대규모 데이터 기반 매니퓰레이션
제조 수작업 자동화를 위한 데이터 엔진, 제어, 학습
제조 매니퓰레이션의 데이터 병목과 학습 전략을 연결한다. — 3 Parts, 12 Chapters
First published: 2026-06-18 | Last updated: 2026-07-22
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: 데이터 문제
Part II: 제어와 학습
접촉 모델링 — 제어와 전이의 기반
model-based control과 접촉 모델링이 large-data 전략에서 맡는 역할을 설명한다.
→ 05모방과 강화학습 — 데이터에서 정책으로
로봇 데이터 수집, 모방학습, 강화학습, 오프라인 학습의 계보를 묶는다.
→ 06정책 아키텍처 — 범용성과 실행의 균형
VLA를 포함하되 VLA에 갇히지 않는 policy architecture 지도를 만든다.
→ 07인간 시연 — 로봇 행동으로의 전환
사람 손과 사람 작업 데이터를 로봇 실행 데이터로 바꾸는 전략을 비교한다.
→ 08접촉 학습 — 감각 기반의 온라인 개선
vision-only scaling의 한계와 tactile/force-rich data의 필요성을 정리한다.
→Part III: 배포 전략
파운데이션 모델 — 범용 정책의 데이터 전략
범용 physical AI 모델을 만드는 미국 스타트업의 데이터 전략을 비교한다.
→ 10생산 데이터 — 배포가 만드는 개선 순환
실제 운영 데이터가 모델과 deployment moat가 되는 방식을 분석한다.
→ 11하드웨어 공동설계 — 학습 가능한 구현
데이터 글러브, 커스텀 손, 5지 핸드, 촉각/힘 통합 전략을 비교한다.
→ 12제조 데이터 주권 — 운영 자산의 소유 기준
replay set, update governance, data rights를 중심으로 buy/build 판단 기준을 제시한다.
→