챕터별 상세
해커톤 개요 및 주요 미션
국내 최초로 양팔 로봇을 활용한 Physical AI 해커톤이 한성대학교에서 개최되었다. 참가자들은 공 분류(Tri-color Classifier), 카라멜 포장(Precision Packing), 행주 접기(Fine Folding)라는 세 가지 난이도별 태스크를 수행했다. 단순히 로봇을 움직이는 것을 넘어, 비정형 물체를 다루는 복잡한 동작을 AI로 구현하는 것이 핵심 과제였다.
Physical AI는 AI 모델이 가상 세계를 넘어 실제 물리적 환경에서 하드웨어를 제어하고 상호작용하는 기술을 의미한다.
데이터 품질이 모델 성능을 결정하는 원리
주최 측은 무거운 모델을 사용하는 것보다 양질의 데이터를 설계하고 수집하는 것이 승패를 가른다고 강조했다. 가벼운 ACT 모델을 사용하더라도 데이터의 정교함에 따라 결과물이 완전히 달라졌다. 참가자들은 직접 로봇을 조종하며 데이터를 쌓는 텔레오퍼레이션 과정을 거쳤으며, 이 과정에서의 데이터 설계 능력이 핵심 평가 요소였다.
텔레오퍼레이션(Teleoperation)은 사람이 원격으로 로봇을 직접 조종하여 동작 데이터를 생성하는 방식이다.
참가자 구성 및 기술적 도전 과제
카이스트, 군산대, 인하대 등 대학 연구진뿐만 아니라 레인보우 로보틱스 엔지니어, 웹 개발자, 심지어 가족 팀까지 다양한 배경의 인원들이 참여했다. 기존의 역학 기반 제어와 모방 학습 기반 제어 사이의 경계를 탐구하려는 시도가 많았다. 특히 VLA나 Imitation Learning 같은 최신 기술을 실제 로봇에 적용해보는 실전 경험에 초점이 맞춰졌다.
Imitation Learning(모방 학습)은 전문가의 동작 데이터를 학습하여 로봇이 유사한 동작을 수행하도록 만드는 기법이다.
1등 팀의 비결: 정교한 데이터셋 구축
05년생 학부생들로 구성된 '햇병아리' 팀이 석박사 팀을 제치고 우승을 차지했다. 이들은 데이터셋을 구축할 때 무식할 정도로 꼼꼼하고 튼튼하게 쌓아 올린 것이 주효했다고 밝혔다. 'The better the data, the better the model'이라는 원칙을 실천하며, 데이터의 양보다 질적인 완성도에 집중하여 로봇의 동작 정확도를 높였다.
로봇 학습 트렌드 분석 및 실무 노하우
8개월 전과 비교했을 때 ACT 모델의 사용이 보편화되었으며, 카메라 3대를 활용한 표준 셋업(Top view 1개, Wrist cam 2개)이 정착되었다. 하지만 특정 상황에서는 고정 카메라가 리스트 카메라보다 효율적일 수 있다는 노하우가 공유되었다. 특히 좋은 데이터란 단순히 성공한 동작뿐만 아니라, 의도적인 실수와 그에 따른 복구(Recovery) 과정이 포함된 데이터임을 확인했다.
ACT(Action Chunking Transformer)는 로봇의 일련의 동작을 덩어리(Chunk) 단위로 예측하여 부드러운 제어를 가능하게 하는 모델 구조이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 13.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
