로봇의 ‘마취된 손’에 감각을 돌려준다면

보이는데, 느껴지지 않는 순간

장갑 너머로 작은 커넥터를 끼워 본 경험을 떠올려 보세요. 눈으로는 거의 맞아 보이는데 손끝에서는 걸린 방향과 밀착 상태가 다르게 느껴집니다. 감각이 무뎌지면 평소 당연했던 힘 조절에도 더 많은 확인이 필요합니다.

우리가 말하는 로봇의 “마취된 손”은 이 정보의 빈칸을 설명하는 비유입니다. 힘과 촉각을 직접 관측하지 못하는 로봇은 접촉 이후의 상황을 영상, 위치와 과거 경험으로 추론해야 합니다. 손의 감각을 잃은 사람과 로봇을 동일시하거나, 모든 로봇 AI가 접촉 작업에 실패한다는 뜻은 아닙니다.

비교의 기준도 지금으로 옮겨야 합니다

π0를 기준으로 한 2025년 논문의 실패율을 오늘의 범용 모델 성능으로 사용할 수는 없습니다. Physical Intelligence는 π0.6 계열의 경험 기반 학습에 이어, 2026년 4월 π0.7에서 다양한 데이터와 조건부 프롬프트를 결합한 일반화 결과를 발표했습니다. 시각적 하위 목표를 만드는 월드 모델도 활용합니다.

2026년 3월의 RLT 연구는 VLA의 표현과 작은 강화학습 정책을 연결해 정밀 조작 단계를 개선합니다. 이 진전은 접촉 문제를 해결하는 경로가 하나가 아님을 보여줍니다. 접촉 센서의 가치를 말하려면 같은 과제와 로봇, 학습·적응 예산에서 최신 기준선과 비교해야 합니다.

감각이 더해지면 질문이 달라집니다

접촉 신호는 “어디로 움직일까?”에 더해 “지금 무엇에 걸렸을까?”를 묻게 합니다. 하네스의 장력을 느끼면 당김을 줄이거나 받치는 손을 바꿀 수 있습니다. 표면 가공에서는 누르는 힘과 이송 속도를 함께 조절할 수 있습니다. 고착된 부품에서는 계속 미는 대신 풀고 다시 접근하는 전략을 배울 수 있습니다.

이것은 제품 성능을 미리 보장하는 목록이 아니라, 우리가 검증하려는 능력입니다. ContactBench에서 조건 변화와 실패를 정의하고, 센서를 더한 것이 성공률뿐 아니라 손상·복구·작업 시간에도 도움이 되는지 평가합니다.

촉각을 이미지 한 장으로만 다루지 않기

촉각 이미지를 비전 모델에 넣는 접근은 유용한 출발점입니다. 하지만 우리는 접촉의 방향, 크기, 변화율과 행동 사이의 관계를 더 직접적으로 표현하고 싶습니다. 힘이 갑자기 커졌을 때 숙련자는 무엇을 멈추고, 어느 방향으로 다시 움직이는가가 학습의 대상입니다.

VLA에 이런 접촉 표현을 결합하는 것과 함께, 접촉 이후의 상태와 행동 결과를 예측하는 월드 모델도 연구 방향으로 고려합니다. 물리 시뮬레이션의 힘 데이터와 실제 작업자의 접촉·대응 이력을 함께 다루는 것입니다. 모든 월드 모델이 시각만 쓰는 것은 아니며, 우리 역시 이 구성이 완성되었다고 주장하지 않습니다.

우리가 배우려는 것은 힘의 크기보다 힘을 쓰는 방법

강하게 잡는다고 잘 잡는 것은 아닙니다. 부품의 상태를 읽고 필요한 만큼만 힘을 가하며, 예상과 다를 때 행동을 고치는 능력이 중요합니다. 사람의 접촉지능을 기록하려는 이유가 여기에 있습니다. 로봇의 손에 감각을 더한다는 것은 센서의 수를 늘리는 일을 넘어, 그 감각으로 더 나은 결정을 내리게 하는 일입니다.

함께 살펴보기