반응형 Optimus17 I.3 모션 제어: 강화학습 기반 보행 및 조작 기술 Optimus의 보행과 팔 동작 제어에는 강화학습(Reinforcement Learning, RL) 기법이 적극 도입되고 있습니다. Tesla는 Optimus에게 복잡한 물리적 작업을 학습시킬 수 있는 범용 로봇 학습 시스템을 구축하고자 하며, 전신 보행부터 정밀한 손 동작까지 끝부터 끝까지(end-to-end) 학습시키는 것을 목표로 삼고 있습니다. 구체적으로, 강화학습 팀과 모방학습 팀이 협력하여, 시뮬레이션과 실제 환경에서 로봇이 반복 시행착오를 겪으며 안정적으로 걷기, 균형 잡기, 물건 집기, 도구 사용하기 등을 익히도록 합니다[electrek.co].Tesla의 접근법은 기존 인간형 로봇 제어와는 철학적으로 차이가 있습니다. Boston Dynamics의 Atlas나 Agility Robot.. 2025. 3. 28. II테슬라 Optimus의 기술 스택 분석: 1. Optimus의 신경망 아키텍처 테슬라 Optimus의 인공지능 소프트웨어는 자율주행 FSD(Full Self-Driving) 시스템의 신경망 아키텍처를 기반으로 발전했습니다. 실제로 Optimus는 테슬라 FSD 컴퓨터(자율주행 차량에 쓰이는 HW3/HW4 칩셋)를 그대로 두뇌로 사용하며, FSD에서 활용된 뉴럴 네트워크 스택을 공유합니다. 예를 들어, 자율주행에 쓰이는 Occupancy Network(점유 공간 신경망)을 Optimus에도 적용하여, 카메라 입력으로부터 주변 환경의 3D 공간 지도를 생성하는 방식이 그대로 활용됩니다. 다만 Optimus용으로는 실내 환경과 물체 조작에 맞춰 훈련 데이터를 새로 수집하고 네트워크를 재훈련해야 했습니다[notateslaapp.com]. 이.. 2025. 3. 24. 1.2 강화학습과 로봇 학습 패러다임 (Reinforcement Learning and Robot Learning Paradigms) 로봇에게 자율성을 부여하는 핵심 기술로 강화학습(RL) 이 부상하면서, 로봇 학습 연구는 몇 가지 축으로 분류하여 이해할 수 있습니다. 로봇 학습을 바라보는 네 가지 측면은 (a) 로봇이 학습해야 하는 핵심 역량은 무엇인지, (b) 그 문제를 정의(추상화)하는 방식, (c) 문제를 푸는 해결 접근법, 그리고 (d) 얻은 해법의 실제 환경 성공 수준입니다[arxiv.org].이 섹션에서는 이 네 가지 측면을 중심으로 현대 로봇 강화학습 패러다임을 설명하고, 실제 사례인 Tesla Optimus, Agility Robotics, Figure AI의 학습 방식을 비교하며, 최신 RL 기법들과 sim-to-real 등 현실 적용 이슈를 논의합니다.(a) 로봇이 학습해야 하는 핵심 역량 (Robot Compet.. 2025. 3. 15. 이번 스토리에서는 테슬라의 인간형 로봇 Optimus와 엔비디아의 로봇 AI 플랫폼 Cosmos를 중심으로, 최신 로봇 인공지능 기술의 흐름과 발전 방향을 분석한다. 먼저 로봇 AI 분야의 최신 트렌드를 살펴보고, 두 기술의 핵심 개념과 접근 방식의 차이점을 개략적으로 소개한다. 이를 바탕으로 이 스토리의 전반적인 구성 및 주요 논점을 설명함으로써, AI 및 로보틱스 분야의 전문 독자들이 앞으로 다룰 내용을 미리 파악할 수 있도록 돕고자 한다.로봇 AI 최신 트렌드 개요최근 로봇 AI 분야에서는 크게 두 가지 흐름이 두드러진다.첫째, 인간과 유사한 범용 휴머노이드 로봇에 대한 관심과 투자가 폭발적으로 증가하여 Tesla의 Optimus, Agility Robotics의 Digit, Figure AI의 Figure 01 등.. 2025. 3. 13. 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 .. 2025. 3. 13. 이전 1 2 3 다음 반응형
