체화 로봇 기업 자변이 오늘 쌍둥이 구조의 3지 9자유도 정교 조작 핸드 TwinDEX를 출시했다.
공식 설명에 따르면 이 정교 조작 핸드는 하나는 착용형으로 데이터 수집에 사용하고, 다른 하나는 로봇에 장착해 실제 로봇 배치에 사용한다. 이를 통해 순수 비본체 데이터와 실제 로봇 원격 조작 데이터 없이 구동되는 정교 조작을 처음으로 구현했다.
평가 결과 TwinDEX의 비본체 데이터 수집 효율은 실제 로봇 원격 조작의 5.3배에 달했다. 모델 학습에서는 비본체 데이터가 실제 로봇 원격 조작 데이터를 거의 100% 완전히 대체할 수 있었다.
자변은 이것이 체화 지능 업계의 ‘데이터 피라미드’에 대한 인식을 새롭게 바꿨다고 설명했다. 과거에는 실제 로봇 원격 조작 데이터가 풍부한 물리적 상호작용 정보를 포함하기 때문에 가장 가치가 높지만 대규모화하기 가장 어려운 데이터로 여겨졌다. TwinDEX는 수집 단말과 실행 단말의 일관성을 유지하고, 완전한 데이터 처리 파이프라인 및 모델 학습 프로세스를 결합해 비본체 데이터도 실제 로봇 데이터에 필적하는 학습 효과를 내도록 했다. 이는 정교 조작 학습이 더 이상 고비용의 실제 로봇 데이터에 전적으로 좌우되지 않으며, 비본체 데이터를 대규모로 수집해 로봇 능력을 향상할 새로운 실행 경로가 마련됐다는 의미다.
공식 소개는 다음과 같다.
역설계로 정교 조작의 난제 해결, 3지로도 복잡한 조작 수행
정교 조작을 진정한 규모로 확장하려면 손의 정교한 설계뿐 아니라 비본체 데이터로 모델을 효율적으로 학습하고 데이터를 대규모로 수집할 수 있어야 한다. TwinDEX는 이 세 가지 목표를 중심으로 정교성, 일관성, 확장성 측면에서 설계됐다.
정교성 측면에서 TwinDEX는 3지 9자유도 구조를 채택했으며, 이 가운데 7개는 능동 자유도다. 이를 통해 정교성, 신뢰성, 비용 사이의 균형을 맞췄다. 다양한 기본 조작을 포괄하는 테스트를 바탕으로 자변은 엄지, 검지, 중지의 협응만으로도 일상생활의 대부분의 조작을 수행할 수 있으며, 이것이 정교 조작의 ‘최소 실행 가능 해법’이라고 판단했다. 충분히 우수한 기반 모델과 결합하면 다양한 복잡한 조작도 수행할 수 있다.
일관성은 비본체 데이터를 로봇 정책 학습에 직접 사용할 수 있게 하는 핵심 요소다. 서로 다른 본체에서 데이터를 수집하면 수집 단말과 실행 단말 사이에 운동학적 차이와 정밀도 손실이 발생하는 경우가 많아 데이터를 직접 이전하기 어렵고, 실제 로봇 데이터를 사용해 정렬하거나 미세 조정해야 한다. TwinDEX는 ‘순수 비본체 데이터 학습’을 목표로 최종 애플리케이션 성능을 기준점으로 삼아, 역설계 방식으로 수집 단말이 달성해야 할 일관성 지표를 정했다.
구체적으로 운동학에서는 자유도, 관절축, 링크 비율을 일치시켰다. 접촉 역학에서는 접촉 재료, 형상, 표면 특성을 일치시키고 이에 맞는 촉각 센서를 구성했다. 시각적으로는 외관을 일치시켰으며, 관절, 손목 위치, 흔들림, 드리프트 등 핵심 정밀도 지표도 최적화했다. 이를 바탕으로 자변은 모델과 학습 전략을 목적에 맞게 설계해 정책이 허용 가능한 오차를 더 잘 수용하도록 했고, 수집 단말과 배치 단말 사이의 잔여 차이가 작업 성능에 미치는 영향을 줄였다.
확장성 측면에서 TwinDEX는 착용형 3지 외골격을 수집 단말로 사용해 데이터 수집을 로봇 본체와 고정된 환경에서 해방했다. “작업자 한 명, 책상 한 개, 외골격 한 세트면 완전한 데이터 수집 단위가 된다.” 외골격은 직관적인 힘 피드백을 제공해 작업자가 자연스럽고 정밀한 접촉 조작을 수행하도록 돕는다. 모듈형 수집 방식은 장비와 작업자를 추가해 병렬 확장할 수 있어 데이터 규모가 로봇 수량과 고정 시설에 제한되지 않는다.
데이터 수집 효율 5.3배 향상, 비본체 데이터로 실제 로봇 대체
과거에는 비본체 데이터가 실제 물리 정보의 부족을 보완하기 위해 대개 실제 로봇 데이터와 함께 사용됐다. 이제 업계는 비본체 데이터를 정책 학습과 로봇 실행에 직접 사용하는 방안을 모색하기 시작했다. TwinDEX는 비본체 데이터의 수집 효율과 활용 효율을 동시에 높였다.
데이터 수집 측면에서 실제 로봇 원격 조작은 로봇 수량, 장소, 장비 사용 시간의 제약을 받아 데이터 규모를 빠르게 확대하기 어렵다. 반면 TwinDEX는 착용형 수집 장비와 작업자를 추가해 데이터를 병렬로 수집할 수 있다. 관련 작업에서 TwinDEX의 시간당 데이터 수집 효율은 실제 로봇 원격 조작의 5.3배에 달했다.
데이터 활용 측면에서 자변은 다중 작업 벤치마크를 통해 두 종류의 데이터로 학습한 정책 성능이 모두 데이터 양의 증가에 따라 같은 속도로 향상된 뒤 최종적으로 수렴한다는 사실을 발견했다. 이는 학습 효과 측면에서 비본체 데이터가 실제 로봇 원격 조작 데이터를 거의 100% 대체할 수 있음을 의미한다. 다시 말해 실제 로봇 원격 조작 데이터는 더 이상 정교 조작 학습에 필수 조건이 아니며, 더 쉽게 수집할 수 있는 비본체 데이터로도 이에 상응하는 학습 효과를 낼 수 있다. 이는 정교 조작 데이터의 대규모화를 위한 새로운 경로를 제시한다.
정교 조작의 ‘불가능한 삼각형’을 깨고, 지능의 발현을 손에 닿게 하다
정교 조작의 데이터 문제에는 오랫동안 ‘불가능한 삼각형’이 존재했다. 데이터 품질, 정교성, 확장성을 동시에 확보하기 어려웠다. 고정밀 원격 조작 데이터는 품질과 정교성이 뛰어나지만 수집 비용이 높다. 저비용 수집은 규모화하기 쉽지만 데이터 품질을 함께 확보하기 어려운 경우가 많다. 정교성이 높은 5지 시스템은 조작 성능의 상한이 더 높지만 하드웨어 비용도 그만큼 증가해 대규모 수집이 어렵다.
TwinDEX는 전 세계적으로 처음으로 이 세 요소를 결합했다. 수집 단말과 실행 단말의 운동학, 접촉 역학, 시각적 외관을 높은 수준으로 일치시켜 데이터 품질을 보장하면서 정교 조작을 구현했고, 데이터 수집 효율을 실제 로봇 원격 조작의 5배 이상으로 높였다.
이는 비본체 데이터가 이제 실제 로봇 데이터를 대체해 난도가 높은 정교 조작 학습에 사용될 수 있음을 의미한다. 다음 단계로 자변은 데이터 규모를 더욱 확대해 단일 책상에서 개방 환경으로, 고정된 장면에서 롱테일 분포로 나아가 로봇 모델 학습에 더욱 풍부하고 다양한 데이터 원천을 제공할 예정이다. TwinDEX의 착용형·비본체·분산형 수집 구조는 다음 대규모화 단계를 위한 기반 시설이다.
자변은 비본체 데이터를 더 낮은 비용으로 지속적으로 대규모 생산하고 이를 로봇의 조작 능력으로 끊임없이 전환할 수 있다면, 정교 조작 데이터 규모가 임계점을 넘어 더 높은 수준의 지능이 발현되는 일이 진정으로 손에 닿을 듯 가까워질 것이라고 믿는다.