 시뮬레이션 단계에서 바로 검증한다.

고급 물리 시뮬레이션 기능과 업계 활용

Isaac Sim은 NVIDIA PhysX, Flex, Flow 등 고급 물리 시뮬레이션 라이브러리를 통합해, 강체(Rigid Body) 및 유연체(Soft Body) 시뮬레이션, 유체(Fluid) 시뮬레이션, 입자(Particle) 시뮬레이션 등을 수행할 수 있다. 예컨대 농업용 로봇이 토양을 파헤치거나, 식물을 다룰 때 발생하는 유연 변형이나 입자 유동을 재현하고 싶다면, Isaac Sim-ROS2 Humble 통합 환경에서 물리 엔진 확장을 활용할 수 있다. 또한 섬세한 소프트 그리퍼(Soft Gripper)가 물체를 파지할 때 발생하는 변형 메커니즘이나, 포장재의 물리 반응 등을 미리 계산해볼 수도 있다.

ROS2 Humble 노드는 이러한 물리 시뮬레이션 결과를 주기적으로 받아, 제어 알고리즘 측면에서 유연체의 미세 변화까지 반영할 수 있다. 이를 통해, 이전에는 단순 rigid body assumption으로 가정해왔던 상황에 대해 훨씬 사실적인 로봇 동작을 학습시키거나, 안전 마진을 재설정할 수 있다. 이를 산업 현장에 적용하면, 생산 라인에서 로봇이 부드러운 재질(천, 폼, 케이블 등)을 다뤄야 할 때, 시뮬레이션을 통해 다양한 제품 모양이나 재질에 대한 파지 전략을 사전에 테스트할 수 있어, 오류율 및 파손을 줄이고 효율성을 높이는 데 크게 기여한다.

Isaac Sim과 ROS2 Humble 통합의 미래 확장성

앞서 언급한 여러 방법론은 기본적으로 Isaac Sim과 ROS2 Humble의 구조적 장점을 최대한 활용해, 다양한 로봇 학습 및 시뮬레이션 응용을 개척하는 전략이다. 현재도 Omniverse 플랫폼을 기반으로 Isaac Sim은 지속적으로 기능이 확장되고, ROS2 Humble 이후의 버전(ROS2 Iron, 기타 차기 릴리스 등)에서도 DDS 프로토콜과 RTPS, 멀티 도메인 통신이 개선될 전망이므로, 향후에는 더욱 대규모 시스템을 안정적으로 시뮬레이션할 수 있게 될 것이다.

또한 Isaac Sim의 AI Pipeline(Deep Learning GPU 가속, Domain Randomization, Synthetic Data Generation 등) 기능과 ROS2의 실시간성, 분산성, 보안 기능이 점점 더 긴밀하게 결합할 가능성이 높다. 가령 의료용 로봇이나 군사·우주용 로봇과 같은 안전·보안 요구사항이 높은 분야에서, 로컬(Edge) 시뮬레이션과 안전 인증 프로세스를 자동화해 디지털 트윈을 구축하는 식으로 응용 범위가 확장될 것이다.