로봇을 시뮬레이션(Simulating)하려면 과거에는 박사 학위와 수억 원대의 실험실 예산이 필요했습니다. 하지만 상황이 빠르게 변하고 있으며, 그 영향은 연구 기관을 훨씬 넘어 확장되고 있습니다.

로보틱스의 접근을 막았던 장벽

로보틱스의 역사 대부분 동안, 로봇을 구축하고 테스트한다는 것은 로봇을 직접 소유한다는 것을 의미했습니다. 물리적인 하드웨어(Hardware), 통제된 환경, 그리고 모든 것이 무너지지 않도록(때로는 말 그대로 물리적으로) 유지할 수 있는 엔지니어링 전문 지식이 필요했습니다. 기계를 보유한 팀들에게조차 테스트는 느리고 비용이 많이 드는 작업이었습니다. 실패한 실험 하나하나가 시간과 부품, 때로는 로봇 자체의 손실로 이어졌습니다.

이는 로보틱스 분야에서 혁신을 일으킬 수 있는 사람들과 그 외의 사람들 사이에 거대한 격차를 만들었습니다. 자금이 풍부한 대학과 대형 기술 기업의 연구원들이 분야를 발전시키는 동안, 소규모 팀, 독립 개발자, 그리고 기업가들은 주변부에서 지켜볼 수밖에 없었습니다.

소프트웨어 세계는 수십 년 전 가상 머신(Virtual machines), 클라우드 컴퓨팅(Cloud computing), 그리고 샌드박스 환경(Sandboxed environments)을 통해 이 문제의 한 버전을 해결했습니다. 코드는 물리적인 인프라를 전혀 건드리지 않고도 작성, 테스트 및 반복(Iteration)될 수 있었습니다. 로보틱스는 대부분의 경우 이러한 사치를 누리지 못했습니다 - 최근까지는 말이죠.

시뮬레이션 우선 개발(Simulation-First Development)의 대중화

최신 오픈 소스(Open-source) 로보틱스 도구들의 핵심 아이디어는 간단합니다. 로봇이 실제 세상에서 무언가를 하기 전에, 가상 세상에서 먼저 연습할 수 있어야 한다는 것입니다. 이를 때때로 심투리얼(Sim-to-real) 개발이라고 부르며, 수년 동안 하이엔드 연구에서 사용되어 왔습니다. 새로운 점은 이를 수행하기 위한 툴링(Tooling)이 점점 더 개방적이고, 문서화되어 있으며, 로보틱스 박사 학위가 없는 사람들을 위해 설계되고 있다는 것입니다.

Hugging Face의 LeRobot 프로젝트는 이러한 변화를 보여주는 가장 명확한 사례 중 하나입니다. 이 툴킷(Toolkit)을 통해 개발자는 하드웨어를 루프에 포함(Hardware in the loop)하지 않고도 작업을 정의하고, 해당 시나리오에서 로봇의 동작을 시뮬레이션하며, 로봇이 얼마나 잘 수행하는지 평가한 다음, 그 피드백을 사용하여 기반 모델을 개선할 수 있습니다. 상상하고, 평가하고, 개선하는 이 루프는 본질적으로 로봇 지능을 위한 테스트 프레임워크(Testing framework)입니다.

이것이 로보틱스라는 틈새 분야를 넘어 관련성을 갖는 이유는 그 근저에 깔린 개념 때문입니다. 이제 로봇의 동작을 소프트웨어처럼 다룰 수 있습니다. 버전 관리를 하고, 벤치마크(Benchmark)를 수행하며, 반복적으로 개선할 수 있습니다. 이는 현대 소프트웨어 개발을 매우 생산적으로 만든 것과 동일한 사고방식이며, 마침내 물리적 AI(Physical AI) 시스템에도 도입되고 있습니다.

실제 사례 - 단계별 과정

당신이 작은 물류 회사의 제품 관리자(Product manager)라고 가정해 봅시다. 당신은 로봇 팔이 창고 피킹(Picking) 프로세스의 일부를 자동화할 수 있을지 탐색하고 있습니다. 6개월 전만 해도 당신의 선택지는 상당한 비용을 들여 시스템 통합업체(Systems integrator)를 고용하거나, 하드웨어에 투자하기 전 매우 명확한 비즈니스 케이스가 확보될 때까지 기다리는 것뿐이었습니다.

시뮬레이션 우선(Simulation-first) 워크플로가 오늘날 어떻게 그 상황을 바꾸는지 살펴보겠습니다.

1단계: 작업 정의. 로봇이 수행하기를 원하는 작업을 설명합니다. 이 경우에는 빈(Bin)에서 물건을 집어 특정 위치에 놓는 작업입니다. 이는 시뮬레이션이 이해할 수 있는 작업으로 인코딩(Encoded)됩니다.

2단계: 시뮬레이션 실행. 로봇 모델이 가상 환경에서 작업을 시도합니다. 로봇이 정확하게 도달하는지, 물건을 떨어뜨리는지, 물체의 배치 변화를 처리할 수 있는지 등 발생하는 현상을 관찰할 수 있습니다.

3단계: 출력 평가. 시스템은 수많은 시도에 걸쳐 성능을 측정합니다. 이를 통해 성공률, 실패 모드(Failure modes), 예외 상황(Edge cases)에 대한 더 명확한 그림을 얻을 수 있습니다. 하드웨어가 필요 없으며, 수백 번의 사이클을 수동으로 관찰할 필요도 없습니다.

4단계: 모델 개선. 학습한 내용을 바탕으로 작업 정의, 학습 데이터 또는 모델 자체에 조정을 가합니다. 그런 다음 시뮬레이션을 다시 실행합니다.

5단계: 확정하기 전에 검증하기. 시뮬레이션 성능이 합리적인 임계값(threshold)을 충족할 때만 실제 물리적 테스트로의 전환을 고려합니다. 이를 통해 값비싼 현실 세계에서의 실패 위험을 극적으로 줄일 수 있습니다.

이 사이클은 몇 달이 아닌 며칠 만에 일어날 수 있습니다. 제품 관리자(Product Manager)나 소규모 사업체 소유주에게 이는 탐색의 경제성을 완전히 변화시킵니다.

오늘 바로 적용하는 방법

이 분야에 의미 있게 참여하기 위해 반드시 로보틱스 엔지니어일 필요는 없습니다. 지금 바로 할 수 있는 일들은 다음과 같습니다.

용어에 익숙해지기. 시뮬레이션 투 리얼 (Simulation-to-real), 정책 학습 (Policy learning), 행동 복제 (Behavior cloning), 모델 평가 (Model evaluation)는 지속적으로 접하게 될 용어들입니다. 수학적 원리가 아닌 개념을 이해하는 데 몇 시간을 투자하는 것만으로도, 로보틱스 공급업체나 제안서를 평가할 때 더 나은 의사결정자가 될 수 있습니다.

오픈 소스 프로젝트를 직접 탐색하기. GitHub의 LeRobot은 개발자를 대상으로 한 문서를 제공하지만, README와 프로젝트 목표를 읽어보는 것만으로도 이 분야가 어디로 향하고 있는지에 대한 견고한 멘탈 모델 (Mental model)을 얻을 수 있습니다. Hugging Face 또한 어떤 종류의 작업들이 연구되고 있는지 보여주는 모델 카드 (Model cards)와 데이터셋을 호스팅하고 있습니다.

업무 중 반복적인 물리적 작업 하나를 식별하기. 분류, 조립, 검사, 또는 포장이든 상관없습니다. 로봇이 그 작업을 잘 수행하기 위해 무엇을 해야 할지 생각하기 시작하십시오. 어떤 변수들이 존재합니까? 실패는 어떤 모습일까요? 이러한 사고 연습은 만약 당신이 자동화를 진지하게 추구하게 될 경우, 의미 있는 평가를 향한 첫 번째 단계가 됩니다.

오픈 소스 커뮤니티 팔로우하기. 이러한 도구들을 만드는 사람들은 GitHub, Discord 서버, 그리고 소셜 플랫폼에서 활발하게 활동하고 있습니다. 대화에 참여하는 것만으로도 코드를 기여하지 않고도 충분히 이득을 얻을 수 있습니다.

핵심 요약

• 시뮬레이션 우선 (Simulation-first) 로보틱스 개발은 초기 테스트와 반복 (iteration) 과정에서 하드웨어가 병목 현상이 되는 문제를 제거합니다.
• LeRobot과 같은 오픈 소스 (Open-source) 프로젝트는 이전에는 연구실에 국한되었던 도구들을 훨씬 더 넓은 사용자층이 사용할 수 있도록 만들고 있습니다.
• 상상-평가-개선 (imagine-evaluate-improve) 루프는 로봇의 동작을 소프트웨어처럼 취급합니다. 즉, 테스트 가능하고, 측정 가능하며, 개선 가능합니다.
• 제품 관리자 (Product managers)와 비즈니스 소유자들은 깊은 기술적 전문 지식 없이도 이 분야에 의미 있게 참여할 수 있습니다.
• 로보틱스 탐색의 경제학이 변화하고 있습니다. 이제 하드웨어 투자 이전에 더 빠르고 저렴한 반복 (iteration)이 가능해졌습니다.

이에 대한 여러분의 경험은 어떠신가요? 아래에 댓글을 남겨주세요. 모든 댓글을 읽고 있습니다.

참조된 출처: Hugging Face Blog - LeRobot v0.6.0: Imagine, Evaluate, Improve; Hugging Face LeRobot GitHub repository