요즘 Physical AI가 빠르게 발전하면서
로봇이 사람처럼 스킬을 배우게 하려면 어떻게 해야 할까? 라는 질문이 다시 주목받고 있습니다.
현재 학계와 산업에서 크게 두 가지 방향으로 접근하고 있습니다 👇
1. Imitation Learning (IL)
사람이 하는 걸 보여주고 그대로 따라하게 만드는 방식입니다.
전문가가 직접 로봇을 조작해서 데이터를 쌓고
그걸 기반으로 “이 상황에서는 이렇게 행동해라”를 학습시키는 구조죠.
대표적으로는
Open-X-Embodied Dataset 같은 프로젝트가 있는데,
여러 연구소 데이터를 모아서 로봇판 ImageNet을 만들려는 시도입니다.
다만 문제도 명확합니다
특정 로봇에 종속됨 (센서, 구조 바뀌면 데이터 못 씀)
데이터 수집 비용이 너무 큼 (직접 조작해야 함)
➡️ 현실성은 좋은데, 확장성이 부족한 구조
2. Reinforcement Learning (RL)
이건 반대로
➡️시행착오로 스스로 배우는 방식입니다.
시뮬레이터에서 수천, 수만 번 반복하면서
가장 좋은 행동을 찾는 구조죠.
그래서 사족보행 로봇 같은 움직임 제어에서는 굉장히 잘 먹힙니다.
하지만 이것도 한계가 있습니다
보상 함수 설계가 너무 어려움
(잘못 설계하면 엉뚱한 행동)
아직은 locomotion + 단순 작업 위주로만 잘 작동
➡️ 자율성은 좋은데, 현실 적용이 까다로운 구조
정리하면
• IL → 현실 데이터 기반, 하지만 비싸고 확장 어려움
• RL → 자율 학습 가능, 하지만 설계 난이도 높음
결국 핵심은 하나입니다
“싸고, 대량으로, 계속 쌓을 수 있는 데이터 구조”
Axis AI가 보여주는 방향
• 시뮬레이션 데이터는 다시 만드는 게 어렵지 않음
• sim-to-real 갭이 크지 않게 설계
• 서로 다른 로봇 간 데이터 활용 (cross-embodiment) 가능
➡️데이터를 ‘싸게, 많이, 계속’ 만들 수 있는 구조로 가는 중
지금은 아직 체험 단계 느낌이지만,
결국 방향은 명확해 보입니다.
Axis X | Axis 한국 공지 채널 | Axis 한국 채팅방
» Axis Hub