몇 달마다 한 번씩, 얼마나 인간과 닮았는지에 따라 새로운 로봇 손이 화제가 되곤 합니다. 데모 영상 너머를 들여다보면 사실은 똑같습니다. 아직 아무도 로봇 손 문제를 진정으로 해결하지 못했다는 점입니다.

하드웨어는 인상적이지만, 로봇 손이 왜 어려운지 이해하려면 데모가 끝난 뒤에 어떤 일이 벌어지는지를 살펴봐야 합니다. 수십 년간의 노력에도 불구하고, 정교한 조작 (dexterous manipulation)은 여전히 미해결 상태로 남아 있으며, 오늘날 작동하는 대부분의 로봇은 손조차 가지고 있지 않습니다.

대부분의 로봇이 손 대신 그리퍼 (gripper)를 사용하는 이유

거의 모든 공장 바닥에 들어가 봐도 손은 보이지 않을 것입니다. 대신 그리퍼 (gripper)를 보게 될 것입니다. 두 손가락 집게, 세 손가락 갈퀴, 그리고 종종 단순한 흡착컵 (suction cup) 같은 것들 말이죠.

여기에는 타당한 이유가 있습니다. 평행 조 (parallel-jaw) 그리퍼는 자동화 역사상 가장 성공적인 하드웨어 중 하나입니다. 하나의 액추에이터 (actuator), 하나의 자유도 (degree of freedom), 그리고 소프트웨어에서 고장 나거나, 교정 (calibrate)하거나, 잘못될 요소가 거의 없습니다. 인간의 손은 대략 27개의 자유도를 가집니다. 그 격차가 바로 공학적 문제 전체를 축소해 놓은 모습입니다.

추가되는 모든 구동 자유도 (actuated degree of freedom)는 일종의 세금과 같습니다. 또 다른 모터, 또 다른 고장 모드 (failure mode), 그리고 데모 전에 교정 (calibration)에서 벗어나 버리는 또 다른 요소가 추가되는 것입니다. 그리고 실제 작업의 아주 큰 부분에서는 그리퍼 (gripper)만으로도 충분합니다. 물체가 항상 같은 위치에 도착한다면, 손가락이 필요한 것이 아니라 천만 번을 안정적으로 닫을 수 있는 클램프 (clamp)가 필요한 것입니다. 대부분의 로봇이 많은 손가락 없이도 잘 작동하는 이유는, 대부분의 로봇이 우리가 그들을 위해 만들어 놓은 세상에서 작동하기 때문입니다.

현실 세계에서 파지 (grasping)가 그토록 어려운 이유

공장 밖으로 나가면 그러한 구조는 사라집니다. 모든 물체는 각기 다른 모양, 무게, 질감을 가지고 있으며, 예상했던 곳에 나타나는 경우도 드뭅니다.

무언가를 집어 올리기 위해서 로봇은 물체를 인지하고, 어디를 잡을지 선택하며, 정확히 적절한 양의 힘을 가해야 합니다. 힘이 너무 적으면 미끄러지고, 너무 많으면 종이컵이나 달걀은 으깨져 버립니다. 사람은 의식적인 생각 없이도 현재의 로봇이 따라갈 수 없는 밀도 높은 촉각을 사용하여 지속적으로 조절합니다.

하드웨어 자체도 문제를 일으킵니다. 정교한 손(dexterous hand)은 로봇 공학에서 가장 까다로운 공간 활용 문제 중 하나입니다. 로봇 팔의 역학(dynamics)을 망가뜨리지 않을 만큼 가벼우면서도, 손 크기의 부피 안에 20개 이상의 자유도(degrees of freedom)를 집어넣어야 하기 때문입니다. 이로 인해 두 가지 고통스러운 선택지 중 하나를 택해야 합니다. 모터를 손 안에 직접 넣으면 무게가 무거워지는데, 팔 끝에 달린 질량은 그것을 지탱하는 모든 요소의 적입니다. 아니면 인간의 손처럼 전완(forearm)에서 힘줄(tendons)을 끌어오는 방식이 있는데, 이 경우 늘어나거나 마모되고 끊어지는 케이블 문제를 감수해야 합니다. 여기에 비용 문제까지 더해집니다. 연구용 손은 자동차 한 대 값에 달하기도 하며, 컨트롤러가 테이블에 부딪히는 단 한 번의 실수만으로도 값비싼 장비가 종이 누름돌(paperweight)로 변할 수 있습니다.

로봇 손의 촉각 감지 격차 (The tactile sensing gap in robot hands)

더 깊은 기술적 격차는 촉각에 있습니다. 현재 사용 가능한 정교한 손들은 여전히 인간의 손에 훨씬 미치지 못하며, 촉각 능력은 그 격차가 가장 큰 부분입니다. 로봇이 물체를 명확하게 보고 있더라도, 쥐고 있는 느낌이 어떤지, 물체가 미끄러지고 있는지, 혹은 움직임에 따라 접촉 상태가 어떻게 변하는지에 대해서는 거의 감각이 없을 수 있습니다.

데이터 문제도 존재합니다. 학습 기반(learning-based) 접근 방식은 방대한 양의 고품질 조작(manipulation) 데이터를 필요로 하는데, 인간의 손이 실제로 어떻게 움직이고 물체를 만지는지를 그 정도 규모로 포착하는 것 자체가 매우 어렵습니다. 이러한 연구의 상당 부분은 MuJoCo와 같은 시뮬레이터에서 이루어집니다. 이곳에서는 학습 기반 인핸드 조작(learning-based in-hand manipulation)에 관한 조사에서 다루듯, 손 안에서 큐브의 방향을 바꾸는 것과 같이 접촉이 빈번한 작업들을 대규모로 연습할 수 있습니다.

시뮬레이션 또한 그 나름의 문제를 안고 있습니다. 접촉 역학(contact dynamics), 마찰(friction), 변형(deformation), 그리고 손가락 끝이 미끄러지는 정확한 순간 등은 시뮬레이션과 현실이 가장 크게 어긋나는 지점입니다. 시뮬레이션에서 현실로의 간극(sim-to-real gap)은 로봇 공학 전반의 과제이지만, 손의 영역에서는 그 문제가 가장 심각합니다.

과소 구동 (Underactuation), 두 손가락과 다섯 손가락 사이의 중간 경로

이를 단순히 두 손가락이냐 다섯 손가락이냐의 문제로 프레임화하는 것은 잘못된 선택지이며, 가장 흥미로운 연구 중 일부는 그 중간 지점에 위치합니다.

핵심 아이디어는 과소구동 (Underactuation)입니다. 이는 모든 관절마다 모터를 배치하지 않고도 민첩한 (Dexterity-like) 동작을 만들어내는 기계적 설계입니다. 무엇인가를 만질 때 수동적으로 그 형태에 맞춰지는 적응형 그리퍼 (Adaptive gripper)를 사용하면, 아주 적은 수의 액추에이터 (Actuator)만으로도 인간의 파지 (Grasping) 동작 중 상당 부분을 구현할 수 있습니다. 지능을 모터가 아닌 메커니즘 (Mechanism)에 부여하는 것입니다. 진화 과정에서도 이와 유사한 일이 일어났습니다. 인간의 파지 동작 중 상당 부분은 독립적으로 제어되기보다는 기계적으로 결합 (Mechanically coupled)되어 있기 때문입니다. 모든 것을 수행하기 위해 모든 것을 구동할 필요는 없을지도 모릅니다.

세상을 재설계할 것인가, 아니면 세상에 맞는 로봇을 만들 것인가?

이는 손가락 개수보다 더 큰 질문을 던집니다. 앞으로 나아갈 길에는 두 가지 경로가 있으며, 업계는 두 가지 모두를 추구하고 있습니다.

하나는 로봇을 위해 세상을 재설계하는 것입니다. 구조화된 창고, 고정 장치 (Fixtures), 컨베이어, 그리고 단순한 그리퍼로도 충분하도록 표준화된 포장 방식 등이 이에 해당합니다. 이 접근 방식은 효과적이며, 오늘날 현장에 배치된 로보틱스가 성공을 거둔 이유이기도 합니다. 복잡성을 환경 (Environment) 쪽으로 옮겨 놓은 것입니다.

다른 하나는 우리가 이미 만들어 놓은 세상에 맞을 만큼 충분히 민첩한 로봇을 만드는 것입니다. 문손잡이, 드릴, 전등 스위치, 칼, 지퍼, 병뚜껑 같은 것들 말입니다. 이 중 그 어느 것도 집게 (Claw)를 위해 설계된 것이 없으며, 모두 암묵적으로 다섯 손가락과 엄지손가락을 중심으로 설계되었습니다. 인간의 공간에서 인간의 손은 범용 어댑터 (Universal adapter) 역할을 합니다. 여기에는 또 다른 조용한 논거가 있습니다. 인터넷에는 인간의 손이 무언가를 하는 영상이 가득하기 때문에, 로봇의 손이 인간의 손과 닮을수록 시연 데이터 (Demonstration data)의 전이가 더 잘 이루어지고 원격 조종 (Teleoperation)이 더 쉬워진다는 점입니다. 인간형 (Anthropomorphic) 폼 팩터 (Form factor)는 더 이상 허영심의 문제가 아니라 데이터 결정의 문제가 됩니다.

문제는 당신이 통제할 수 있는 장소만 재설계할 수 있다는 점입니다. 창고는 다시 지을 수 있습니다. 하지만 수십 년 동안 인간의 손을 중심으로 구축된 모든 가정, 병원, 그리고 무질서한 인간의 공간을 다시 지을 수는 없습니다. 이것이 바로 휴머노이드 로봇 (Humanoid robots)이 도박을 걸고 있는 지점이며, 이는 손 문제를 해결하느냐에 달려 있습니다.

왜 손이 물리적 AI (Physical AI)의 개척지인가

AI는 매일 더 똑똑해지고 있으며, 모델들은 지시사항을 이해하고 사물을 인식하는 능력이 훨씬 더 좋아지고 있습니다. 현재의 격차는 접촉 지점, 즉 로봇이 물리적으로 세상에 닿고 적절한 힘을 가해야 하는 순간에 존재합니다. 저희 창립자가 이 질문에 대한 더 긴 글에서 언급했듯이, 실행할 수단이 없는 지능은 그저 상자 안의 텍스트일 뿐입니다. 손은 물리적 AI (Physical AI)가 실제로 물리적인 것이 되는 지점입니다.

로봇이 손을 마스터하기 전까지, 체화된 AI (Embodied AI)는 여전히 가장 큰 과제 중 하나를 마주하고 있습니다. 또한 손 기술의 진보는 사람들이 상상하는 로봇의 역할 중 매우 큰 부분을 가능하게 하기 때문에, 현재 가장 흥미로운 연구 분야 중 하나이기도 합니다.

이에 대한 더 자세한 논거를 알고 싶다면, 로봇에게 실제로 몇 개의 손가락이 필요한지에 대한 저희 창립자의 전체 글을 읽어보세요. 직접 경험해보고 싶다면, 대부분의 이러한 연구는 시뮬레이션에서 시작됩니다. MuJoCo에서 pick-and-place 장면을 구축해 보며 물체를 잡는(grasping) 일이 얼마나 빨리 단순하지 않게 느껴지는지 확인해 보세요.

FAQ

왜 로봇 손을 만드는 것이 그렇게 어려운가요?
물체를 잡는(grasping) 과정에는 물체의 모양, 무게, 질감을 인지한 다음, 물체를 떨어뜨리거나 으깨지 않도록 정확히 적절한 힘을 가해야 하기 때문입니다. 또한 로봇 손은 인간의 손이 가진 밀도 높은 촉각이 부족하며, 정교한 조작 (dexterous manipulation)을 배우는 데 필요한 학습 데이터가 부족하고 수집하기 어렵습니다.

왜 대부분의 로봇은 손 대신 그리퍼 (gripper)를 사용하나요?
그리퍼는 더 저렴하고, 더 신뢰할 수 있으며, 제어하기가 더 쉽습니다. 동일한 물체가 동일한 방향으로 반복해서 들어오는 공장과 같은 구조화된 환경에서는, 다지형 손 (multi-fingered hand)의 비용과 복잡성 없이 단순한 그리퍼만으로도 작업을 완벽하게 수행할 수 있습니다.

정교한 조작 (Dexterous manipulation)이란 무엇인가요?
정교한 조작 (Dexterous manipulation)은 로봇이 일반적으로 다지형 손 (multi-fingered hand)을 사용하여 물체를 능숙하게 다루고 방향을 재설정하는 능력을 의미합니다. 이는 움켜쥔 상태 내에서 물체를 조정하거나, 도구를 사용하고, 생소한 형태의 물체를 다루는 등의 작업을 포함하며, 여전히 활발한 연구 분야로 남아 있습니다.

로봇 손에 촉각 센싱 (Tactile sensing)이 왜 중요한가요?
촉각은 물체가 미끄러지고 있는지, 로봇이 얼마만큼의 힘을 가하고 있는지, 그리고 움직임에 따라 접촉 상태가 어떻게 변하는지를 로봇에게 알려줍니다. 시각 (Vision)만으로는 이를 제공할 수 없으며, 이것이 촉각 센싱 (Tactile sensing)이 정교한 조작 (Dexterous manipulation)에서 결여된 핵심 요소 중 하나로 간주되는 이유입니다.

로봇 손에서 과소 구동 (Underactuation)이란 무엇인가요?
과소 구동 (Underactuation)은 손이 관절의 수보다 적은 액추에이터 (Actuator)를 가지고 있음을 의미하며, 기계적 설계를 통해 각 관절을 독립적으로 구동하는 대신 손가락이 물체의 형태에 수동적으로 순응하도록 만듭니다. 이는 훨씬 적은 수의 모터, 가벼운 무게, 그리고 적은 고장 지점(failure points)을 유지하면서도 정교한 손 (Dexterous hand)의 이점 대부분을 제공합니다.

로봇에게 실제로 몇 개의 손가락이 필요한가요?
그것은 로봇이 어디에서 작업하느냐에 따라 달라집니다. 창고와 같이 구조화된 환경 (Structured settings)에서는 1자유도 (One-degree-of-freedom) 그리퍼가 종종 정답이 됩니다. 가정, 병원 및 인간의 손을 중심으로 설계된 다른 공간에서는 더 높은 정교함 (Dexterity)이 필요해지며, 그렇기에 이 질문은 결국 세상을 로봇에 맞춰 재설계할 것인지, 아니면 세상에 맞게 로봇을 만들 것인지에 대한 문제입니다.

로봇 손은 어떻게 연구되고 테스트되나요?
많은 작업이 시뮬레이션 (Simulation)에서 이루어지는데, 이곳에서는 값비싼 하드웨어를 마모시키지 않고도 접촉이 빈번한 작업 (Contact-rich tasks)을 엄청난 규모로 반복할 수 있습니다. 이를 위해 MuJoCo와 같은 물리 엔진 (Physics engine)이 널리 사용되며, Drift와 같은 도구는 실험이 수행되는 시뮬레이션된 로봇과 환경을 생성하고, 그 위에서 조작 정책 (Manipulation policies) 자체를 학습시킵니다.