우리가 로봇 개를 만드는 이유: 변화에 적응하는 로봇을 향해

VoicePing의 장기적인 목표는 유용한 작업을 이해하고, 물리적 세계에서 행동하며, 상황이 바뀌면 그에 맞게 적응하는 로봇을 만드는 것입니다. 새로운 방이나 경로, 작은 변화가 생길 때마다 별도의 학습이 필요하다면 도입 규모를 늘리기 어렵습니다.

로봇 개 프로젝트는 기구 설계, 센싱, 학습 기반 제어가 이 목표에 어떻게 기여하는지, 실제 시험에서는 어디에서 한계가 드러나는지 살펴보기 위한 실험 기반입니다.

유용한 로봇은 상황 변화에 대응해야 한다

실내 점검 작업을 생각해 보겠습니다. 설비가 있는 곳으로 이동해 상태를 관측하고, 주의가 필요한 사항을 보고하는 작업입니다.

카트가 길을 막고 있다면 새로운 경로가 필요합니다. 점검 대상이 바뀌었다면 더 많은 판단이 필요합니다. 지시를 올바른 물체와 연결하고 무엇을 관측할지 결정해야 합니다. 목적지에 도착하는 것은 작업의 일부일 뿐입니다.

작업을 성공적으로 마치려면 필요한 관측 결과를 얻고, 사람의 도움이 필요한 때를 알아차려야 합니다.

로봇 개가 연구에 적합한 이유

사족보행 플랫폼에서는 균형, 계속 달라지는 지면 접촉, 이동하는 센서를 하나의 실험에서 다룰 수 있습니다. 구동기의 응답이나 몸체 움직임 추정에 작은 오차만 있어도 모든 걸음에 영향을 줄 수 있습니다.

기구와 제어에 직접 접근할 수 있으면 이러한 오차를 설계 선택과 연결해 분석하고 시뮬레이터를 개선할 수 있습니다. 어떤 물리량을 측정해야 학습한 동작이 실물로 더 안정적으로 전이되는지 알아보고자 합니다.

고객의 실제 용도에 투입할 로봇은 작업에 맞는 몸체를 갖춰야 합니다. 이 플랫폼에서는 그 선택에 필요한 방법을 연구합니다.

상용 로봇 개: Spot, ANYmal, Unitree

상용 사족보행 로봇을 살펴보면 실제 도입에서 중요한 네 가지 측면이 드러납니다.

제조사 이미지와 설명은 2026년 9월 24일에 확인했습니다. 제품 구성은 모델별로 다를 수 있으며, 연구 관점의 시사점은 저희의 분석입니다.

상용 플랫폼은 이동과 점검에 유용한 기반을 제공합니다. 저희가 자체 플랫폼을 만드는 이유는 실험에 필요한 접근성을 확보하기 위해서입니다. 기구를 바꾸고, 그 응답을 측정하고, 대응하는 시뮬레이션 모델을 함께 수정할 수 있기 때문입니다.

시스템의 구성 요소는 어떻게 연결되는가

구상 중인 구성에서는 추론과 내비게이션을 맡는 PC를 로봇 내부의 제어 시스템과 연결합니다. LiDAR, 몸체 움직임 센싱, 관절 피드백은 계획한 동작을 로봇이 실제로 마주하는 상황과 연결합니다.

통합 과정에서 풀어야 할 주요 질문은 각 모듈에 어떤 상태 정보가 필요한지, 지연이 행동에 어떤 영향을 미치는지, 불확실한 관측 결과에 따라 계획을 어떻게 바꿔야 하는지입니다.

보행은 재사용 가능한 능력이 되어야 한다

“다음 확인 지점으로 이동해”와 “가까이 와”는 같은 이동 능력을 활용할 수 있어야 합니다. 이동 방향, 몸을 지지하는 상태, 바닥 조건이 달라져도 이 능력은 안정적으로 유지되어야 합니다.

실제 움직임이 명령과 다를 때, 보행 정책은 몸체와 관절의 피드백을 바탕으로 매 동작을 조정해야 합니다.

접촉 상태의 변화, 부정확한 상태 추정, 구동기 지연은 이 능력이 견뎌야 할 조건입니다.

내비게이션은 이동을 목적과 연결한다

LiDAR 기반 지도 작성과 자기 위치 추정은 카트를 우회하는 경로를 찾는 데 도움이 될 수 있습니다. 보행 능력은 그 이동을 실행합니다. 이 연결을 살펴볼 때 참고하는 사례 중 하나가 Orion의 내비게이션 아키텍처 입니다.

“저 압력계를 확인해”라는 지시를 이해하려면 또 다른 능력이 필요합니다. 해당 물체를 식별하고 작업에 필요한 관측 내용을 결정해야 합니다. 카메라와 영상·언어를 해석하는 모델은 앞으로 이런 시스템을 구성할 후보입니다. 대상이나 경로가 불분명할 때는 로봇이 그 불확실성을 인식하고 도움을 요청해야 합니다.

시뮬레이션으로 다양한 조건에서 학습한다

시뮬레이션에서는 실제 시험을 반복하기 전에 다양한 지면과 외란 조건에서 움직임을 학습하고 시험할 수 있습니다. 강화학습은 요청한 방향으로 이동하면서 안정성을 유지하는 행동에 보상을 줄 수 있습니다.

NVIDIA의 Spot 보행 학습 사례 는 시뮬레이션의 동역학 조건을 다양하게 바꿔 학습하고, 그 결과로 얻은 정책을 실제 하드웨어에서 실행하는 과정을 보여 줍니다.

시뮬레이션에서 실물로의 전이는 모델의 오차에 영향을 받습니다. 시뮬레이션 속 발의 마찰력이 지나치게 높거나 구동기의 반응이 너무 빠를 수 있습니다. 실제 시험은 이러한 차이를 드러내고 다음 모델 수정에 필요한 측정값을 제공합니다.

적응할 때는 이미 배운 능력을 재사용해야 한다

적응의 첫 단계는 무엇이 달라졌는지 파악하는 것입니다. 경로가 바뀌었는지, 대상이 바뀌었는지, 물리적 능력에 요구되는 조건이 달라졌는지 구분해야 합니다.

대상만 바뀌었다면 같은 동작 순서를 유지할 수 있습니다. 다른 순서가 필요한 작업이라면 기존 기술을 다시 조합해야 합니다. 낯선 조건에서는 평가가 필요하지만, 그 자체로 재학습이 필요하다는 결론을 내릴 수는 없습니다.

Open X-Embodiment 와 Physical Intelligence의 π0.5 등의 연구는 더 폭넓은 경험에서 학습하고 새로운 환경으로 일반화하는 방법을 다룹니다. 이러한 연구는 저희의 방향에 참고가 되지만, 어떤 로봇이든 임의의 새로운 작업을 수행할 수 있다는 근거는 아닙니다.

앞으로 검증하고 싶은 연구 질문

첫 번째 구체적인 질문은 다음과 같습니다. 어떤 물리량을 측정해야 시뮬레이션에서 학습한 움직임이 실제 하드웨어에서 더 안정적으로 작동할까요?

보행 플랫폼이 준비되면, 초기 시뮬레이터와 관절 응답·지면 접촉 측정값으로 보정한 시뮬레이터에서 각각 보행 정책을 학습시키는 비교 실험을 제안하고 있습니다. 이동 과제, 정책 설계, 학습에 투입하는 자원의 양을 비슷하게 맞추면 보정의 효과를 분리해 살펴볼 수 있습니다.

이후 두 정책을 학습에 사용하지 않은 동일한 실제 조건에서 시험할 계획입니다. 안정적인 작업 완료, 동작 추종 오차, 사람의 개입을 비교합니다. 이를 통해 더 나은 모델이 보정에 사용한 조건을 넘어 실제 환경으로의 전이를 개선하는지 검증할 수 있습니다.

더 넓게는 불확실한 관측에 따라 계획을 어떻게 바꿔야 하는지, 기존 기술을 언제 새로운 작업에 활용할 수 있는지, 로봇이 언제 도움을 요청해야 하는지가 남아 있습니다. 이 질문들은 통제된 실험과, 결국 전체 작업을 안정적으로 완수하려는 목표를 연결합니다.

프로젝트는 아직 초기 프로토타입 단계입니다. 디지털 다리 설계와 전자 부품 선정은 준비되었지만, 실제 보행, 통합된 내비게이션, 이 로봇을 위해 학습한 정책은 아직 입증해야 합니다.

프로젝트 참고 자료: TNY-360 과 Orion 은 연구 방향에 참고가 되었습니다. 다리 설계는 TheRobotStudio의 SO101 형상 을 Apache 2.0 라이선스 에 따라 활용하고, 베이스와 다리 하부를 수정한 것입니다.