1.1 로봇 인공지능 발전 역사 (Robotics AI History)

1.    로봇 인공지능 발전 역사 (Robotics AI History)

과거 로봇 제어는 주로 규칙 기반 알고리즘과 물리 모델링에 의존했지만, 딥러닝의 발전으로 로봇 인공지능 분야도 큰 변혁을 맞이했습니다. 2010년대 중반 이후 컴퓨터 비전 분야에서 이미지넷을 통한 CNN 혁신이 일어나며 로봇이 카메라 영상에서 물체를 인식하고 주변 환경을 이해하는 능력이 비약적으로 향상되었습니다. 이는 로봇 팔의 객체 인식과 잡기(grasping) 등에 적용되어, 대규모 데이터를 활용한 학습으로 로봇이 새로운 물체도 스스로 잡을 수 있게 하는 등 성과를 보였습니다. 예를 들어, 구글 연구진은 6~14대의 로봇 팔을 2개월간 활용해 80만 회의 집기 시도를 수행하며 거대한 데이터를 모아 딥러닝으로 손-눈 협응 능력을 학습시킨 결과, 미지의 물체도 실시간으로 성공적으로 잡아내는 성과를 보였습니다​[research.google]. 이러한 대규모 데이터 중심 접근은 로봇에게 과거 수작업으로 코딩하기 어려웠던 복잡한 행동을 학습시켜 주는 가능성을 입증했습니다.

 

[강화학습(Reinforcement Learning)]의 도입도 로봇 AI 발전의 핵심 전환점이 되었습니다. 딥마인드의 딥큐네트워크(DQN) 성과 등으로 촉발된 딥러닝 기반 RL 기법들이 로봇 제어에 적용되면서, 로봇이 시행착오를 통해 직접 동작 정책을 학습하는 연구가 활발해졌습니다. 딥러닝 등장 이전에도 RL을 로봇에 적용한 선구적 예시들은 있었습니다. 예를 들어 2000년대 후반 4족 보행 로봇의 보행 학습이나 헬리콥터 곡예비행 제어 등에 RL이 적용되어 유의미한 하드웨어 실험 성공을 거둔 바 있습니다[​arxiv.org].

그러나 본격적으로 딥러닝이 접목된 **심층 강화학습(DRL)**이 등장한 이후에야 고차원 센서 입력을 다루면서 복잡한 로봇 행동을 학습시키는 것이 가능해졌고, 특히 최근 5년간 실세계에서 성과를 낸 연구들이 폭발적으로 늘어났습니다.

이 시기 모션 제어 분야에서도 딥러닝과 RL의 결합이 두드러졌습니다. 기존에는 제어 이론과 최적제어 기법으로 로봇의 움직임을 설계했지만, 이제는 신경망이 로봇의 동작을 엔드투엔드(end-to-end)로 생성하거나 보조하도록 하는 시도가 많아졌습니다. 예컨대 이족 보행 로봇 Cassie는 사람의 도움 없이도 달리는 법을 스스로 익혀 2021년 실외에서 5km 달리기에 성공했고, 2022년에는 100미터 달리기에서 24.73초로 세계 기네스 기록을 세웠습니다​[agilityrobotics.com].

 

실제로 Cassie는 시뮬레이션으로 1년치에 해당하는 보행 학습을 1주일 만에 병렬훈련으로 마치고(가속 비율 약 52배) 얻은 정책을 실물 로봇에 적용하여, 별도 튜닝 없이도 울퉁불퉁한 지형을 걷거나 두 개의 모터가 고장 나도 넘어지지 않는 놀라운 적응력을 보여주었습니다​ . 이는 학습 기반 정책이 얼마나 강건하게 로봇을 제어할 수 있는지 보여주는 사례로, 기존의 수동 설계 제어기나 잔여 학습(residual learning) 방식보다도 우수한 성능을 보였다는 평가입니다​[inceptivemind.com]. Agility Robotics사의 공동창업자 겸 CTO인 Jonathan Hurst는 이 기록이 “학습된 정책이 여타 제어 방법보다도 나은 성능을 보여준 큰 분기점”이며, “이러한 학습 기반 로봇 제어가 로봇 미래의 핵심이 될 것”이라고 언급했습니다​.

최근 로봇 AI 분야의 최신 트렌드는 크게 두 가지 흐름으로 요약할 수 있습니다. 첫째, 범용 휴머노이드 로봇에 대한 관심과 투자가 급증하여, Tesla의 Optimus, Agility Robotics의 Digit, Figure AI의 Figure 01와 같이 사람처럼 두 발로 걷고 손으로 작업하는 로봇 플랫폼들이 속속 등장하고 있습니다. 특히 2021년 테슬라가 Optimus 계획을 발표한 이후, 1X, Apptronik, Sanctuary AI, Fourier 등 스타트업부터 Agility, Figure처럼 거대 투자 유치를 한 기업들까지 경쟁적으로 인간형 로봇을 개발하는 “가속화된 레이스”에 돌입한 모습입니다​. 이들은 공통적으로 최신 AI 기술을 로봇에 접목하여 기존 산업용 로봇을 뛰어넘는 사람 수준의 유연한 행동을 목표로 하고 있습니다.

 

 

둘째, 대규모 사전학습 모델(foundation model)과 생성 AI를 로봇에 적용하려는 시도가 늘고 있습니다. 예를 들어 Figure AI는 OpenAI와의 협력을 통해 ChatGPT를 로봇의 두뇌로 활용하는 실험을 진행하고 있는데, 인간과 자연어로 대화하면서 시각 정보를 해석하고 행동 계획을 세우도록 설계하고 있습니다​[analyticsvidhya.com].

또한 NVIDIA가 2025년 CES에서 공개한 Cosmos는 2천만 시간 분량의 인간 동작 영상으로 훈련된 거대한 AI 모델로서, 로봇이 세상의 물리적 상식과 시나리오를 학습하는데 활용됩니다​. Cosmos는 예를 들어 창고에서 상자가 떨어지는 영상을 현실감 있게 생성해내어 로봇이 드문 물리 이벤트까지 학습하도록 돕거나, 사용자가 소량의 자체 데이터를 추가해 로봇 작업에 맞춤 미세조정(fine-tuning)할 수도 있습니다​. Agility Robotics와 Figure AI는 이미 NVIDIA의 Cosmos와 Isaac 시뮬레이션 플랫폼을 도입하여 로봇 학습을 가속하고 있으며​[wired.com], 이러한 데이터 중심 사전학습 모델 + 물리 시뮬레이션 결합 접근법은 향후 로봇 학습의 새로운 방향으로 주목받고 있습니다.

요약하면, 최근 로봇 AI 개발은 딥러닝 기반 컴퓨터 비전, 강화학습을 중심축으로 발전해왔으며, 최신 동향은 인간형 로봇 하드웨어의 등장과 대규모 AI 모델의 접목으로 보다 범용적이고 현실에 강인한 로봇을 만드는 데 집중되고 있습니다.