제1회 Physical AI 해커톤: 허깅페이스 LeRobot 기반 양팔 로봇 학습 현장

• •양팔 로봇을 이용한 3가지 단계별 미션 수행
• •비정형 물체인 행주를 두 번 접는 고난도 태스크 포함
• •LeRobot 라이브러리를 활용한 하드웨어 제어

Physical AI는 AI 모델이 가상 세계를 넘어 실제 물리적 환경에서 하드웨어를 제어하고 상호작용하는 기술을 의미한다.

• •모델 크기보다 데이터 품질이 성능에 미치는 영향이 큼
• •가벼운 ACT 모델로도 고품질 데이터 기반의 고성능 구현 가능
• •데이터 설계 역량이 로봇 제어의 핵심 경쟁력으로 부상

텔레오퍼레이션(Teleoperation)은 사람이 원격으로 로봇을 직접 조종하여 동작 데이터를 생성하는 방식이다.

• •학부생부터 현업 엔지니어까지 폭넓은 참가자 층 형성
• •전통적 제어 방식과 AI 기반 제어 방식의 융합 시도
• •실제 하드웨어 환경에서의 모델 배포 및 테스트 수행

Imitation Learning(모방 학습)은 전문가의 동작 데이터를 학습하여 로봇이 유사한 동작을 수행하도록 만드는 기법이다.

• •학부 1, 2학년생 팀이 기술적 완성도로 우승 차지
• •데이터 수집 과정에서의 극도의 꼼꼼함이 성공 요인
• •이론보다 실전 데이터 구축의 중요성을 입증

• •ACT 모델과 3-카메라 시스템의 표준화 경향 확인
• •실수와 복구 데이터를 포함해야 실제 환경에서 강건한 모델 구축 가능
• •상황에 따른 카메라 배치 최적화의 필요성

ACT(Action Chunking Transformer)는 로봇의 일련의 동작을 덩어리(Chunk) 단위로 예측하여 부드러운 제어를 가능하게 하는 모델 구조이다.