NEWS
국내외 13개 매체를 주기적으로 수집해 한국어로 요약합니다.
DGIST 전기전자컴퓨터공학과 박대희 교수 연구팀은 KAIST와 공동으로, 주변 보행자의 이동 경로 예측과 로봇의 충돌 회피 경로 계획을 하나의 소형 AI 모델에서 동시에 수행하는 학습 기술을 개발했다. 두 가지 작업을 단일 모델에 통합할 때 발생하는 성능 저하를 줄이는 것이 이번 연구의 핵심이다. 해당 연구는 컴퓨터 비전 분야 국제학회인 ECCV 2026에 채택되어 9월 10~12일 스웨덴 말뫼에서 발표된다.
큐레이터요약에는 실험이 시뮬레이션 환경인지 실제 보행자 밀집 공간인지 명시되지 않아, 통합 모델의 성능 개선 폭은 연구팀 자체 평가 기준임을 감안해야 한다.
AI 로보틱스 기업 엑스와이지(XYZ)가 양팔 세미 휴머노이드 로봇 듀스(DEUX)에 상황 인지 행동 생성(Context-aware behavior generation) 기술을 적용했다고 밝혔다. 이 기술은 사람의 발화 내용뿐 아니라 대화의 맥락과 주변 상황을 파악해 시선·표정·몸의 움직임을 생성한다. 듀스는 답변을 전달하는 데 그치지 않고 대화 전후 전 구간에 걸쳐 자연스러운 몸짓과 표정을 이어가도록 설계됐다.
큐레이터엑스와이지 측의 발표로, 행동의 '자연스러움'이 어떤 기준과 방법으로 평가됐는지—사용자 연구인지 내부 지표인지—공개된 정보가 없어 실제 체감 품질은 별도 검증이 필요하다.
gazebo_gymnasium은 Gazebo 시뮬레이터와 Gymnasium 강화학습(RL) 라이브러리를 결합한 독립 패키지로, pixi를 통해 설치된다. 브리지 API를 활용해 기존 Gazebo·ROS 패키지와 연동할 수 있으며, 사용자가 Gazebo 내부 라이브러리를 직접 다루지 않아도 RL 환경을 구성할 수 있다. 패키지 검증을 위해 병렬 시뮬레이션 학습과 도메인 랜덤화(domain randomization) 기법을 적용한 라인 팔로워(line follower)를 개발했다. 학습된 정책은 시뮬레이션의 다양한 트랙에서 평가된 후, 연구팀이 직접 제작한 실물 차동 구동(differential drive) 로버에 배포되어 라인 추종에 성공했다.
큐레이터실기 배포 성공은 연구팀 자체 보고이며, 검증 과제가 라인 팔로워 한 종류에 그쳐 더 복잡한 조작·주행 과제로의 범용성은 아직 확인되지 않았다.
정밀 조작(dexterous manipulation)은 로봇이 일상 과제를 수행하는 데 가장 큰 장벽 중 하나로 남아 있으며, 촉각이 그 돌파구로 주목받고 있다. 시각-언어-행동 모델(VLA)은 대규모 이미지·영상·텍스트로 사전학습한 뒤 원격조작 시연으로 미세조정돼, 빨래 개기·거실 정리·주방 기기 조작 등 다양한 작업을 수행할 수 있게 됐다. 그러나 USB 케이블 연결이나 열쇠 돌리기처럼 손의 정밀한 제어가 필요한 작업에서는 여전히 어려움을 겪고 있다. 이는 VLA가 인간이 주로 활용하는 정보 원천 중 하나인 촉각을 반영하지 못하기 때문이다. 학계 연구실과 스타트업들이 새로운 촉각 데이터셋과 관련 기법 개발에 나서면서 이 상황이 변화하기 시작했다.
큐레이터촉각 데이터셋 구축과 기법 개발이 이제 막 시작된 단계임을 고려하면, 현재 발표되는 성과 대부분은 제한된 과제·환경에서의 실험실 수준 결과일 가능성이 높으므로 범용 정밀 조작으로의 전환 가능성은 아직 검증이 필요하다.
Skild AI가 단일 영상 시연만으로 로봇이 이전에 본 적 없는 장기 과제(long-horizon task)를 학습할 수 있는 S1 로봇 파운데이션 모델(foundation model)을 출시했다. S1은 제조 현장·창고·생산 라인처럼 작업과 레이아웃이 자주 바뀌는 환경을 겨냥하며, 기존 로봇이 새 작업마다 대규모 재프로그래밍을 요구하는 문제를 해결하는 것을 목표로 한다. 이 모델은 NVIDIA Physical AI 기술을 활용해 구축됐다.
큐레이터NVIDIA 자사 블로그를 통한 발표여서 단일 영상 시연만으로 장기 과제를 학습한다는 주장은 Skild AI와 NVIDIA 측의 것이며, 실제 제조·창고 환경에서의 독립적인 검증 결과는 아직 확인되지 않는다.
KAIST 뇌인지과학과 이상완 석좌교수 연구팀이 뇌파(EEG)로 사람과 AI 사이의 인지적 어긋남을 포착해 AI가 실시간으로 행동을 수정하는 기술을 개발했다. 사용자가 별도로 말이나 몸짓으로 오류를 알려주지 않아도, AI가 '이게 아닌데'에 해당하는 뇌 반응을 읽어 스스로 목표에 맞게 행동을 조정한다. 연구는 Microsoft Research Asia(마이크로소프트 연구소 아시아)와 공동으로 수행됐다. 이 기술은 명시적 명령 없이 사람의 의도를 파악하는 인간-AI 상호작용 연구의 일환으로 제시된다.
큐레이터뇌파 측정은 전용 장비와 통제된 환경이 전제되므로, 실험실 외 실제 현장에서 같은 성능이 나오는지는 별도 검증이 필요하다.
Rerun이 rosbag2 스토리지 플러그인 실험 버전을 공개하며, ros2 bag record -s rrd 명령 하나로 ROS 2 데이터를 rosbag과 RRD(Rerun 네이티브 파일 형식) 양쪽에 동시에 기록할 수 있게 했다. RRD는 Apache Arrow 레코드 배치 기반의 인덱싱된 컬럼형(columnar) 청크로 데이터를 저장하며, 쿼리 시 필요한 컬럼과 시간 범위만 읽어 들인다. DataFusion 같은 분석 도구 및 Parquet 형식으로의 직접 연동 경로도 제공한다. 실험적 PyTorch 데이터로더를 통해 별도 내보내기 단계 없이 등록된 백파일에서 곧바로 모델 학습이 가능하다. Rerun의 Isaac과 Michael Grupp은 수 주 후 ROSCon에서 RRD 데이터 모델을 주제로 발표를 진행할 예정이다.
큐레이터플러그인과 PyTorch 데이터로더 모두 '실험적(experimental)' 단계임을 원문이 명시하고 있어, 실제 대규모 백 파일이나 다양한 ROS 메시지 타입에서의 안정성은 아직 검증되지 않았다.
AI 전문기업 마음AI의 손병희 대표가 2026년 9월 9일 부산 벡스코에서 열린 '2026 월드 스마트시티 엑스포(WSCE 2026)'에서 피지컬 AI(Physical AI)와 스마트시티의 미래를 주제로 강연했다. 손 대표는 생성형 AI가 디지털 세계에서 언어와 지식을 이해하는 단계를 열었다면, 피지컬 AI는 AI가 현실 세계를 인식하고 직접 행동하는 단계로의 전환을 이끌 것이라고 밝혔다. 미래 스마트시티는 센서·CCTV 기반 데이터 수집·분석 수준을 넘어 AI와 로봇이 도시의 물리적 상황에 직접 대응하는 방향으로 발전할 것으로 전망했다.
큐레이터이 전망은 독립 연구가 아닌 AI 기업 대표의 엑스포 강연에서 나온 것으로, 피지컬 AI가 스마트시티에 실제로 배치된 사례나 검증 데이터는 발표에서 별도로 제시되지 않은 점을 감안해 읽을 필요가 있다.
중국 휴머노이드 로봇 기업 아스트리봇(Astribots, 星尘智能)이 실제 가동 환경에서 로봇을 정지 없이 학습시키는 온라인 강화학습(reinforcement learning) 프레임워크 SmoothRL을 개발했다. 기존 방식과 달리 시뮬레이션 없이 실제 작업 현장에서 직접 강화학습을 수행한다. 시각-언어-행동 모델(VLA) 등 대규모 로봇 모델을 실제 하드웨어에 적용할 때 모델의 행동 계산 시간과 로봇의 실행 시간 사이의 불일치에서 발생하는 비동기 추론(asynchronous inference) 문제를 해결 대상으로 삼는다.
큐레이터아스트리봇 자체 발표로, 어떤 작업 유형·몇 가지 과제·어떤 하드웨어 조건에서 검증했는지 독립적으로 확인된 바가 없어 범용성 판단은 유보가 필요하다. 비동기 추론 문제를 다룬 선행 연구들이 이미 존재하므로, SmoothRL이 기존 접근과 무엇이 구체적으로 다른지 비교가 필요하다.
AI의 빠른 발전으로 로봇이 스스로 행동을 결정하는 수준에 가까워지고 있다. 그러나 다음 단계의 발전은 물리적 시스템이 그 결정을 효율적이고, 정밀하며, 안전하게 실행할 수 있느냐에 달려 있다는 분석이 제기됐다. 즉, 소프트웨어 역량을 실제로 구현하는 하드웨어가 휴머노이드 발전의 핵심 관건으로 지목된다.
큐레이터이 주장은 특정 연구나 실험 데이터가 아닌 분석 의견으로, 'AI가 하드웨어를 앞지른다'는 전제 자체가 로봇공학 커뮤니티 내에서 아직 합의되지 않은 쟁점임을 감안해 읽을 필요가 있다.
비전 AI(Vision AI)는 로봇이나 인간의 판단을 대체하는 기술이 아니다. 대신 지속적인 인식(perception) 기능을 제공함으로써 로봇과 인간이 같은 공간에서 안전하게 함께 작동할 수 있도록 한다. 자동화 작업 현장에서 안전의 핵심 기반으로 비전 AI의 역할이 주목받고 있다.
큐레이터이 주장의 출처가 Vision AI 관련 업계 매체 기고인지 독립 연구인지 원문에서 확인이 필요하며, '안전 근간'이라는 역할 규정은 실제 현장 사고 감소 데이터 없이는 검증된 결론이 아니라 업계 측의 포지셔닝일 수 있다.
미국 RAI연구소(Robotics and AI Institute)가 인간 시연 데이터를 학습해 정밀 조작 능력을 구현하는 그리퍼 '코알라 그리퍼(Koala Gripper)'를 공개했다. 코알라 그리퍼는 기존 로봇이 수행하기 어려웠던 고정밀 작업과 도구 활용을 인간 중심 데이터 수집 방식으로 학습한다. 공개된 영상 시연에서 코알라 그리퍼 탑재 로봇은 전동 드릴·스패너 등 다양한 공구와 일상 물체를 안정적으로 파지하는 것으로 나타났다.
큐레이터공개된 영상은 RAI연구소 자체 시연이며, 파지 안정성에 대한 주장도 연구소 측의 것이므로 다양한 현장 조건에서의 독립 검증 여부가 확인되어야 한다.
지난 4일 국회의원회관에서 열린 '로봇 강국 대한민국, Next Move' 토론회에서 현대자동차그룹·LG전자·포스코DX·에이딘로보틱스 발표자들이 피지컬AI(Physical AI) 상용화의 핵심 과제로 로봇 학습 데이터 확보를 공통적으로 지목했다. 발표자들은 텍스트 데이터와 달리 로봇 행동 데이터는 기존에 축적된 자산이 없다는 점을 주요 문제로 지적했다. 이번 행사는 개혁신당 이주영 의원이 주최하고 한국AI·로봇산업협회가 주관했으며 산업통상부가 후원했다.
큐레이터발표자 모두 현장 기업·단체 소속이어서 '국가 차원의 데이터 수집 지원이 필요하다'는 주장은 정책 제언인 동시에 업계 이해관계를 반영한다는 점을 감안해 읽어야 한다.
AI 로보틱스 기업 엑스와이지(XYZ)가 자체 행동지능 브레인엑스(Brain X)를 적용해 로봇의 의류 접기 작업 시간을 기존 약 50초에서 약 25초로 단축했다. 2배속 환경에서도 96%의 작업 성공률을 유지한다. 이번 고도화는 단순 동작 재생 속도 증가가 아니라 모델 추론부터 로봇 실행·제어까지 전 과정을 함께 최적화한 결과다. 의류처럼 형태가 불규칙하고 마찰·미끄러짐이 발생하는 변형 물체는 동작 속도가 빨라질수록 궤적 오차가 커지는 특성이 있어 제어 안정성 확보가 핵심 과제였다.
큐레이터96% 성공률과 2배 속도 단축은 엑스와이지 측이 발표한 수치로, 어떤 의류 종류·몇 회 시도를 기준으로 측정했는지 독립적인 검증 조건이 공개되지 않아 수치의 범위를 가늠하기 어렵다.
Lattice Semiconductor 보안 사업 부문 부사장 Eric Sivertson이 FPGA(Field-Programmable Gate Array)가 로봇 시스템에서 결정론적 가드레일(deterministic guardrail) 역할을 수행할 수 있다고 설명한다. 물리적 AI 보안 관점에서 FPGA를 로봇 제어 계층의 보안 게이트키퍼로 활용하는 접근을 다룬다. 원문은 The Robot Report에 게재된 기고 형식으로, 구체적인 구현 방법이나 수치 사양은 본문에서 제시되지 않는다.
큐레이터기고자가 FPGA 제조사(Lattice Semiconductor) 임원이므로, 이 글은 독립적 분석이 아닌 업체 관점의 주장으로 읽어야 한다.
IEEE Spectrum이 매주 게재하는 로봇 영상 모음 코너로, Agility Robotics의 Digit 로봇이 소파를 끌어당기는 장면을 포함한 영상들을 소개한다. ReST-RL은 이족 보행 중 불안정한 페이로드를 안정화하기 위해 보행 제어와 페이로드 안정화를 분리하는 계층적 강화학습(hierarchical reinforcement learning) 아키텍처다. Unitree G1 휴머노이드에 적용된 ReST-RL은 다양한 물체와 외부 힘 교란에 대해 제로샷 시뮬레이션-실환경(sim-to-real) 일반화 성능을 보였다고 소개된다. Figure의 로봇 컴퓨팅 확장 관련 소식도 언급되나 본문이 생략되어 세부 내용은 확인되지 않는다. Humanoids Summit Seoul(2026년 9월 22~23일), IROS 2026(9월 27일~10월 1일, 피츠버그), CoRL 2026(11월 9~12일, 오스틴) 등 주요 행사 일정도 함께 안내된다.
큐레이터ReST-RL의 '제로샷 sim-to-real 일반화'는 연구팀 측 주장이며, 실험에 사용된 물체 종류·외란 조건의 범위가 밝혀져야 일반화 수준을 판단할 수 있다.
QERRA-v2 Classical은 물리적 안전, 도덕 게이팅(moral gating), 가치 선택의 세 레이어로 구성된 분리형 제어 아키텍처이다. 물리적 안전 레이어는 언어 처리를 기다리지 않고 서브밀리초(sub-millisecond) 단위로 반사적 안전 제어를 수행하며, 결정론적(deterministic) 도덕 게이트는 모터 동작 전에 명령 의도를 검증한다. 가치 레이어는 정상 운용 중 사회적 예절과 공간적 배려를 점수화한다. 이번 데모는 PAL Robotics TIAGo 휴머노이드 AMR을 Webots R2025a 시뮬레이터에서 구동하며, 노트북 CPU에서 100% 오프라인으로 실행된다. 시나리오는 리조트 복도에서 90초 안에 업무 마감 압박, 낙상 사고 대응, 고객 응대가 동시에 발생하는 상황을 다룬다.
큐레이터Webots 시뮬레이션의 단일 시나리오(90초, 복도 환경)에서 얻은 결과이므로, 서브밀리초 안전 반응 등 성능 수치는 실물 하드웨어나 다양한 환경에서 재현되기 전까지 개발팀 주장으로만 해석해야 한다.
NASA는 세 대의 소형 로버를 달에 보내 상호 협력 자율 탐사를 수행하는 CADRE(Cooperative Autonomous Distributed Robotic Exploration) 임무를 계획하고 있다. 로버들은 별도의 세부 지시 없이 '지정 구역을 스스로 협력해 탐사하라'는 단일 명령만 받고 임무를 수행한다. 착륙 지점은 지구를 향하는 달의 앞면이다. 이 임무는 분산형 자율 로봇 군집이 비구조적 환경에서 독립적으로 의사결정을 내릴 수 있는지 실증하는 데 목적이 있다.
큐레이터착륙지가 지구와 통신이 유지되는 달 앞면이라는 점은 중요한 조건 제약으로, 통신 두절 상황을 전제로 하는 완전 자율 시나리오와는 구별해 볼 필요가 있다. 또한 요약만으로는 자율 판단 알고리즘이 실제 달 지형에서 검증된 것인지, 지상 모의 환경에서 검증된 것인지 명확하지 않아 원문 확인이 필요하다.
UNIST(울산과학기술원) 연구팀이 이기종 로봇 환경에 특화된 연합학습(federated learning) 기반 깊이 추정(depth estimation) 기술을 개발했다. 깊이 추정은 카메라 영상만으로 물체와 공간까지의 거리를 계산하는 기술로, 로봇이 주변 환경을 인식하고 안전하게 이동하는 데 필요하다. 지상로봇·드론·보행로봇 등 플랫폼별로 이동 장소와 촬영 조건이 달라 데이터 특성이 크게 달라지는 문제가 기존 공동 학습 방식의 한계로 지적돼 왔다. 이번 연구는 이처럼 서로 다른 '눈'을 가진 로봇들이 각자의 데이터를 공유하지 않으면서도 하나의 깊이 인식 모델을 함께 학습할 수 있도록 하는 기법을 제안한다.
큐레이터공개된 정보만으로는 실험이 시뮬레이션 환경인지 실제 로봇 플랫폼에서 수행됐는지, 그리고 몇 종의 이기종 로봇 조합을 대상으로 검증됐는지 확인되지 않아 일반화 가능성을 판단하려면 원논문의 실험 조건을 살펴봐야 한다.
미국 스타트업 몬도 로보틱스(Mondo Robotics)가 AI 기반 추적 촬영 로봇 'Beni'를 공개했다. Beni는 카메라로 사람 또는 반려동물을 인식·추적하며 최대 시속 28.8km로 이동한다. 최대 25.4cm 높이의 장애물을 넘고, 넘어졌을 때 스스로 자세를 복원하는 기능을 갖췄다. 사용자 뒤·옆·앞에서의 촬영과 원형 궤도 추적 촬영 모드를 지원하며, 고정 장애물 회피 기능도 탑재했다.
큐레이터시속 28.8km 이동·25.4cm 장애물 극복 등 수치는 몬도 로보틱스 측 발표이며 독립 검증 결과가 아니므로, 실제 야외 환경에서의 추적 안정성과 배터리 지속 시간은 별도 확인이 필요하다.
샘 올트먼(Sam Altman) 오픈AI CEO는 팟캐스트 '소시스(Sources)' 출연에서 오픈AI가 휴머노이드 로봇을 개발하고 있다고 확인했다. 오픈AI의 로보틱스 사업이 휴머노이드 로봇인지 데이터센터용 머신인지를 묻는 질문에 그는 '둘 다'라고 답했다. 올트먼 CEO는 휴머노이드 외에도 다른 형태의 로봇을 함께 개발할 것이라고 밝혔다. 다만 그는 로봇 몸체를 만드는 것보다 이를 구동하는 피지컬 AI(Physical AI), 즉 '두뇌' 완성에 더 무게를 두고 있다고 언급했다.
큐레이터팟캐스트 발언 수준의 확인이라 구체적인 제품 일정·사양은 공개되지 않았으며, '두뇌' 우선 전략은 오픈AI가 하드웨어 제조보다 피지컬 AI 플랫폼 공급자 역할을 노리는 것일 수 있어 기존 휴머노이드 업체와의 관계(협력 또는 경쟁)가 향후 핵심 관전 포인트가 된다.
'AI 요약' 표시가 붙은 항목은 사람 검수를 거치지 않았습니다. 모든 항목은 원문 링크·매체·날짜를 함께 표기하며, 요약 외 전문은 싣지 않습니다.