제어로봇시스템학교

2024년, 2025년 제어로봇시스템학교에서 “지금 ROS 2를 배워야 할까요?”라는 질문을 많이 받았습니다. 최근에는 질문이 완전히 바뀌었습니다. “Physical AI는 정확히 무엇이고, 우리 로봇에 어떻게 적용해야 하는가?”, “모방학습과 강화학습 중 어디서부터 시작해야 하는가?”, “데이터는 어떻게 모으고, 어떤 시뮬레이터를 써야 하는가?” 불과 1~2년 사이에 로보틱스의 화두는 전통적인 규칙 기반 프로그래밍에서 학습 기반 정책으로 빠르게 이동했고, ChatGPT 이후 LLM·VLM·VLA로 이어진 흐름은 이제 로봇이라는 ‘몸(Embodiment)’을 만나 Robotics Foundation Model(RFM)이라는 새로운 패러다임을 만들어가고 있습니다.

이러한 변화의 한복판에서 미국 빅테크와 스타트업은 막대한 자본과 RFM 생태계로 시장을 선점하고 있고, 중국은 국가 주도의 압도적 물량 공세로 휴머노이드 출하량 세계 1~6위를 모두 차지하며 ‘Leapfrogging’ 전략을 펼치고 있습니다. 대한민국은 “7대 Physical AI 1등 전략”과 “휴머노이드 M.AX 얼라이언스”로 대응하고 있지만, 우리에게는 우리만의 포지셔닝과 기술 전략이 필요한 시점입니다. 우리는 새로운 기술을 익히고 빠르게 추격할 수 있도록 준비해야 겠죠.

이번 강연에서는 글로벌 휴머노이드 경쟁 구도를 짚어본 뒤, Physical AI의 핵심 기술인 모방학습(Imitation Learning)과 강화학습(Reinforcement Learning)을 로보티즈가 개발 중인 오픈소스 작업형 휴머노이드 ‘AI Worker’와 오픈소스 보급형 휴머노이드 ‘AI Sapiens’ 개발 사례를 통해 실전 관점에서 풀어보고자 합니다. 텔레오퍼레이션 데이터 수집부터 시뮬레이션 기반 데이터 증강, VLA 모델 학습, 2족 보행 및 모션을 위한 강화 학습, 실로봇 배포까지 이어지는 End-to-End AI Pipeline을 함께 살펴봅니다. 강연 목차는 다음과 같습니다.

1. 글로벌 패권 경쟁과 휴머노이드 주권
2. 대한민국의 대응 전략
3. Physical AI 기초 다지기
   • Robot and World: 전통적 접근 vs. 학습 기반 접근
   • Robotics Foundation Model(RFM)이란 무엇인가
   • VLM, VLA, 그리고 Physical AI의 관계
4. 모방학습 (Imitation Learning) 실전
   • 텔레오퍼레이션 방식 비교 (Exoskeleton, VR, Miniature Leader 등)
   • 데이터 수집·시각화·편집을 위한 Web GUI 파이프라인
   • Data Factory와 Field Demonstration
   • 모방학습 데이터 증강
   • AI Worker 사례: 데이터 취득부터 실로봇 추론까지
   • NVIDIA GR00T를 활용한 VLA 모델 학습
   • 대한민국 RFM (Habilis, RLDX 등)
5. 강화학습 (Reinforcement Learning) 실전
   • 시뮬레이터 비교 (Gazebo / MuJoCo / Isaac Sim·Lab)
   • 강화학습 기반 보행·전신 모션 제어
   • NVIDIA Isaac Sim/Isaac Lab을 활용한 강화학습
   • AI Sapiens 사례: 모션 생성부터 학습, 실로봇 추론까지
   • Sim2Real 검증과 도메인 갭 극복
6. 마무리: 오픈소스 보급형 휴머노이드 ‘AI Sapiens’와 함께 가는 길
   • K-휴머노이드, 오픈소스 보급형 휴머노이드 생태계