카운터포인트리서치(Counterpoint Research)의 '글로벌 휴머노이드 로봇 추적 보고서'에 따르면 2030년까지 휴머노이드 로봇용 AI 가속기(accelerator) 누적 출하량이 100만 대를 넘을 것으로 전망된다. 2026년부터 2030년까지 연평균성장률(CAGR)은 144%로 제시됐다. 컴퓨팅 아키텍처 측면에서는 비전-언어-행동(VLA) 모델과 월드모델의 융합이 진행되는 방향으로 분석된다. 당분간은 GPU가 휴머노이드 로봇 컴퓨팅의 주력 플랫폼 역할을 유지할 것으로 보고서는 내다봤다.
큐레이터제시된 수치는 카운터포인트리서치의 예측치이며 독립적으로 검증된 결과가 아니므로 시장 전망치로 참고하는 것이 적절하다. 원문이 중간에 끊겨 보고서의 나머지 내용은 확인되지 않는다.
유엔디로보틱스는 초절전 유무선 스위칭 마그네틱 툴체인 및 말단 작업장치(EOAT)인 맥봇(MAGBOT) 플랫폼을 주력 제품으로 보유한 국내 로봇 전문 기업이다. 최근 국내 대기업 로봇 자동화 1차 협력사(Tier-1)로 등록을 완료하고 산업 현장 공급을 본격화한다고 밝혔다. 공급 대상에는 산업로봇 의장 자동화, 성력화(Semi-Auto) 공정, 형상기억 DC 공압 그리퍼가 포함된다. 3D 비전 시각·언어·행동 모델(VLA) 시스템과 산업용 모듈러 휴머노이드, 피지컬 AI 로봇 솔루션도 공급 품목으로 제시됐다.
큐레이터본문이 도중에 잘려 있어 제품별 구체적 사양(자유도·가반하중 등)과 납품 일정은 확인되지 않는다. 이 회사 측 발표 내용이므로 독립적인 검증 결과와는 구분해서 읽을 필요가 있다.
로봇 안전 기능 자체가 고장 나지 않아도, 입력 데이터가 잘못되면 사람에게 위험한 상황이 발생할 수 있다. 이동 로봇이 사람이 있는 복도를 '비어 있음'으로 인식하거나, 협동로봇이 작업자와의 거리를 실제보다 멀게 판단하거나, 휴머노이드가 정지 신호를 수신하지 못하는 사례가 그 예다. 이러한 입력 오류는 하드웨어 결함뿐 아니라 의도적인 조작으로도 발생할 수 있다. 시각-언어-행동 모델(VLA)을 다룬 기존 연구에서는 로봇 주변에 배치한 패치(patch)가 모델의 행동 결정에 영향을 줄 수 있음이 보고된 바 있다. VicOne의 LAB R7은 조작된 입력이 안전 시스템에 미치는 영향을 분석하고 있다.
큐레이터VicOne이 후원한 스폰서드 콘텐츠로, 자사 연구소를 소개하는 방식으로 구성됐다. 본문이 중간에 잘려 VLA 취약점의 구체적 실험 조건과 결과는 이 원문만으로는 확인할 수 없다.
Mission Canvas는 지도 위에 웨이포인트를 정의하고 순서를 지정한 뒤 각 위치에 태스크를 연결해, 내비게이션과 로봇 동작을 단일 미션으로 실행할 수 있게 하는 워크플로 도구다. 이전에 소개된 Action Canvas가 특정 작업 영역 내에서 로봇이 해야 할 동작을 정의한다면, Mission Canvas는 여러 위치에 걸친 워크플로 전체를 구성하는 계층을 추가한다. 태스크에는 결정론적(deterministic) 로봇 동작과 함께 AI 및 시각-언어-행동 모델(VLA) 기반 행동도 포함할 수 있다. 재사용 가능한 로봇 스킬을 실제 환경의 복수 위치에 걸쳐 반복 실행 가능한 미션으로 조합하는 것이 핵심 목적이다. 소스 코드, 튜토리얼 영상, 기술 문서가 오픈소스로 공개된다.
큐레이터기능 소개 영상 형식으로 실제 환경 배포 사례나 독립적인 성능 수치는 제시되지 않았으므로, 복잡한 실환경에서의 안정성은 아직 확인되지 않았다.
브릴스는 기존 산업용 로봇 솔루션의 수익 기반 위에 시각-언어-행동 모델(VLA)과 로봇 파운데이션 모델(RFM, Robot Foundation Model)을 결합한 차세대 온디바이스 피지컬 AI(Physical AI) 기술을 도입해 신사업 영역 확장에 나선다고 밝혔다. 회사는 기존 로봇 시장 입지에 AI·소프트웨어 역량을 더해 소프트웨어 중심 로봇(SDR, Software Defined Robot)으로 전환하겠다는 전략을 제시했다. 목표는 AI 로봇 플랫폼 기업으로의 사업 구조 재편이다.
큐레이터공개된 본문이 중간에 잘려 있어 구체적인 기술 사양, 개발 단계, 사업 일정은 확인할 수 없다. VLA·RFM 적용이 자체 연구인지 외부 모델 도입인지도 드러나지 않아 실체를 가늠하기 어렵다.
로봇 학습 정책(learned policy)의 견고성(resilience) 평가에서 현재 관행은 섭동(perturbation) 조건 하의 실패율만 단일 수치로 보고하는 경우가 많다. 저자는 시뮬레이션 환경에서 19개 섭동 패밀리와 8개 정책 어댑터를 대상으로 동일 시드를 반복 실행한 결과, 비섭동 조건에서도 패밀리마다 다른 비율의 기저 실패율이 존재함을 확인했다. 시도 횟수 50회 기준으로 이 기저 실패율을 차감하면 대부분의 패밀리에서 측정된 섭동 효과가 사라져, 현재 보고되는 견고성 수치가 과제 설정 자체의 기저 난이도까지 함께 측정하고 있음을 시사한다. 저자는 ①섭동 조건의 실패율, ②동일 시드·과제에서의 비섭동 실패율, ③각각의 시도 횟수, ④양측 신뢰구간을 함께 보고하는 관례를 제안한다. 이 방법론을 구현한 오픈소스(Apache-2.0) 평가 도구 Provael도 함께 공개되어 있다.
큐레이터시뮬레이션 환경에서만 검증된 결과이므로 실제 하드웨어에서 기저 실패율이 동일한 분포를 보이는지는 별도 확인이 필요하다. 패밀리당 50회 시도라는 규모를 감안하면, 저자가 제안하는 신뢰구간이 실제로 얼마나 좁게 추정되는지도 쟁점이 될 수 있다.
일본 AI 데이터 기업 APTO가 피지컬 AI(Physical AI) 개발을 위한 실물 로봇 데이터 수집 거점 '도요스 데이터 팩토리'를 도쿄 도요스에 개설했다. 개소식에는 일본 로봇 의원연맹 사무국장 야마다 다로 의원과 엔비디아(NVIDIA), 도요타자동차(Toyota) 관계자들이 참석했다. 해당 시설에서는 실제 로봇을 활용한 데이터 수집과 로봇 학습용 데이터 개발이 진행될 예정이다. 비전언어행동 모델(VLA·Vision-Language-Action) 등 피지컬 AI의 연구 개발 및 사회적 적용 지원을 목표로 한다.
큐레이터본문이 중간에 끊겨 시설 규모, 데이터 수집 목표량 등 구체적 사양은 확인할 수 없다. 엔비디아·도요타자동차의 참여 성격(협력 파트너인지 단순 초청 참석인지)도 원문에서 명확하지 않아 원문 전문 확인이 필요하다.
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.
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.
에이스로보틱스(ACE ROBOTICS, 大晓机器人)가 홍콩대학교와 협력해 비전-언어-행동 모델(VLA, Vision-Language-Action Model)에 시간 이해 능력을 부여하는 모델 'StreamPI(Streaming Multimodal Temporal Modeling for Vision-Language-Action Models)'를 공개했다. StreamPI는 로봇이 과거 상황을 기억하고 현재를 인식하며 미래 동작을 예측하는 연속적 피지컬 인텔리전스(physical intelligence)를 지원하도록 설계됐다. VLA 모델은 언어 이해, 환경 인지, 로봇 동작 생성을 통합하는 구조로, StreamPI는 여기에 다중모달 시간 모델링을 결합한다.
큐레이터발표 자료에 실험 환경(시뮬레이션 또는 실기)과 평가 과제 수가 명시되지 않아, 시간 이해 능력이 실제 작업 현장에서 어느 범위까지 작동하는지는 아직 확인이 필요하다.
Booster Robotics가 연구자·개발자를 위한 휴머노이드 개발 플랫폼 Booster T2를 공개했다. T2는 전신 보행·제어(whole-body locomotion and control), 이동 조작, 인간-로봇 상호작용, 원격 조작, 강화학습·모방학습, 시각-언어-행동 모델(VLA) 개발 등 다양한 연구 용도를 지원한다. ROS 2 호환성과 고수준·저수준 SDK를 모두 제공하며, 온보드 NVIDIA 컴퓨팅과 커스텀 센서 연동을 지원한다. 자유도·가반하중 등 세부 하드웨어 사양과 가격은 별도 문의를 통해 확인 가능하다.
큐레이터자유도·가반하중·가격 등 핵심 사양이 공개되지 않아, 연구자가 기존 플랫폼과 직접 비교하거나 예산을 가늠하기 어렵다는 점을 감안해야 한다.