로봇 데모를 믿기 전에 봐야 할 손, 센서, 제어의 난제

로봇이 없던 시절을 나중에 신기하게 볼 수도 있겠지만, 지금은 장보기와 요리, 설거지를 사람이 직접 하거나 다른 사람에게 맡기는 게 현실임.

아마존 배송을 시키면 이미 물류 과정에는 로봇이 들어갔을 가능성이 큼. 로봇은 널리 쓰이지만 소비자에게는 룸바 정도만 눈에 띄는 편임.

로보틱스 하는 사람인데, 글에는 컴플라이언스와 감지하기 어려운 동역학에 대한 온라인 적응도 빠져 있음. 촉각 센서는 손가락 하나에 수천 달러이고 실제 MTBF가 몇 시간인 경우도 있어서, 단가보다 내구성이 더 큰 문제임.

물리 세계는 불완전한 센서로 간접 관측해야 하는 사실상 무한한 전역 상태임. 불완전한 모터와 매니퓰레이터로 거기에 작용해야 함.

고자유도 일반화가 특히 어려움. 자율주행차는 페달, 브레이크, 조향처럼 제어 입력이 제한적이지만 휴머노이드는 행동 공간이 훨씬 큼. LLM은 계획과 인간 인터페이스에는 도움 되겠지만, 하위 제어는 고전 제어, 신경망, 실시간 최적화를 섞어야 한다고 봄.

로봇 학습은 데이터가 걸림돌임. LLM은 인터넷 전체라는 학습 자료가 있었지만 로봇에는 그런 코퍼스가 없고, 실시간 학습은 AI 업계가 대체로 피하는 주제 같음.

보행은 시뮬레이션의 강화학습으로도 상당히 다뤄짐. 그래도 PD 계층은 남아 있고 RL 정책이 그 계층의 목표값을 내는 구조임.

자유도가 하나 늘 때마다 복잡도가 지수적으로 늘어난다고 보진 않음. 충분한 양의 올바른 훈련 데이터가 있으면 LLM이 여러 자유도의 출력을 동시에 낼 수 있다고 봄.

진척도를 보려면 아마존이 자동 피킹을 대량 배치하는지 보면 됨. 아마존은 거의 10년간 시도했고 자체 피킹 로봇도 있지만, 아직 대량 배치하지 않았고 손도 휴머노이드형이 아니라 두 면 그리퍼임.

중국의 알리바바 같은 곳이 자동 피킹을 성공적으로 대규모 운영하면 더 큰 지표가 될 것 같음. Allegro Hand 같은 손이 대량 생산돼 산업 현장에 쓰이면 마지막 1미터 자동화도 덜 까다로워질 수 있음.

실용 로봇 자체는 이미 가정용 로봇청소기와 산업용 로봇팔로 존재함. 어려운 건 자가 완결형 휴머노이드 형태의 출력과 구동기 제약이고, 가사 로봇이 나와도 사람형보다는 바퀴와 그리퍼 팔을 단 기계에 가까울 듯함.