로봇 팔을 만드는 이유: 변화에 적응하는 로봇을 향한 첫걸음

VoicePing의 목표는 유용한 일을 수행하고, 그 일이 달라져도 적응하는 지능형 로봇을 만드는 것입니다. 한 작업에서 얻은 지식이 다음 작업에 도움이 되어, 새로운 용도마다 필요한 데이터와 재학습, 엔지니어링 작업을 줄일 수 있어야 합니다. 이를 위해 SO-101 로봇 팔로 인식, 계획, 제어를 아우르는 연구를 시작했습니다.

2026년 9월 18일까지 확인한 결과에는 사람의 시범을 해석해 시뮬레이션에서 실행한 사례와, 별도로 두 번의 배치 동작을 연속 수행한 시뮬레이션이 있습니다. 실물 장비 시운전, 로봇 팔로의 성공적인 전이, 더 폭넓은 스킬 학습은 아직 검증되지 않았습니다.

로봇은 어떤 변화에 적응해야 할까?

작업대에서 부품을 트레이에 분류하는 보조 로봇을 생각해 봅시다. 트레이가 이동하면 좌표를 갱신해야 합니다. 익숙한 배치 작업을 다른 순서로 요청하면 기존 스킬을 재조합해야 합니다. 새로운 모양이나 재질의 물체가 등장하면 다른 파지 방식과 추가 경험이 필요할 수 있습니다. 핵심 과제는 어떤 변화가 생겼는지 파악하고, 여전히 유효한 부분을 재사용하는 것입니다.

Open X-Embodiment 는 여러 로봇 플랫폼에서 얻은 경험을 모으면 물체 조작 정책을 개선할 수 있음을 보여 줍니다. 이는 재사용을 연구하는 동기가 되지만, 우리 시스템의 개선 폭은 직접 측정해야 합니다. 실제 도입에서 중요한 질문은 변화가 생길 때마다 설정 작업과 새 데이터, 사람의 도움이 얼마나 필요한가입니다.

왜 SO-101부터 시작할까?

SO-101은 기계 설계가 공개 되어 있고 LeRobot이 지원 하므로, 물체 조작의 전체 과정을 연구하기에 접근성이 좋은 플랫폼입니다. 탁상에서 물체를 놓는 작업에도 물체 식별, 위치 파악, 접촉, 결과 확인이 필요합니다. 조건을 하나씩 바꾸면서 어디서 실패하는지 살펴볼 수 있습니다.

로봇 팔을 실제로 운용하면 모델 평가만으로는 놓치는 제약도 드러납니다. 카메라 위치, 기계적 동작 특성, 실험 기록의 품질 등이 여기에 해당합니다. 더 큰 플랫폼을 선택하기 전에 재사용 가능한 소프트웨어와 실무적인 판단 능력을 쌓을 수 있습니다. 향후 하드웨어는 용도에 필요한 작업 범위, 가반하중, 환경, 신뢰성 요건에 따라 선택해야 합니다.

주요 로보틱스 플랫폼에서 배우는 점

아래 사례는 상용 통합부터 연구와 공장 시험까지 로보틱스의 서로 다른 영역을 다룹니다. 1차 자료는 2026년 9월 24일에 확인했습니다. 시장 점유율이나 성능 순위를 매긴 비교는 아닙니다.

전체 시스템은 어떻게 연결될까?

시범이나 지시에서 목표를 얻습니다. 인식은 관련 물체의 위치를 찾고, 계획은 사용 가능한 스킬을 선택해 순서를 정하며, 제어는 움직임을 만들어 냅니다. 실행 중 새로 얻은 관측을 반영하고, 결과를 확인해 계속 진행할지, 다시 시도할지, 도움을 요청할지 결정합니다. 역할을 분리하면 각 구성 요소의 문제를 진단하고 개선할 수 있습니다.

현재 시스템은 짧은 사람 시범 영상을 지원 가능한 집기·놓기 목표로 해석하고, 프로그래밍된 기하학적 동작 스킬을 호출합니다. 이 영상으로 새로운 물체 조작 정책을 학습하는 것은 아닙니다. 이 기준 시스템을 바탕으로 학습된 인식, 정책, 작업 조합을 평가할 수 있습니다. 실시간 인식에 기반한 안정적인 실행은 아직 해결해야 할 과제입니다.

시뮬레이션과 하드웨어가 서로를 개선해야 한다

시뮬레이션에서는 실물 시험 전에 작업을 반복하고, 조건을 바꾸고, 방법을 비교할 수 있습니다. 하드웨어에서는 조명과 가림, 카메라 보정, 접촉 특성, 응답 지연처럼 시뮬레이터가 놓친 요소가 드러납니다. 이렇게 얻은 측정 결과를 시뮬레이터, 제어기 또는 학습 과정에 반영해야 합니다.

도메인 무작위화 는 관련 접근법 중 하나입니다. 시뮬레이션의 시각적 조건을 다양하게 바꾸면 특정 시각 환경에 대한 의존도를 줄일 수 있습니다. 원 연구는 물체 위치 추정의 전이를 입증했지만, 임의의 로봇 동작이 자동으로 전이된다는 사실까지 입증한 것은 아닙니다. 우리 시스템을 평가하려면 보정을 마친 실물 장비로 시험하고, 예상한 동작과 관측한 동작을 비교해야 합니다.

진전을 어떻게 측정할까?

작업의 성공 여부와 로봇이 성공했다고 판단했는지는 별도로 측정합니다. 우리 시뮬레이션에서는 물체가 올바른 위치에 도달해도 시각적 확인에 실패할 수 있습니다. 독립적인 물리 상태 검사로 이러한 검증 오류를 파지나 배치 실패와 구분할 수 있습니다. 제어기에는 평가기가 사용하는 정답 상태 정보가 전달되지 않습니다.

계획 중인 비교에서는 작업군과 평가용으로 따로 둔 배치를 고정하고, 인식·계획·동작 스킬 중 한 요소만 바꾸며, 프로그래밍된 기준 시스템을 비교 대상으로 유지합니다. 측정 항목은 다음과 같습니다.

• 전체 작업 성공 여부: 앞서 배치한 물체도 올바른 위치를 유지하는지 포함합니다.
• 재시도와 사람의 지원: 시스템이 자체적으로 해결하지 못한 실패도 포함합니다.
• 적응에 드는 노력: 각 변형에 필요한 추가 시범과 튜닝을 측정합니다.

개선의 효과와 비용, 실패 조건을 확인할 수 있어야 그 개선이 실제로 유용한지 판단할 수 있습니다.

다음 단계

다음 목표는 범위를 제한한 작업을 실물 로봇 팔로 수행하고 측정한 뒤, 조건을 바꾸어 시험하는 것입니다. 그 결과를 바탕으로 더 넓은 작업군과 향후 로봇에 적용할 스킬, 인터페이스, 평가 방법을 선택할 계획입니다.

VoicePing에서 이 작은 연구 플랫폼은 더 큰 목표를 뒷받침합니다. 로봇의 지능을 믿고 맡길 수 있는 작업으로 구현하는 역량을 쌓는 것입니다. 이러한 질문에 관심이 있다면 VoicePing의 채용 정보 와 연구 글 을 살펴보세요.