Chapter 2: 말단장치 — 데이터 난이도의 설계

개요

말단장치(end effector)는 로봇의 마지막 부품이 아니라 데이터가 세상을 만나는 좌표계다. 같은 물체를 집어도 흡착기, 2지 그리퍼, 전용 공구, 5지 손은 실행할 수 있는 행동과 관측할 수 있는 실패가 다르다. 따라서 말단장치를 바꾸는 일은 부품표 한 줄을 바꾸는 일이 아니다. 행동 명령, 센서 시계열, 실패 꼬리표, 재현 시험, 정비 이력을 함께 바꾸는 데이터 설계다. LEAP Hand와 DIGIT은 저비용 손과 촉각 손끝이 연구 접근성을 넓힐 수 있음을 보여주지만 ^{[1] [2]}, 제조 현장에서는 "얼마나 사람 손과 닮았는가"보다 "어떤 실패를 얼마나 일관되게 남기는가"가 먼저다.

이 장은 손을 네 가지 질문으로 고른다. 작업을 얼마나 좁게 자를 것인가. 접촉을 얼마나 직접 측정할 것인가. 사람이 만든 시연을 어떤 로봇 형상으로 옮길 것인가. 센서와 손의 정비를 생산 비용 안에 넣을 수 있는가. ReSkin, AnySkin, CoinFT, AnyTouch, ForceVLA는 손의 표면, 힘, 촉각 표현이 정책의 일부가 되고 있음을 보여준다 ^{[4] [5] [6] [7] [13]}. 그러나 논문 속 성능은 특정 손, 과제, 센서, 자료 분할, 제어기에 묶여 있다. 이 장은 그 경계를 유지한 채 제조 해석을 덧붙인다.

학습 목표 - 말단장치 선택을 하드웨어 사양 경쟁이 아니라 행동 공간과 관측 공간의 공동 설계로 설명한다. - 흡착기, 2지 그리퍼, 전용 공구, 5지 손을 실패 관측성·정비 부담·재현 가능성으로 비교한다. - 촉각·힘 센서가 과제의 모호성을 줄이는 조건과 새로운 교정 부담을 만드는 조건을 구분한다. - 사람 시연과 목표 로봇의 접촉 의미가 어긋나는 이유를 설명하고 짝지은 검증 자료를 설계한다. - 말단장치 변경 시 에피소드 스키마, 재현 시험 묶음, 정비 이력이 왜 함께 바뀌어야 하는지 판단한다.

손은 작업군을 자르는 첫 분류기다

큰 정책이 모든 손을 같은 방식으로 다룰 것이라는 기대는 제조에서 위험하다. 말단장치는 가능한 행동뿐 아니라 관측 가능한 실패를 정한다. 흡착은 물체가 흡착컵에 붙었는지와 진공 압력을 잘 남기지만, 물체가 미세하게 회전했거나 모서리가 찢어지는 과정은 약하게 남긴다. 2지 그리퍼는 파지 폭, 닫힘 힘, 재파지를 남기기 쉽지만, 변형 가능한 물체의 내부 응력은 놓칠 수 있다. 5지 손은 더 많은 접촉을 만들지만 교정, 세척, 수리 기록이 에피소드의 일부가 된다.

그림 2.1. 자료 전략으로 본 말단장치 분류. 손의 선택은 과제군, 센서 채널, 실패 꼬리표를 동시에 나누는 결정이다. 출처: 저자 제작 SVG.

이 표의 목적은 "어떤 손이 최고인가"가 아니다. 제조사는 먼저 어떤 실패를 가장 자주 돈으로 치르는지 정해야 한다. 긁힘이 문제라면 촉각 표면과 힘 한계가 중요하고, 집기 누락이 문제라면 흡착 압력과 카메라 범위가 더 중요할 수 있다.

말단장치의 기구는 실행 가능한 행동과 실패를 진단할 수 있는 물리 신호를 함께 결정한다. 다만 이는 모든 과제에서 자유도가 낮을수록 낫다는 뜻이 아니다. Bicchi ^[25]가 정리한 초기 다지 손의 교훈은 자유도 자체보다 단순하고 견고한 파지 구조가 중요하다는 것이었고, Capsi-Morales et al.^[2]은 특정 SoftHand와 물체 집합에서 손바닥의 오목함과 순응성이 파지 허용 범위를 바꾼다는 것을 보였다. 두 결과는 "기구가 자료 난이도를 만든다"는 명제를 지지하지만, 서로 다른 손이나 생산 공정으로 보편 전이되었다는 증거는 아니다. 논문에서 다룬 손, 물체, 제어 방식, 평가 분모 밖의 생산 준비도와 총자료비용은 별도로 검증해야 한다.

역사적 전환: 자유도 경쟁에서 기구-자료 공동 설계로

로봇 손의 역사는 많은 관절을 넣는 방향으로만 진행되지 않았다. 초기 의인화 손은 사람 손에 가까운 운동학을 재현했지만, 구동기·전달계·제어 변수의 수가 늘면서 접촉 오차와 정비 지점도 함께 늘었다. Bicchi ^[25]는 이 어려운 길을 "단순함"의 문제로 정리했다. 이후 순응성, 부족구동, 시너지 기반 설계는 모든 관절을 독립적으로 명령하지 않고도 물체 형상에 맞추는 방법을 제시했다. 이 계보에서 기구 설계는 정책이 배워야 할 분산을 줄이는 귀납 편향이다.

학습 기반 로봇이 등장했다고 이 원리가 사라진 것은 아니다. 오히려 대규모 자료에서는 더 선명해진다. 관절 명령이 늘면 같은 에피소드 수로 덮을 수 있는 행동 공간의 비율이 줄고, 접촉 위치와 힘의 조합도 많아진다. 반면 지나치게 단순한 손은 케이블의 비틀림, 천의 접힘, 공구의 재파지처럼 과제에 필요한 상태 전이를 표현하지 못한다. 따라서 올바른 질문은 "자유도가 몇 개인가"가 아니라 "과제의 성공을 표현하는 최소 행동 좌표와 실패를 설명하는 최소 관측 좌표가 무엇인가"다.

이 관점은 흡착기와 5지 손을 한 줄의 서열에 놓지 않는다. 흡착기는 밀봉 상태와 진공 압력이라는 짧고 진단하기 쉬운 자료 계약을 만든다. 5지 손은 손가락별 위치, 접촉 분포, 미끄러짐, 힘줄 상태를 포함하는 넓은 계약을 만든다. 어느 쪽이 더 좋은지는 결함 비용, 제품 다양성, 교체 시간, 사람이 개입하는 빈도로 정해진다. 손의 기구가 정책의 일부라는 말은 손을 복잡하게 만들라는 뜻이 아니라, 필요한 복잡도를 하드웨어와 자료 사이에 의식적으로 배분하라는 뜻이다.

2지와 흡착이 아직 강한 이유

제조 자동화의 상당 부분은 기민성보다 반복성이 이긴다. 흡착과 2지 그리퍼는 단순해서 에피소드가 짧고, 고장 원인 나무가 작고, 정비가 예측 가능하다. 대규모 학습 관점에서도 장점이 있다. 행동 공간이 작으면 같은 수의 에피소드로 더 빨리 범위를 얻고, 실패가 하드웨어인지 정책인지 나누기 쉽다.

하지만 단순함은 공짜가 아니다. 흡착은 "집었다/못 집었다" 신호가 강한 대신, 접촉 중 물체가 어떻게 변형되었는지 약하게 남긴다. 2지 그리퍼는 힘과 자세를 남기기 좋지만, 연성 포장이나 천처럼 접촉 면이 넓은 물체에는 사각지대가 생긴다. 따라서 첫 셀이 흡착이나 2지로 충분한지 판단하려면 성공 영상이 아니라 불량 코드를 보아야 한다. 집기 누락, 압궤, 긁힘, 잘못된 방향, 후공정 걸림 중 어떤 실패가 가장 비싼지가 손을 고른다.

촉각 손끝은 손의 일부다

촉각 센서는 부착형 옵션이 아니라 손의 관측면을 바꾸는 부품이다. DIGIT, ReSkin, AnySkin, Wedge 계열은 촉각 감지가 저비용·교체 가능·형상 인지 방향으로 진화하고 있음을 보여준다 ^{[2] [4] [5]}. 이 흐름은 제조에서 특히 중요하다. 센서가 비싸고 깨지기 쉬우면 자료 품질보다 생산선 비가동시간이 더 커질 수 있기 때문이다.

그림 2.2. GelSight Wedge가 보여주는 로봇 손가락의 촉각 형상. 접촉 패치를 자료로 바꾸려면 세척과 교체 주기도 함께 설계해야 한다. 출처: Wang et al. 2021, arXiv:2106.08851 Fig. 1.

촉각이 유용한 작업은 보통 시각이 가장 늦게 실패를 보는 작업이다. 삽입이 걸리는 순간, 케이블이 손가락 사이에서 미끄러지는 순간, 파우치 표면이 접히는 순간은 카메라 영상틀보다 손가락의 접촉 변화가 먼저 안다. AnyTouch와 Tactile-VLA 계열은 촉각 표현을 여러 센서와 정책에 걸쳐 쓰려는 방향을 제시하지만 ^{[7] [14] [15]}, 제조사는 센서의 학습 가치와 운영 비용을 같은 표에서 봐야 한다.

고해상도 촉각 센서는 시각만으로는 직접 얻기 어려운 접촉 형상과 힘 단서를 드러낼 수 있다. 비전 기반 촉각 센서는 탄성체의 변형을 영상으로 바꾸어 접촉 면, 전단, 미끄러짐의 대리 신호를 만든다. 모듈형 GelSight 연구는 광학계·조명·젤·하우징을 과제에 맞춰 조합하는 설계 공간을 제시했고 ^[27], 힘 측정 연구는 영상에서 힘을 복원할 때 광학, 탄성체, 교정 모형이 함께 필요하다는 점을 정리했다 ^[28]. 이는 카메라를 손끝에 달기만 하면 접촉의 참값을 얻는다는 뜻이 아니다. 센서 형상, 조명, 젤의 마모, 추정기의 훈련 분포가 달라지면 출력의 의미도 달라진다.

관측 가능성은 채널 수가 아니라 실패 분해능이다

센서를 고를 때 "카메라 몇 대, 힘 축 몇 개"를 세면 쉬워 보이지만, 제조에 필요한 것은 실패를 구분하는 분해능이다. 예를 들어 삽입 실패가 위치 오차, 모따기 불량, 마찰 증가, 부품 뒤집힘으로 나뉜다면 손목 힘 하나가 네 원인을 구분하는지 확인해야 한다. 구분하지 못한다면 더 많은 자료를 모아도 같은 관측에 서로 다른 정답이 붙는다. 이는 학습 문제가 아니라 식별 불가능한 계측 문제다.

시각과 촉각은 경쟁 관계도 아니다. 외부 카메라는 접근 경로와 물체 전체 자세를 잘 보고, 손목 힘·토크 센서는 전체 접촉 하중을 잘 보며, 손끝 촉각은 국소 접촉 패치와 미끄러짐을 빠르게 본다. 좋은 설계는 모든 채널을 넣는 것이 아니라 결함 나무의 각 갈래를 최소 비용으로 분리한다. 접촉 전에는 시각, 첫 접촉에는 힘, 미세 정렬에는 촉각이 주된 신호가 될 수 있다. 반대로 평평한 상자를 반복해 집는 셀이라면 진공 압력과 한 대의 카메라가 더 복잡한 손보다 설명력이 높을 수 있다.

센서의 유용성은 명목상 채널 수보다 교정, 시간 동기화, 내구성, 세척, 교체, 재교정에 좌우된다. ReSkin은 교체 가능한 촉각 표면이라는 방향을 제시했고 ^[4], 센서 불변 촉각 표현은 서로 다른 센서 사이의 공통 표현을 모색한다 ^[29]. 그러나 교체 가능성과 표현 전이는 정비 이력을 없애지 않는다. 인용된 센서와 과제 밖에서 장기간 표류, 오염, 반복 교체 뒤의 동일성, 생산 가동률이 검증되었다고 확대해석할 수 없다. 교체 전후의 영점, 감도, 시간 지연, 표면 상태를 기록하지 않으면 풍부한 촉각 자료가 풍부한 혼입 변수가 된다.

센서 생애주기를 에피소드와 연결하려면 최소한 센서 일련번호, 표면 재질 묶음, 교정 시각, 교정 잔차, 표본화율, 제어 시계와의 시간차, 세척 방식, 누적 접촉 횟수를 함께 저장해야 한다. 원자료를 모두 영구 보관하기 어렵다면 사건 전후의 짧은 구간과 요약 통계를 남길 수 있다. 중요한 것은 정책 입력과 품질 원인 분석이 같은 센서 상태를 가리키게 하는 것이다. 센서가 바뀌었는데 자료 집합 버전이 그대로라면, 재학습 성능의 변화가 알고리즘 때문인지 계측기 때문인지 분리할 수 없다.

의사결정 검토 예시: 포장 트레이와 케이블 작업은 다른 손을 요구한다

포장 트레이 집기 셀을 보자. 물체는 비교적 평평하고, 실패는 집기 누락, 중복 집기, 압궤, 오염으로 나뉜다. 이 경우 흡착은 강한 기준선이다. 진공 압력, 흡착컵 마모, 해제 시점, 카메라 자세가 에피소드에 들어가면 대부분의 실패를 설명할 수 있다. 5지 손은 더 많은 접촉을 만들 수 있지만, 세척과 식품 안전, 손가락 사이의 잔여물, 교정 표류가 새 운영 리스크가 된다. 즉 더 복잡한 손이 더 좋은 자료 장치가 아닐 수 있다.

반대로 케이블 배선은 다르다. 케이블은 움직이면서 모양이 변하고, 손가락 사이에서 미끄러지고, 치구 모서리에 걸리고, 마지막 삽입 순간에 힘이 급변한다. 흡착은 케이블의 상태를 거의 설명하지 못하고, 단순 2지 그리퍼도 죠 힘만으로 분산 접촉을 충분히 남기지 못한다. 이 셀에서는 촉각 손끝, 순응형 치구, 다중접촉 손 중 하나가 필요할 수 있다. 중요한 것은 사람 손 모양의 손이 아니라 케이블의 상태 전이를 에피소드에 남길 수 있는가다.

이 검토 예시는 하드웨어 선정을 과제 분류체계로 바꾼다. 같은 대규모 자료 전략이라도 포장 트레이는 처리량과 세척 근거가 중요하고, 케이블 배선은 접촉 관측 가능성이 중요하다. 따라서 제조사는 "5지 손을 쓸 것인가"보다 "현재 가장 비싼 실패가 어느 손에서는 관측되고 어느 손에서는 사라지는가"를 먼저 물어야 한다.

5지 손은 언제 정당화되는가

5지 손은 "사람처럼 보이기 때문에" 정당화되지 않는다. 5지 손이 필요한 경우는 작업의 가치가 더 많은 접촉 자유도를 요구하고, 그 자유도가 실제 실패 꼬리표를 줄일 때다. 케이블 배선, 공구 전달, 변형 가능한 포장, 손안 재정렬, 사람의 공구 사용 전이는 후보가 될 수 있다. LEAP Hand, DexUMI, DEXOP, ExoStart는 저비용 다지 손과 사람 손에서 로봇 손으로의 전이가 빠르게 발전하고 있음을 보여준다 ^{[1] [8] [28] [10]}.

다만 5지 손은 자료 폭발을 만든다. 관절 상태, 손끝 접촉, 힘줄·마찰 상태, 교정, 마모, 실패 복구가 모두 에피소드에 들어온다. 손이 복잡해질수록 정책 구조보다 운영 스키마가 먼저 중요해진다. 손 수리 뒤에는 같은 모델을 그대로 배포해도 되는가. 장갑·외골격 시연과 로봇 손 실행 사이의 접촉 의미가 같은가. 손가락 하나의 촉각 센서가 표류하면 재현 묶음은 어떻게 표시하는가. 이 질문에 답하지 못하면 기민성은 생산성이 아니라 문제 추적 비용이 된다.

분산 촉각은 보고된 손과 과제 안에서 적응적 파지를 개선할 수 있지만, 그 결과만으로 서로 다른 손 사이의 전이를 입증하지는 못한다. Zhao et al.^[6]은 손 전반에 고해상도 촉각을 배치한 파지를 보고했고, Almeida et al.^[6]은 촉각을 어느 부위에 놓는지가 손안 조작 성능과 연결됨을 분석했다. Zhang et al.^[6]의 UniTacHand는 손 사이의 촉각 표현을 잇는 방향을 제안하지만, 작은 짝자료와 한 플랫폼이라는 경계를 갖는다. 따라서 "센서를 많이 붙이면 일반화된다"가 아니라 "어떤 접촉 부위가 현재 과제의 상태를 식별하는가"를 먼저 실험해야 한다.

최전선 연구의 의미는 5지 손을 기본값으로 만들었다는 데 있지 않다. 센서 배치와 손의 기구, 표현 학습을 따로 최적화할 수 없다는 점을 드러냈다는 데 있다. 손바닥 접촉이 중요한 파지에서 손끝만 계측하거나, 손끝 미끄러짐이 핵심인 과제에서 손목 힘만 기록하면 고차원 정책도 필요한 상태를 복원하지 못한다. 제조 검증은 센서 제거 실험으로 시작할 수 있다. 한 채널씩 가렸을 때 결함 구분과 복구 성공이 얼마나 변하는지 보고, 값이 낮은 채널은 정비 부담과 함께 제거 후보로 삼는다.

힘·토크는 작은 손을 더 정직하게 만든다

모든 셀이 5지 손을 필요로 하지는 않는다. 오히려 2지 그리퍼나 소형 전용 공구에 힘·토크 감지를 넣는 편이 제조적으로 더 강할 수 있다. CoinFT처럼 작은 6축 힘·토크 센서가 가능해지면 ^[6], 단순한 그리퍼도 접촉이 많은 에피소드를 남길 수 있다.

그림 2.3. 소형 힘·토크 센서가 바꾸는 손의 자료 계약. 작은 센서는 단순 그리퍼와 전용 공구의 실패 설명력을 높인다. 출처: Choi et al. 2025, arXiv:2503.19225 Fig. 1.

예를 들어 캡 체결 셀은 5지 손보다 2지 그리퍼와 토크 인지형 손목이 낫다. 필요한 것은 인간형 파지가 아니라 나사산 시작, 나사산 어긋남, 과도 토크, 캡 미끄러짐을 구분하는 신호다. 반대로 케이블 배선은 2지 그리퍼의 죠 힘만으로 접촉 상태를 설명하기 어려워 다중접촉 손이나 촉각 치구가 필요할 수 있다. 손의 선택은 "가장 일반적인 하드웨어"가 아니라 "가장 적은 사각지대로 결함을 설명하는 하드웨어"다.

시연 인터페이스와 손의 불일치

사람 시연 인터페이스는 손 선택을 더 복잡하게 만든다. UMI는 로봇 없이 일상 환경에서 가르침 자료를 모을 수 있게 하지만 ^[12], 목표 손이 흡착이면 사람 손의 많은 접촉 전략은 실행 가능한 행동으로 남지 않는다. DexUMI와 DEXOP는 사람 손과 로봇 손 사이의 거리를 줄이려는 시도지만 ^{[8] [28]}, 제조 셀에서는 전이를 과제별로 검증해야 한다. 사람이 손가락으로 살짝 돌려 넣은 동작이 2지 그리퍼에서 토크 인지형 회전으로 바뀌는지, 5지 손에서 손안 재정렬로 바뀌는지 따로 봐야 한다.

이때 짝지은 시연이 중요하다. 같은 부품, 같은 치구, 같은 결함 분류체계로 사람 시연, 원격조작 장치, 목표 로봇 손을 비교한다. 세 자료의 성공만 비교하면 안 된다. 실패 직전의 접촉 단서, 복구 경로, 작업자 메모가 어떤 인터페이스에서 사라지는지 봐야 한다. 이 검사를 거치면 손 선택은 정책 구조 선택보다 앞선 몸체 정렬 문제가 된다.

힘을 기록하는 시연 인터페이스는 자세만 기록할 때 사라질 수 있는 접촉 정보를 보존하지만, 하드웨어와 교정 부담을 추가한다. UMI-FT는 세 단일팔 과제의 범위에서 힘 인지형 야외 시연을 다루며 ^[11], CoinFT는 작은 6축 힘·토크 센서라는 구현 선택지를 제시한다 ^[6]. DexForce는 특정 손과 접촉 과제에서 힘이 포함된 행동 표적을 탐구했다 ^[33]. 이 근거들은 텔레오퍼레이션이 불필요해졌거나 총자료비용이 항상 낮아진다는 뜻이 아니다. 연결선, 센서 박리 위험, 과제별 순응성 조정, 힘 센서가 없는 목표 손으로의 재표현 비용이 남는다.

시연 인터페이스 평가는 성공률 하나로 끝낼 수 없다. 동일한 부품과 치구에서 사람 손, 시연 장치, 목표 로봇을 차례로 움직이고, 자세·힘·접촉 사건이 어느 변환 단계에서 사라지는지 대조해야 한다. Xu et al.^[6]은 사람 손을 범용 조작 인터페이스로 쓰는 DexUMI를 제시한다 ([#8]). Fang et al.^[6]은 직접 접촉형 외골격 시연 DEXOP를 탐구한다 ([#10]). UMI-FT의 힘 인지형 접근은 별도의 해설에서도 볼 수 있다 ^[11] ([#36]). 이 링크들은 논문을 대신하는 증거가 아니라, 원문을 읽기 위한 안내다.

유지보수 로그도 학습 데이터다

손의 자료 전략에서 자주 빠지는 항목은 정비다. 흡착컵 교체, 죠 패드 마모, 촉각 표면 교체, 손가락 교정, 케이블 장력 조정은 모두 정책 성능을 바꿀 수 있다. 이 사건이 에피소드와 분리되면 모델 성능 후퇴처럼 보이는 문제가 실제로는 하드웨어 표류였는지 알 수 없다. AnySkin이나 ReSkin처럼 교체 가능한 촉각 표면을 지향하는 연구는 이 문제를 완화하지만 ^{[4] [5]}, 교체 가능하다는 것은 교체 사건을 기록해야 한다는 뜻이기도 하다.

제조사는 손 정비를 별도 CMMS 기록으로만 두지 말고 학습 기록과 연결해야 한다. 모델 배포 전후로 센서 교체가 있었는지, 교정 치구가 바뀌었는지, 세척 절차가 달라졌는지 함께 보아야 한다. 특히 촉각 센서는 자료의 풍부함을 높이는 만큼 표류와 오염의 영향을 받는다. 운영 기록이 없으면 더 풍부한 손은 더 풍부한 잡음이 된다.

손 선택을 바꾸면 자료 계약도 바뀐다

말단장치 변경은 단순한 BOM 변경이 아니다. 손을 바꾸면 에피소드 스키마, 재현 묶음, 시뮬레이션 자산, 정비 기록, 작업자 훈련이 함께 바뀐다. UMI나 DROID처럼 현장 밖 일상 환경 수집을 쉽게 하는 인터페이스가 있어도 ^{[12] [22]}, 최종 로봇 손이 다른 접촉을 만들면 시연의 일부는 사라진다. 그래서 손 이전에는 짝지은 자료가 필요하다. 같은 과제를 사람 손, 원격조작 장치, 목표 그리퍼로 각각 수행해 어떤 신호가 사라지는지 측정해야 한다.

제조사는 손 후보를 다음 순서로 실험하는 편이 현실적이다. 첫째, 기존의 가장 단순한 말단장치로 실패 분류체계를 만든다. 둘째, 가장 비싼 실패가 시각 사각지대인지 힘 사각지대인지 나눈다. 셋째, 센서를 추가할지 손을 바꿀지 결정한다. 넷째, 손 변경 전후 재현 묶음을 같은 결함 코드로 비교한다. 이 순서를 거치면 기민성 논의가 시연 취향이 아니라 공정 손실 계산이 된다.

제조 셀 적용 체크포인트

손 선정 검토에는 최소 네 가지 표가 필요하다. 과제군별 예상 접촉, 실패 코드별 센서 범위, 정비 사건별 모델 영향, 손 변경 전후 재현 결과다. 공급사에게는 URDF나 CAD보다 에피소드 내보내기 항목을 먼저 물어야 한다. 파지 힘, 흡착 압력, 촉각 영상, 교정 버전, 공구 마모, 작업자 개입이 같은 키로 묶이지 않으면 나중에 자료 저장소 안에서 원인 분석을 다시 할 수 없다.

증거 계층도 분리한다. 촉각 센서 논문은 방법과 평가를 준다. Figure AI나 Physical Intelligence 같은 회사 페이지는 범용 정책과 휴머노이드 제품 방향을 알려준다 ^{[16] [17]}. 하지만 제조 셀 구매 결정에는 내구성, 세척, 예비 부품, 교정 표류, 결함 감소 같은 운영 증거가 더 직접적이다.

손 공급사나 휴머노이드 공급사를 볼 때도 같은 기준을 적용한다. 제품 페이지가 기민한 조작 시연을 보여주더라도, 제조 구매자는 예비 부품 주기, 센서 교체, 세척 검증, 교정 시간, 실패 내보내기를 확인해야 한다. pi0나 Diffusion Policy처럼 정책 쪽 근거가 강해도 ^{[19] [17]}, 손이 현장에서 안정적으로 신호를 남기지 못하면 정책은 좋은 사전 지식을 갖고도 공정 원인을 설명하지 못한다.

손 변경 승인 회의에서 물어야 할 질문

손을 바꾸는 결정은 공학 시연이 아니라 운영 승인 회의에서 결정되어야 한다. 회의의 첫 질문은 "새 손이 어떤 결함을 줄이는가"다. 두 번째 질문은 "그 결함이 현재 센서 사각지대 때문에 생기는가"다. 세 번째 질문은 "새 손의 정비 사건이 모델 배포와 어떻게 연결되는가"다. 이 세 질문에 답하지 못하면 손 변경은 성능 개선이 아니라 복잡도 증가가 될 가능성이 높다.

승인 회의에는 생산, 품질, 보전, 자료, 로봇 공급사가 모두 들어와야 한다. 생산은 주기와 세척 부담을 보고, 품질은 결함 분류체계를 보고, 보전은 예비 부품과 교정 시간을 본다. 자료 팀은 에피소드 스키마와 재현 묶음 변경을 본다. 공급사는 손 역량뿐 아니라 내보내기 가능한 촉각·힘·원시 상태를 설명해야 한다. 이 구조가 있어야 "5지 손이 멋지다"와 "5지 손이 제조 손실을 줄인다"가 분리된다.

마지막으로 기존 손과 새 손을 동시에 평가하는 병행 기간이 필요하다. 같은 SKU와 치구에서 한쪽은 기존 손, 한쪽은 후보 손으로 제한된 주기를 돌리고, 결함과 작업자 개입을 비교한다. 이때 새 손이 더 많은 신호를 남기더라도 세척 시간이 길어지거나 교정 표류가 잦으면 전체 가치는 낮아질 수 있다. 손의 선택은 모델 정확도가 아니라 셀 경제성까지 포함한 자료 결정이다.

손 변경의 실패 비용은 두 방향으로 계산해야 한다. 계측이 부족한 손은 실패 원인을 남기지 못해 재학습 비용을 키우고, 계측이 과도한 손은 유지보수와 세척으로 가동률을 줄인다. 전자는 자료 사각지대이고 후자는 운영 부담이다. 제조사는 두 비용을 같은 단위로 환산해야 한다. 예를 들어 촉각 손이 긁힘 결함을 줄이지만 교대마다 교정을 요구한다면, 결함 절감과 비가동시간 비용을 함께 비교해야 한다.

이 비교는 다음 장의 순환고리 설계로 이어진다. 손이 선택되면 어떤 출처에서 자료를 모을지도 정해진다. 흡착 셀은 로봇 자체 압력 기록과 QA 불량이 중요하고, 다지 손 셀은 사람 시연과 촉각 재현이 중요하다. 따라서 이 장의 결론은 하드웨어 목록이 아니라 수집 계획이다.

열린 문제와 실패 모드

첫째, 촉각 센서의 표현은 빨리 좋아지지만 장기 표류와 세척 근거는 상대적으로 얇다. 둘째, 사람 손 시연을 로봇 손으로 옮길 때 접촉 의미가 손실된다. 셋째, 다지 손은 자료의 풍부함과 정비 부담을 동시에 늘린다. 넷째, 단순 그리퍼가 충분한 작업에 5지 손을 넣으면 학습 문제보다 운영 문제가 더 커질 수 있다.

좋은 손 선택은 가장 멋진 하드웨어가 아니라 가장 작은 공정 위험으로 필요한 실패를 관측하는 선택이다. 이 기준을 놓치면 대규모 자료 조작은 더 많은 센서와 더 복잡한 정책을 갖고도 결함 원인을 설명하지 못한다.

그림 2.4. 말단장치 기구·감지·교정·수용 시험 순환. 이 도식은 성능 주장이 아니라, 능력 근거가 재현과 품질 판정을 거쳐 배포 권한으로 넘어가는 운영 책임 체인을 요약한다. 출처: 저자 제작 SVG.

다음에 배울 것

3장 데이터 순환은 사람 시연, 로봇 자체 실행 자료, 시뮬레이션, 실패 기록이 어떻게 하나의 순환고리로 묶이는지 설명한다. 손이 관측 좌표계를 정했다면, 순환고리는 그 좌표계에서 자료를 계속 개선 자산으로 되돌리는 운영 구조다.

참고문헌

1. Shaw, Kenneth (2023). LEAP Hand: Low-Cost, Efficient, and Anthropomorphic Hand for Robot Learning. arXiv.
2. Lambeta, Mike (2020). DIGIT: A Novel Design for a Low-Cost Compact High-Resolution Tactile Sensor with Application to In-Hand Manipulation. arXiv.
3. Lambeta, Mike (2024). Digitizing Touch with an Artificial Multimodal Fingertip. arXiv.
4. Bhirangi, Raunaq (2021). ReSkin: versatile, replaceable, lasting tactile skins. arXiv.
5. Bhirangi, Raunaq (2024). AnySkin: Plug-and-play Skin Sensing for Robotic Touch. arXiv.
6. Choi, Hojung (2025). CoinFT: A Coin-Sized, Capacitive 6-Axis Force Torque Sensor for Robotic Applications. arXiv.
7. Feng, Ruoxuan (2025). AnyTouch: Learning Unified Static-Dynamic Representation across Multiple Visuo-tactile Sensors. arXiv.
8. Xu, Mengda (2025). DexUMI: Using Human Hand as the Universal Manipulation Interface for Dexterous Manipulation. arXiv. #8
9. Fang, Hao-Shu (2025). DEXOP: A Device for Robotic Transfer of Dexterous Human Manipulation. arXiv. #10
10. Si, Zilin (2025). ExoStart: Efficient learning for dexterous manipulation with sensorized exoskeleton demonstrations. arXiv.
11. Choi, Hojung (2026). In-the-Wild Compliant Manipulation with UMI-FT. arXiv. #36
12. Ha, Huy (2024). Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots. arXiv.
13. Yu, Wenhao (2025). ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation. arXiv.
14. Huang, Yuhang (2025). Tactile-VLA: Unlocking Vision-Language-Action Model's Physical Knowledge for Tactile Generalization. arXiv.
15. Hao, Yaru (2025). TLA: Tactile-Language-Action Model for Contact-Rich Manipulation. arXiv.
16. Figure AI (2026). Figure 03 + Helix 02: General-Purpose Humanoid System. Company product page.
17. Physical Intelligence (2024). π₀: A Vision-Language-Action Flow Model for General Robot Control. Company research post.
18. Zhao, Tony Z. (2023). Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware. arXiv.
19. Chi, Cheng (2023). Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. arXiv.
20. Mandlekar, Ajay (2021). What Matters in Learning from Offline Human Demonstrations for Robot Manipulation. arXiv.
21. O'Neill, Abby (2023). Open X-Embodiment: Robotic Learning Datasets and RT-X Models. arXiv.
22. Khazatsky, Alexander (2024). DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset. arXiv.
23. Toyota Research Institute (2024). Large Behavior Models for Robot Manipulation. Company technical post.
24. AgiBot-World Contributors et al. (2025). AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems. arXiv.
25. Bicchi, Antonio (2000). Hands for Dexterous Manipulation and Robust Grasping: A Difficult Road Toward Simplicity. IEEE Transactions on Robotics and Automation.
26. Capsi-Morales, Patricia et al. (2020). Exploring the Role of Palm Concavity and Adaptability in Soft Synergistic Robotic Hands. IEEE Robotics and Automation Letters.
27. Agarwal, Arpit et al. (2025). A Modularized Design Approach for GelSight Family of Vision-based Tactile Sensors. The International Journal of Robotics Research.
28. Fang, Bin et al. (2025). Force Measurement Technology of Vision-Based Tactile Sensor. Advanced Intelligent Systems.
29. Gupta, Harsh et al. (2025). Sensor-Invariant Tactile Representation. arXiv.
30. Zhao, Zihang et al. (2025). Embedding High-Resolution Touch across Robotic Hands Enables Adaptive Human-Like Grasping. Nature Machine Intelligence.
31. Almeida et al. (2025). The Role of Touch: Towards Optimal Tactile Sensing Distribution in Anthropomorphic Hands for Dexterous In-Hand Manipulation. arXiv.
32. Zhang, Chi et al. (2025). UniTacHand: Unified Spatio-Tactile Representation for Human to Robotic Hand Skill Transfer. arXiv.
33. Chen, Claire et al. (2025). DexForce: Extracting Force-informed Actions from Kinesthetic Demonstrations for Dexterous Manipulation. arXiv.
34. Felix Berkenkamp et al. (2017). Safe Model-based Reinforcement Learning with Stability Guarantees. NeurIPS.
35. Tuomas Haarnoja et al. (2018). Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor. ICML 2018.
36. Kurtland Chua et al. (2018). Deep Reinforcement Learning in a Handful of Trials using Probabilistic Dynamics Models. NeurIPS.
37. Alex Ray et al. (2019). Benchmarking Safe Exploration in Deep Reinforcement Learning. arXiv preprint.
38. Tianhe Yu et al. (2020). Meta-World: A Benchmark and Evaluation for Multi-Task and Meta Reinforcement Learning. CoRL.
39. Shaoxiong Wang et al. (2022). Tacto: A Fast, Flexible, and Open-Source Simulator for High-Resolution Vision-Based Tactile Sensors. IEEE Robotics and Automation Letters.
40. Zhenyu Wei et al. (2024). D(R,O) Grasp: A Unified Representation of Robot and Object Interaction for Cross-Embodiment Dexterous Grasping. IEEE International Conference on Robotics and Automation (ICRA).
41. Qian Mao et al. (2024). Multimodal Tactile Sensing Fused with Vision for Dexterous Robotic Housekeeping. Nature Communications.