목표와 보상 설계
“넘어지지 않고 목표까지 이동하기”처럼 해결할 문제를 정합니다. 전진·균형·에너지 사용을 어떤 기준으로 평가할지 토론합니다.
PHYSICAL AI · FROM LEARNING TO ACTION
화면에서 배운 지능이
현실의 움직임이 되도록.
피지컬 AI는 센서로 주변과 자신의 상태를 인식하고, 판단한 결과를 로봇 등 물리적 장치의 행동으로 연결하는 인공지능입니다. 움직인 결과가 다시 관측으로 돌아오며 환경과 상호작용합니다.
센서로 관찰→정책으로 판단→교구로 행동→결과를 다시 관찰
강화학습으로 배우고,
실제 교구에서 확인합니다.
엔스크린이 지향하는 수업의 핵심은 학생이 목표와 보상을 설계하고, AI가 반복 경험으로 학습한 행동 정책을 실제 교구에 적용해 보는 것입니다. 이를 시뮬레이션에서 현실로 옮기는 Sim-to-Real 과정이라고 합니다.
옮기는 것은 화면 속 영상이 아니라 학습된 정책과 그 정책을 실행하는 데 필요한 설정입니다. 지원 교구와 학습·실행 환경이 맞아야 하며, 시뮬레이션의 성공이 실물의 성공을 자동으로 보장하지는 않습니다.
강화학습은 피지컬 AI를 구현하는 여러 방법 중 하나입니다. 이 코스웨어에서는 강화학습과 실제 적용 과정을 중심에 두고, 코딩을 이해와 실험을 확장하는 도구로 연결합니다.
한 번의 성공보다, 학습과 검증의 과정.
정식 엔스크린 코스웨어는 시뮬레이터에서 학습한 행동 정책을 지원 교구에 적용하는 기능을 제공합니다. 학습 결과 내보내기, 교구별 실행 형식 변환·전송, 실물 검증을 하나의 수업 흐름으로 연결합니다.
시뮬레이션에서 강화학습
로봇이 환경을 관찰하고 행동한 결과로 보상을 받습니다. 반복 경험을 통해 상황에 맞는 행동을 선택하는 정책을 학습합니다.
학습 결과 검증
학습에 사용하지 않은 조건에서 성공률·넘어짐·불필요한 동작을 확인합니다. 마찰·질량·센서 오차 등이 달라져도 동작하는지 비교합니다.
실제 교구에 적용
지원 교구의 실행 환경에 맞는 정책을 준비합니다. 관측값과 모터 순서, 단위, 제어 주기와 동작 범위를 확인한 뒤 교사 감독 아래 제한된 환경에서 시험합니다.
현실의 차이를 다시 학습으로
시뮬레이션과 실물의 결과를 비교합니다. 실패 원인을 기록하고 보상·환경·학습 조건을 수정해 다시 검증합니다.
학습 중심 과정에 코딩을 연결합니다.
관찰과 보상 이해
Duckbert의 움직임을 관찰하고, “잘 걷는다”의 기준을 말과 그림으로 표현합니다. 검증된 정책의 행동을 비교하며 목표·보상·실패의 관계를 배웁니다.
초등 강화학습 교안 보기 ↗강화학습 실험과 비교
보상과 환경 조건을 바꾼 학습 결과를 비교하고, 성공률과 실패를 분석합니다. 정보 수업과 동아리에서 실험 설계·협업·발표로 연결합니다.
중학교 강화학습 교안 보기 ↗정책 검증과 실물 적용
엔스크린 코스웨어의 강화학습 환경에서 정책을 학습·평가하고, 호환되는 교구에서 제한된 동작부터 검증합니다. 학습 기록과 실물 결과를 비교해 개선안을 제안합니다.
고등학교 Sim-to-Real 교안 보기 ↗코딩 연계 과정
블록코딩으로 센서·조건·반복의 원리를 익히고, 파이썬으로 실험 로그를 분석하거나 보상 함수를 작성합니다. 심화 과정에서는 정책의 입력·출력, 실행 프로그램과 안전 정지 조건까지 연결합니다.
직접 규칙을 작성하는 제어와 경험에서 정책을 학습하는 접근을 비교하고, 프로젝트 목적에 맞게 함께 사용합니다.
개념 참고: NVIDIA · Simulation to Reality. 특정 도구와의 제휴 또는 모든 교구에 대한 호환성을 의미하지 않습니다.