대규모 조작 데이터
제조 수작업 자동화를 위한 데이터 엔진, 제어, 학습
제조 매니퓰레이션을 데이터 flywheel로 정복하는 전략. — 3 Parts, 12 Chapters
First published: 2026-06-18 | Last updated: 2026-06-18
제조 현장 중심
가정용 데모나 VLA 아키텍처가 아니라 공장 셀, 품질, 실패 로그, 반복 작업을 기준으로 읽는다.
데이터 flywheel
사람 시연, 로봇 fleet, 시뮬레이션, 촉각/힘, QA trace가 어떻게 하나의 학습 루프가 되는지 정리한다.
회사와 연구 계보
Tedrake, Finn, Abbeel, Levine 계보와 미국 스타트업 지형을 함께 비교한다.
Part I: 제조 매니퓰레이션과 데이터 병목
Part II: 제어와 학습의 연구 계보
Tedrake 계보 — 접촉, Drake, Sim-to-Real
model-based control과 접촉 모델링이 large-data 전략에서 맡는 역할을 설명한다.
→ 05Abbeel, Levine, Finn 계보 — 모방학습과 RL
로봇 데이터 수집, 모방학습, 강화학습, 오프라인 학습의 계보를 묶는다.
→ 06정책 아키텍처 — ACT, Diffusion Policy, RT-X, OpenVLA, pi0
VLA를 포함하되 VLA에 갇히지 않는 policy architecture 지도를 만든다.
→ 07사람에서 로봇으로 — UMI, DexUMI, DEXOP, EgoScale
사람 손과 사람 작업 데이터를 로봇 실행 데이터로 바꾸는 전략을 비교한다.
→ 08접촉이 많은 작업 — 촉각, 힘, 온라인 개선
vision-only scaling의 한계와 tactile/force-rich data의 필요성을 정리한다.
→Part III: 회사를 통해 본 데이터 전략
미국 Foundation Model 연구소 — PI, Generalist, Skild, Figure
범용 physical AI 모델을 만드는 미국 스타트업의 데이터 전략을 비교한다.
→ 10Production Flywheel — Covariant, Dexterity, Chef Robotics
실제 운영 데이터가 모델과 deployment moat가 되는 방식을 분석한다.
→ 11손과 하드웨어 Co-Design — Sunday, Eka, Genesis, Sanctuary
데이터 글러브, 커스텀 손, 5지 핸드, 촉각/힘 통합 전략을 비교한다.
→ 12제조사가 무엇을 소유해야 하는가
Config, CarbonSix, AgiBot 등을 보조 사례로 보며 buy/build 판단 기준을 제시한다.
→